Data Mining

Diplomarbeit aus dem Jahr 2000 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 2,7, FernUniversität Hagen (Informatik), Sprache: Deutsch, Abstract: Inhaltsangabe:Einleitung:§Die Arbeit beschäftigt sich mit der Beschreibung der gängigen Data-Mining-Verfahren und beschreibt deren Anwendungsgebiete in der Praxis. Nachdem in Kapitel 2 der Begriff Data Mining definiert und zu verwandten Themengebieten abgegrenzt wird, werden im Schwerpunkt der Arbeit, dem dritten Kapitel, die Data-Mining-Verfahren dargestellt. Dabei werden in Kapitel 3.1 die klassischen Verfahren der Clusteranalyse beschrieben, in Kapitel 3.2 die Bayes-Klassifikation und die Assoziationsanalyse als statistische Verfahren vorgestellt und im Kapitel 3.3 eine Alternative zu den klassischen Clustermethoden vorgeführt, das konzeptionelle Clustern. Außerdem werden die Entscheidungsbaummethoden dargestellt. Das Kapitel schließt mit einer Beschreibung von künstlichen Neuronalen Netzen und Genetischen Algorithmen ab.§Im vierten Kapitel sollen dann beispielhaft praxisrelevante Anwendungsfelder beschrieben werden. Neben der Betrugserkennung, auf die bereits in der Einleitung hingedeutet wurde, soll auf die Möglichkeiten der Warenkorbanalyse, Kundensegmentierung und Datenreinigung eingegangen werden. Das Kapitel endet mit dem Versuch, durch Anwendung von Neuronalen Netzen Aktienkurse vorherzusagen.§Nach einer Zusammenfassung in Kapitel 5 soll ein Ausblick gegeben werden, welche Entwicklungslinien für Data Mining denkbar sind und welche strategische Bedeutung sich hieraus für ein Unternehmen ergibt.§Inhaltsverzeichnis:Inhaltsverzeichnis:§1.Einleitung6§1.1Motivation zur Anwendung von Data Mining 6§1.2Zielsetzung der Arbeit7§1.3Aufbau und Schwerpunktsetzung8§2.Einordnung und Begriffsbestimmung8§2.1Der Gesamtprozess Knowledge Discovery in Databases (KDD) 8§2.2Definition Data Mining 10§2.3Abgrenzung zu anderen Disziplinen12§2.3.1Data Warehouse12§2.3.2Visualisierungstechniken13§2.3.3Statistik14§2.3.4Maschinelles Lernen15§2.3.5Expertensysteme16§3.Eigenschaften von Data-Mining-Verfahren17§3.1Clusteranalyse18§3.1.1Hierarchische Clusterung18§3.1.1.1Agglomerative Methoden23§3.1.1.2Divisive Methoden26§3.1.1.3Eigenschaften hierarchischer Methoden28§3.1.2Partitionierende Clusterung29§3.1.2.1K-Means-Algorithmus29§3.1.2.2FKM-Algorithmus33§3.1.2.3Eigenschaften partitionierender Methoden39§3.2Statistische Verfahren40§3.2.1Bayes-Klassifikation40§3.2.1.1Beschreibung des Verfahrens40§3.2.1.2Eigenschaften der Bayes-Klassifikation44§3.2.2Assoziationsanalyse45§3.2.2.1Beschreibung des Verfahrens45§3.2.2.2Eigenschaften der Assoziationsanalyse49§3.3Induktives Lernen49§3.3.1Konzeptionelles Clustern49§3.3.1.1Beschreibung des Verfahrens50§3.3.1.2Eigenschaften des konzeptionellen Clusterns55§3.3.2Entscheidungsbäume und regeln56§3.3.2.1ID-3-Algorithmus56§3.3.2.2Eigenschaften des ID3-Algorithmus61§3.4Neuronale Netze61§3.4.1Multilayer-Perceptron62§3.4.1.1Beschreibung des Verfahrens62§3.4.1.2Eigenschaften des Multilayer-Perceptrons66§3.4.2Kohonen-Algorithmus67§3.4.2.1Beschreibung des Verfahrens67§3.4.2.2Eigenschaften des Kohonen-Algorithmus71§3.5Genetische Algorithmen72§3.5.1Basisalgorithmus72§3.5.2Anwendung auf Data Mining 74§3.5.3Eigenschaften von Genetischen Algorithmen78§4.Ausgewählte Anwendungsfelder für Data Mining 79§4.1Warenkorbanalysen80§4.2Kundensegmentierung81§4.3Betrugserkennung83§4.4Datenreinigung84§4.5Prognose von Aktienkursen85§5.Zusammenfassung und Ausblick86§5.1Data Mining zur Segmentierung87§5.2Data Mining zur Klassifizierung und Prognose88§5.3Data Mini...