Lehr- und Forschungseinheit für Datenbanksysteme Ludwig-Maximilians-Universität München
Institut für Informatik
Lehr- und Forschungseinheit für Datenbanksysteme		 University of Munich
Institute for Computer Science
Database and Information Systems

Hauptseminar im SS 2002

"Knowledge Discovery in Databases"

vorhergehende Semester:
[ WS01/02, SS2001, WS00/01, SS2000, WS99/00, SS99, SS97, SS96]

Ort und Zeit

Veranstaltung Zeit Ort Beginn
Seminar neu:
Mo, 14.00 - 16.00 Uhr 		 Raum 1.14 (Oettingenstr. 67) erster Termin 
am 15.04.2002

Vorbesprechung

Die Vorbesprechung und Themenvergabe fand am Mittwoch, den 06.02.2002, 11.00 Uhr s.t. im Raum 17 (Oettingenstr. 67) statt.

Ansprechpartner: Karin Kailing, Zimmer E1.06, Tel. 9325.

Kurze Einführung

Knowledge Discovery in Databases (KDD) ist der Prozeß der (semi-)automatischen Extraktion von Wissen aus sehr großen Datenbanken, das gültig, unbekannt und nützlich ist. Die wesentlichste Komponente in diesem Prozeß ist das Data Mining, d.h. die Anwendung von effizienten Algorithmen, die die in der Datenbank enthaltenen Muster liefern.

In diesem Seminar werden verschiedene aktuelle Forschungsarbeiten aus dem Bereich "Knowledge Discovery in Databases" behandelt.

Die Vortragszeit beträgt 45 min, darauf folgen 15 min Diskussion. Für den Erwerb des Scheins sind eine kurze schriftliche Zusammenfassung, ein erfolgreicher Vortrag sowie die aktive Teilnahme am Seminar Voraussetzung.
 

Zusätzliche Informationen

Voraussetzung

Ablauf

Betreuer: Eshref Januzaj (EJ), Karin Kailing (KK),   Peer Kröger (PK), Matthias Schubert (MS)
 
Datum Vortragender Thema Literatur Folien /
Zusammenfassung		 Betreuer
15.04.2002     Allgemeine Einführung in das Thema KDD, Vortragstechniken  einfuehrung.pdf  
22.04.2002 Tobias Kern Clustering Einführung in das Thema Clustering

Data Bubbles: Quality Preserving Performance Boosting for Hierarchical Clustering 
(Breunig, Kriegel, Kröger, Sander; 2001)

 clustering.pdf
 

Zusammenfassung.pdf

 PK
06.05.2002  Thomas Fritz Clustering Graph-Based Hierarchical Conceptual Clustering 
(Jonyer, Cook, Holder; 2001)		 Zusammenfassung.pdf KK 
13.05.2002 Florian Uhl  Clustering CLIFF: Clustering of High-Dimensional Microarray Data via Iterative Feature Filtering Using Normalized Cuts 
(Xing, Karp; 2001)		   PK
27.05.2002 Bernhard Pfleger
 

Valery Donfack

 Clustering Finding Generalized Projected Clusters in High Dimensional Spaces 
(Aggarwal, Yu; 2000)

Automatic Subspace Clustering of High Dimensional Data for Data Mining Applications
(Agrawal, Gehrke, Gunopulos, Raghavan; 1998)

   KK
 

KK
03.06.2002 Norbert Liebisch Outlier Detection Einführung in das Thema Outlier Detection

Outlier Detection for High Dimensional Data 
(Aggarwal, Yu; 2001)

  outlier.pdf

 

 KK
10.06.2002  Petra Linhart
 

Sandra Bauer

 Outlier Detection Finding Intensional Knowledge of Distance-Based Outliers 
(Knorr, Ng; 1999)

LOF: Identifying Density-Based Local Outliers 
(Breunig, Kriegel, Ng, Sander; 2000)

 Zusammenfassung.pdf
 

Zusammenfassung.pdf

 KK
 

KK
17.06.2002 Friederike Schmidt Classification Einführung in das Thema Klassifikation

Improving Text Classification by Shrinkage in a Hierarchy of Classes 
(McCallum, Rosenfeld, Mitchell, Ng; 1998)

  classification.pdf MS
24.06.2002 Johannes Aßfalg Classification Evaluation of Techniques for Classifying Biological Sequences 
(Deshpande, Karypis; 2002)		   MS 
01.07.2002 Heribert Mühlberger Association 
Rules		 Einführung in das Thema Assoziationsregeln

An Apriori-based Algorithm for Mining Frequent Substructures from Graph Data 
(Inokuchi, Washio, Motoda; 2000)

   KK 
08.07.2002 entfällt
 		      
15.07.2002 Michael Brade
 

Adham Haddad

 Association 
Rules

Distributed 
Data Mining

 Mining Association Rules from Semi-structured Data
(Maruyama, Uehara; 2000)

Collective Data Mining: A new Perspective Toward Distributed Data Mining 
(Kargupta, Park, Hershberger, Johnson; 1999)

   KK
 

EJ

Bei Problemen oder Vorschlägen wenden Sie sich bitte an: wwwmaster@dbs.informatik.uni-muenchen.de
Last Modified: