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

Block-Hauptseminar im Wintersemester 2008/09

"Knowledge Discovery in Databases"

vorhergehende Semester:
[SS08, WS0708, SS2007, WS0607, SS2006, WS05/06, SS05, WS04/05, SS04, WS03/04,
SS2003, SS2002, WS01/02, SS2001, WS00/01, SS2000, WS99/00, SS99, SS97, SS96, ]


Ort und Zeit

Dieses Hauptseminar findet im Wintersemester 2008/09 als Blockseminar statt. Die Teilnehmerzahl ist auf 12 begrenzt!

Veranstaltung Datum Zeit Raum
Blockseminar Tag 1 Donnerstag, 25.09.2008 13.00-17.00 Uhr 1.31 (Oettingenstr. 67)
Blockseminar Tag 2 Freitag, 26.09.2008 13.00-17.00 Uhr 1.31 (Oettingenstr. 67)


Kurze Einführung

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

In diesem Seminar werden verschiedene Forschungsarbeiten aus dem Bereich "Knowledge Discovery in Databases" behandelt und einzelne Veröffentlichungen kritisch diskutiert.

Nach Anmeldeschluss erhält jeder Teilnehmer eine wissenschaftliche Veröffentlichung aus den Bereichen "Outlier Detection" oder "Subspace Clustering", die in der Seminarsitzung vorgestellt und diskutiert werden soll. Die Vortragszeit beträgt 25 Min., darauf folgen 10 Min. Diskussion. Für den Erwerb des Scheins sind Voraussetzung. Die kurze schriftliche Zusammenfassung muss spätestens am Tag des Vortrags abgegeben werden.

Programm

25.09.2008
1. Sonja Boehm [ArnAgrRag96] A. Arning, R. Agrawal, P. Raghavan: A linear method for deviation detection in large databases, Proc. ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining (KDD'96), Portland, OR, 1996
2. Olga Cherkashyna [JohKwoNg98] T. Johnson, I. Kwok, R. Ng: Fast Computation of 2-Dimensional Depth Contours, Proc. ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining (KDD'98), New York City, NY, 1998
3. Christine Kaminski [KnoNg98] E.M. Knorr, R.T. Ng: Algorithms for Mining Distance-Based Outliers in Large Datasets, Proc Int. Conf. on Very Large Databases (VLDB'98), New York, USA, 1998.
4. Vitaliy Khakhutskyy [BreKriNgSan00] M. M. Breunig, H.-P. Kriegel, R. Ng, J. Sander: LOF: Identifying Density-Based Local Outliers, Proc. ACM SIGMOD Int. Conf. on Management of Data (SIGMOD'00), Dallas, TX, 2000
5. Matthias Kistler [YamTak01] K. Yamanishi, J. Takeuchi: Discovering outlier filtering rules from unlabeled data: combining a supervised learner with an unsupervised learner, Proc. ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining (KDD'01), San Francisco, CA, 2001
6. Andreas Lehmann [JinTunHan01] W. Jin, A. K. H. Tung, J. Han: Mining top-n local outliers in large databases, Proc. ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining (KDD'01), San Francisco, CA, 2001
26.09.2008
7. Lisa Reichert [PapKitGibFal03] S. Papadimitriou, H. Kitagawa, P. B. Gibbons, C. Faloutsos: LOCI: Fast Outlier Detection Using the Local Correlation Integral, Proc. IEEE Int. Conf. on Data Engineering (ICDE'03), Bangalore, India, 2003.
8. Simon Mittermüller [FanZaiFosWu06] H. Fan, O. R. Zaiane, A. Foss, J. Wu: A Nonparametric Outlier Detection for Effectively Discovering Top-N Outliers from Engineering Data, Proc. Pacific-Asia Conf. on Advances in Knowledge Discovery and Data Mining (PAKDD'06), Singapore, 2006
9. Julien Oster [PeiZaiGao06] Pei Y. , Zaiane O.R., Gao Y.: An Efficient Reference-Based Approach to Outlier Detection in Large Datasets, Proc. IEEE Int. Conf. on Data Mining (ICDM'06), Hong Kong, China, 2006
10. Mark Plötner [AggYu01] C.C. Aggarwal, P. S. Yu: Outlier Detection for High Dimensional Data, Proc. ACM SIGMOD Int. Conf. on Management of Data (SIGMOD 2001), Santa Barbara, CA, 2001
11. Fang Zeng [ZhuKitFal05] C. Zhu, H. Kitagawa, C. Faloutsos: Example-Based Outlier Detection for High Dimensional Datasets, IPSJ Digital Courier, Vol. 1, pp.234-243, 2005. Auch erschienen in Proc. IEEE Int. Conf. on Data Mining (ICDM'05), Houston, TX, 2005


Organisatorisches

Ansprechpartner:
Dr. Peer Kröger, Zimmer E1.08, Tel. 2180-9327,
Dr. Arthur Zimek, Zimmer E1.06, Tel. 2180-9325


Zusätzliche Informationen


Voraussetzung

Folgende Vorkenntnisse basierend auf unseren Vorlesungen sind empfehlenswert:

Bei Problemen oder Vorschlägen wenden Sie sich bitte an: wwwmaster@dbs.informatik.uni-muenchen.de
Last Modified: 2008-Aug-18