Knowledge Discovery in Databases I im WS 2009/10
Aktuelles
- Die Vorlesung beginnt erst um 8.30.
Inhalt
Die in vielen Anwendungsgebieten stark angewachsenen Datenmengen machen eine manuelle Analyse der angefallenen Information zunehmend schwierig, wenn nicht sogar unmöglich. Gerade in Bereichen wie der Auswertung biologischer Messverfahren (Gen-Sequenzierung, Micro-Array Verfahren ...) oder von Transaktionsdaten großer Telekommunikations- oder Netzbetreiber, ist eine Nutzung der Daten ohne die Zuhilfenahme computergestützter Verfahren nicht denkbar.
Mit der Lösung dieser Probleme beschäftigt sich daher das Forschungsgebiet "Knowledge Discovery in Databases (KDD)". Es verbindet dabei Aspekte der Statistik, dem maschinellen Lernen, sowie der Datenbanksysteme und behandelt Methoden zur (semi-)automatischen Extraktion von gültigem, neuem und potentiell nützlichem Wissen aus großen Datenbanken. Der in diesem Zusammenhang häufig verwendete Begriff Data Mining bezieht sich dabei auf den grundlegenden Schritt im KDD-Prozess, in dem die eigentliche Analyse der Daten durchgeführt wird.
Data Mining wird dabei häufig auch auf große Mengen betrieblicher Daten angewendet, die in so genannten Data Warehouses gesondert verwaltet werden. Der häufig verwendete Begriff Business Intelligence beschreibt dann unter anderem die Anwendung von Data Mining Algorithmen auf die von einem Data Warehouse bereitgestellten Informationen, um zielgerichtet Entscheidungsprozesse zu unterstützen.
Die Vorlesung gibt einen Überblick über die Grundlagen der wichtigsten KDD-Techniken. Dabei wird besonders auf die folgenden Teilgebiete eingegangen: Klassifikation, Regression/Trenderkennung, Clustering, Outlier Detection und Assozationsregeln.
Zur Vertiefung der Vorlesung werden 2-stündige Übungen angeboten, in denen die vorgestellten Verfahren weiter erläutert und an praktischen Beispielen veranschaulicht werden.
Organisation
- Umfang: 3+2 Semesterwochenstunden
- Vorlesung: PD Dr. Matthias Schubert, Dr. Arthur Zimek
- Vorkenntnisse: wünschenswert: Datenbanksysteme I
- Übungen: PD Dr. Matthias Schubert
Zeit und Ort
| Veranstaltung | Zeit | Ort | Beginn |
|---|---|---|---|
| Vorlesung | Do, 8.30 - 11.00 Uhr | Raum A 021 (Hauptgebäude) | 22.10.2009 |
| Übung |
Fr, 12.00 - 14.00 Uhr | Raum M 001 (Hauptgebäude) | 30.10.2009 |
| Übung |
Fr, 14.00 - 16.00 Uhr | Raum M 001 (Hauptgebäude) |
30.10.2009 |
Vorlesungsplan
| Datum | Vorlesung | Datum | Übung |
| 22.10.2009 | Kapitel 1: Einleitung | 23.10.2009 | entfällt |
| 29.10.2009 | Kapitel 2: Featureräume Kapitel2.pdf Kapitel 3: Klassifikation Kapitel3.pdf | 30.10.2009 | Blatt1.pdf |
| 05.11.2009 | Kapitel 3: Klassifikation | 06.11.2009 | Blatt2.pdf |
| 11.11.2009 | Kapitel 3: Klassifikation | 12.11.2009 | Blatt3.pdf |
| 19.11.2009 | Kapitel 3: Klassifikation | 20.11.2009 | Blatt4.pdf |
| 26.11.2009 | Kapitel 4: Regression Kapitel4.pdf | 27.11.2009 | Blatt5.pdf |
| 03.12.2009 | Kapitel 5: Clustering | 04.12.2009 | Blatt6.pdf |
| 10.12.2009 | Kapitel 5: Clustering | 11.12.2009 | Blatt7.pdf |
| 17.12.2009 | Kapitel 5: Clustering | 18.12.2009 | Blatt8.pdf |
| 07.01.2010 | Kapitel 6: Outlier Detection | 08.01.2010 | Blatt9.pdf |
| 14.01.2010 | Kapitel 7: Assoziationsregeln | 15.01.2010 | Blatt10.pdf |
| 21.01.2010 | Kapitel 8: DB-Techniken zur Leistungssteigerung | 22.01.2010 | Blatt11.pdf |
| 28.01.2010 | Kapitel 9: Data Warehousing | 29.01.2010 | Blatt12.pdf |
Anmeldung zur Klausur
Bitte melden Sie sich hier zur Klausur für KDD I im WS 09/10 an, sobald Sie sich entschlossen haben bei der Klausur mitzuschreiben. Eine rechtzeitige Anmeldung ermöglicht uns eine ausreichende Anzahl an Plätzen zu reservieren.
Weiterführende Informationen
KDD zum Ausprobieren
- Weka 3: Data Mining Software in Java
- Rapid Miner (früher YALE)
- ELKI: Environment for DeveLoping KDD-Applications Supported by Index-Structures
weitere Informationen
- DBS Forum bei die Informatiker.net
- Lehrstuhleignene Projektseiten im Bereich KDD
- KDNuggets - Populärer E-Newsletter zum Data Mining
- ACM SIGKDD -'Special Interest Group' der 'Association for Computing Machinery' zum Thema KDD
Vorhergehende Semester
WS 08/09, WS 07/08, WS 06/07, WS 05/06, WS 04/05, WS 03/04, WS 02/03, WS 00/01, WS 99/00
