Data Mining

Termine

TagZeitRhythmusZeitraumRaumLehrpersonBemerkungMax. Teilnehmer/-innen
Vorlesung (V) - Termine: Gruppe 1
Mi. 11:00 bis 13:00 wöchentlich G22A-218 (40 Pl.) Hielscher

in Deutsch

40
Übung (Ü) - Termine: Gruppe 1
Fr.15:00 bis 17:00wöchentlichG29-144Hielscher 20
Übung (Ü) - Termine: Gruppe 2
Mo.13:00 bis 15:00wöchentlichG29-144Hielscher

Gruppe 2 wird nur eröffnet falls Gruppe 1 voll ist.

20

Übersicht (from LSF)

Lerninhalte

Deutsch

Data Mining liefert den Werkzeugkasten, auf dem Empfehlungssysteme, Kampagnenmanagementsysteme oder Entscheidungsunterstützungssysteme ihre Lösungen bauen.

Die Systeme, die wir in einer Wirtschaftsinformatik-Vorlesung wie ITO besprechen, sammeln Daten und bearbeiten Daten. Sie liefern dem Entscheidungsträger Berichte und Statistiken, und vor allem Modelle, die aus den Daten abgeleitet wurden. 

  • Ein Entscheidungsträger bestimmt unter anderem, welche Produkte den Internet-Kunden angeboten werden sollen und zu welchen Konditionen.
  • Er bestimmt, unter welchen Bedingungen einem Kunden ein Produkt empfohlen wird bzw. ob der Kunde Werbung bekommt und in welcher Form.
  • "Er" kann ein Mensch sein oder ein intelligenter Dienst – ein Teil von einer Empfehlungsmaschine.

 

Solche Bestimmungen basieren auf Modelle, die die Kundeninteressen, Präferenzen, Preissensitivität usw beschreiben, ihr Verhalten in jedem Verkaufskanal und ihre Ähnlichkeit zu anderen Kunden. Diese Modellewerden genutzt, um das geeigneteste Produkt oder einen passenden Dienst einem Kunden anzubieten.

 

In der Bachelor-Vorlesung "Data Mining" besprechen wir Methoden zur Ableitung von Modellen aus Daten. Wir besprechen Methoden zur 

 

  • Klassifikation (Beispielanwendungen: Spam-Erkennung, Bonitätsprüfung)‏
  • Clustering (Beispielanwendungen: Ableitung von Kundenprofilen, Erkennung von Ausnahmesituationen)‏
  • Assoziationsregeln (Beispielanwendungen: Warenkorbanalyse für Cross/Up-Selling, Empfehlungssysteme)

English:

Data mining is a family of methods used e.g. in recommenders and in decision support systems for prediction, for customer profiling, for classification and outlier detection. For example:

  • A decision maker decides which products should be offered to Internet-customers.
  • The decision maker decides, when a product will be recommended to a customer, whether the customer obtains ads and how these ads look like.
  • The decision maker may be a human or an intelligent service (as embedded in a recommendation engine)

For such decisions, the decision maker uses models that captures the preferences, price sensitivity and attitudes of customers, the behaviour of customers and the similarity among customers. In this bachelor course, we discuss methods for deriving models from data. In particular, we discuss

  • Classification (example applications: spam recognition, distinguishing between malignant and benign tumors)
  • Clustering (example applications: customer profile learning, outlier detection)
  • Association rules (example applications: market basket analysis for cross selling and up selling, recommenders)
Kurzkommentar

 

 

Literatur

Pan-Ning Tan, M. Steinbach, Vipin Kumar.
 Introduction to Data Mining. 2004

Bemerkung

 

 

Voraussetzungen

Keine inhaltlichen Voraussetzungen.

Zielgruppe

WPF CV;B ab 4

WPF CV;i ab 3

WPF CSE;B ab 3

WPF DKE;M 1-3

WPF IF;i ab 3

WPF IF;B ab 4

WPF INGIF;i ab 4

WPF WIF;i ab 3

WPF WIF;B ab 4

WPF Statistik; M 1-3

WPF DigEng; M 1-3

Beschreibung Data Mining

Material zur Lehrveranstaltung

Vorlesung
Übung
Zusatzaufgabe

 

Last Modification: 17.10.2017 - Contact Person: