Otto-von-Guericke-Universität Magdeburg

 
 
 
 
 
 
 
 

Data Mining - Einführung in Data Mining

 

Informationen zur Klausureinsicht finden sich hier.

Termine

TagZeitRhythmusZeitraumRaumLehrpersonBemerkungMax. Teilnehmer/-innen
Vorlesung (V) - Termine:
Di. 15:00 bis 17:00 wöchentlich G22A-216 (40 Plätze) Spiliopoulou Lehrpreisträger/-in   40
Übung (Ü) - Termine: Gruppe 1
Do.15:00 bis 17:00wöchentlichG29-144 Hielscher

 

20
Übung (Ü) - Termine: Gruppe 2
Fr.09:00 bis 11:00wöchentlichG05-300 (24 Plätze) Hielscher

 

20

Übersicht (from LSF)

Lerninhalte

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)

 

Kurzkommentar

 

 

Literatur

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

Auswahl von wiss. Artikeln, Angaben zum Semesterbeginn

Bemerkung

 

 

Voraussetzungen

Keine inhaltlichen Voraussetzungen.

Zielgruppe

WPF CV;B ab 4

WPF CV;i ab 4

WPF CSE;B ab 4

WPF DKE;M 1-3

WPF IF;i ab 4

WPF IF;B ab 4

WPF INGIF;i ab 4

WPF WIF;i ab 4

WPF WIF;B ab 4

WPF Statistik; M 1-3

Beschreibung Data Mining - Einführung in Data Mining

Lecture

Block 0 - Einführung

Block 1 - Klassifikation - Teil 1 (UPDATE 02.05.2017)

Block 1 - Klassifikation -Teil 2

Block 2 - Clustering

Block 3 - Assoziationsregeln

Exercise

Übung 1

Übung 2

Übung 3

Übung 4

Übung 5

Übung 6

Übung 7

Übung 8

Übung 9

 

Letzte Änderung: 12.09.2017 - Contact Person: M.Sc. Tommy Hielscher