Data Mining - Einführung in Data Mining

Due to a large number of students who wished to review their exams, not all of the students could be accommodated within the time allotted for exam inspection on 24.10.2018. Students who wish to inspect their exams because they were unable to do so on 24.10 are given the opportunity to sign up for an appointment to reivew their exams. This can only be done by presenting yourself in person along with your Student ID ar G29-124 at the following hours:

Monday, 29.10.2018 between 1600-1800

Tuesday, 30.10.2018 between 1000-1200

Thursday, 01.11.2018 between 1300-1500

 

Oral examinations (3rd try only) for DM4BA:

January 8, 2019
January 28, 2019

Registration on the lists to be found at the Examinations Office, during
the opening hours

 

 

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

 Die Übung am 24.05.2018 beginnt 15:00 Uhr s.t.

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

Einführung und Administratives

Block "Classification" (with modifications)

Block "Clustering"

Block "Frequent Itemset Discovery for Association Rule Learning and Classification Rule Learning"

 

Exercise

 Übungsblatt 1

Übungsblatt 2

Übungsblatt 3

Übungsblatt 4

Übungsblatt 5

Übungsblatt 6

Übungsblatt 7

Übungsblatt 8

 

 

 

Last Modification: 16.11.2018 - Contact Person:

Sie können eine Nachricht versenden an: M.Sc. Tommy Hielscher
Sicherheitsabfrage:
Captcha
 
Lösung: