1 Data Mining und Knowledge Discovery. - 1. 1 Data Mining und Informationszeitalter: Neue Quests. - 1. 2 Definition von Knowledge Discovery. - 1. 3 Architekturen der Wissensentdeckung. - 1. 4 Wissensrepräsentation. - 1. 5 Haupttypen von aufgedeckten Mustern. - 1. 6 Grundlegende Modelle des Data Mining. - 1. 7 Knowledge Discovery und verwandte Forschungsbereiche. - 1. 8 Hauptmerkmale eines Wissensentdeckungsprozesses. - 1. 9 Mit der Realität umgehen. Stichprobenentnahme in Datenbanken. - 1. 10 ausgewählte Beispiele für Knowledge Discovery Systeme. - 1. 11 Zusammenfassung. -Referenzen. - Zusätzliche Lektüre. - 2 grobe Sätze. - 2. 1 Einleitung. - 2. 2 Informationssystem. - 2. 3 Ununterscheidbarkeitsverhältnis. - 2. 4 Erkennbarkeitsmatrix. - 2. 5 Entscheidungstabellen. - 2. 6 Annäherung an die Mengen. Näherungsraum. - 2. 7 Genauigkeit der Annäherung. - 2. 8 Annäherung und Genauigkeit der Klassifizierung. - 2. 9 Klassifizierung und Reduktion. - Reduktion und Kern. - 2. 10 Entscheidungsregeln. - 2. 11 Dynamische Reduzierungen. - 2. 12 Zusammenfassung. - 2. 13 Übungen. -Referenzen. - Anhang A2: Algorithmen zum Auffinden minimaler Teilmengen. - 3 unscharfe Sätze. - 3. 1 Einleitung. - 3. 2 Grundlegende Definition. - 3. 3 Arten von Mitgliedschaftsfunktionen. - 3. 4 Eigenschaften eines Fuzzy-Sets. - 3. 5 Bestimmung der Zugehörigkeitsfunktion. - 3. 6 Unscharfe Beziehungen. - 3. 7 Operationen der Mengenlehre und ihre Eigenschaften. - 3. 8 Das Extensionsprinzip und die unscharfe Arithmetik. - 3. 9 Informationsbasierte Eigenschaften von Fuzzy-Sets. - 3. 10 Numerische Darstellung von Fuzzy-Mengen. - 3. 11 grobe Sätze und unscharfe Sätze. - 3. 12 Der Rahmen der Erkenntnis. - 3. 13 Wahrscheinlichkeits- und Fuzzy-Mengen. - 3. 14 Zusammenfassung. - 3. 15 Übungen. -Referenzen. - 4 Bayes'sche Methoden. - 4. 1 Einleitung. - 4. 2 Grundlagen der Bayes'schen Methoden. - 4. 3 Einbeziehung von Objektmerkmalen in die Klassifizierung. - 4. 4 Bayes'sche Klassifikation Ein allgemeiner Fall. - 4. 5 Statistische Klassifizierung zur Minimierung des Risikos. - 4. 6 Entscheidungsbereiche. Wahrscheinlichkeiten von Fehlern. - 4. 7 Diskriminante Funktionen. - 4. 8 Schätzung von Wahrscheinlichkeitsdichten. - 4. 9 Probabilistisches neuronales Netzwerk (PNN). - 4. 10 Einschränkungen in der Konstruktion. - 4. 11 Zusammenfassung. - 4. 12 Übungen. -Referenzen. - 5 Evolutionäres Rechnen. - 5. 1 Genetische Algorithmen. Konzept- und algorithmische Aspekte. - 5. 2 Grundlegende Komponenten von GAs 196 Codierung und Dekodierung. - 5. 3 GA. Formale Definition genetischer Algorithmen. - 5. 4 Schemata Theorem: a cnceptual Backbone of Gas. - 5. 5 Genetisches Rechnen. Weitere Verbesserung. - 5. 6 Erkundung und Nutzung des Suchraums. - 5. 7 Experimentelle Studien. - 5. 8 Klassen der evolutionären Berechnung. - 5. 9 Genetische Optimierung der regelbasierten Beschreibung von Daten: Ansätze in Pittsburgh und Michigan. - 5. 10 Zusammenfassung. - 5. 11 Übungen. -Referenzen. - 6 Maschinelles Lernen. - 6. 1 Einleitung. - 6. 2 Einführung in die Generierung von Hypothesen. - 6. 3 Überanpassung. - 6. 4 Regel-Algorithmen. - 6. 5 Entscheidungsbaum-Algorithmen. - 6. 6 Hybride Algorithmen. - 6. 7 Diskretisierung von stetigen Attributen. - 6. 7. 1 Informationstheoretische Diskretisierungsmethoden. - 6. 8 Bewertung von Hypothesen. - 6. 9 Vergleich der drei Familien von Algorithmen. - 6. 10 Maschinelles Lernen in der Wissensentdeckung. - 6. 11 maschinelles Lernen und grobe Sätze. - 6. 12 Zusammenfassung. - 6. 13 Übungen. -Referenzen. - Anhang A6: Diagnose der koronaren Herzkrankheit (KHK). -Referenzen. - 7 Neuronale Netze. - 7. 1 Einleitung. - 7. 2 Netzwerk der radialen Basisfunktion (RBF). - 7. 3 RBF-Netzwerke in der Knowledge Discovery. - 7. 4 Kohonens Self Organizing Map (SOM)Netzwerk. - 7. 5 Bilderkennungs-Neuronales Netzwerk (IRNN) 357 Sensorische Schicht. - 7. 6 Zusammenfassung. - 7. 7 Übungen. -Referenzen. - Anhang A7: Messung der Bildähnlichkeit. - 8 Clusterbildung. - 8. 1 Unüberwachtes Lernen: eine allgemeine Taxonomie und verwandte algorithmische Aspekte. - 8. 2 Hierarchisches Clustering. - 8. 3 ObjectiveFunction-basiertes Clustering. - 8. 4 Clustering-Methoden und Data Mining. - 8. 5 Hierarchisches Clustering beim Aufbau von Assoziationen in den Daten. - 8. 6 Clustering unter teilweiser Aufsicht im Data Mining. - 8. 7 Eine neuronale Realisierung der Ähnlichkeit zwischen Mustern. - 8. 8 Numerische Experimente. - 8. 9 Zusammenfassung. - 8. 10 Übungen. -Referenzen. - 9 Vorverarbeitung. - 9. 1 Muster und Merkmale. - 9. 2 Vorverarbeitungsvorgänge. - 9. 3 Hauptkomponentenanalyse: Merkmalsextraktion und -reduzierung. - 9. 4 Überwachte Merkmalsreduktion basierend auf der linearen Diskriminanzanalyse von Fisher. - 9. 5 Sequenz der linearen diskriminanten Projektionen von Karhunen-Loeve und Fisher. - 9. 6 Auswahl der Funktionen. - 9. 7 numerische Experimente Textur-Bildklassifizierung. - 9. 8 Zusammenfassung. - 9. 9 Übungen. -Referenzen. Sprache: Englisch