Property |
Value |
dbo:abstract
|
- Knowledge Discovery in Databases (KDD), auf Deutsch Wissensentdeckung in Datenbanken, ergänzt das oft synonym gebrauchte Data-Mining um vorbereitende Untersuchungen und Transformationen der auszuwertenden Daten. Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist großen Datenbeständen. In Abgrenzung zum Data-Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate. Der Begriff KDD wurde in wissenschaftlichen Kreisen von Gregory Piatetsky-Shapiro geprägt, während in der Praxis der Begriff Data-Mining geläufiger ist, der in der Statistik jedoch traditionell negativ besetzt ist. Die Teilschritte des KDD-Prozesses sind 1.
* Bereitstellung von Hintergrundwissen für den jeweiligen Fachbereich 2.
* Definition der Ziele der Wissensfindung 3.
* Datenauswahl 4.
* Datenbereinigung 5.
* Datenreduktion (z. B. durch Transformationen) 6.
* Auswahl eines Modells, in dem das gefundene Wissen repräsentiert werden soll 7.
* Data-Mining, die eigentliche Datenanalyse 8.
* Interpretation der gewonnenen Erkenntnisse Üblicherweise werden diese Schritte mehrfach durchlaufen. Ein verbreitetes Vorgehensmodell ist der Cross-Industry Standard Process for Data-Mining (CRISP-DM). (de)
- Knowledge Discovery in Databases (KDD), auf Deutsch Wissensentdeckung in Datenbanken, ergänzt das oft synonym gebrauchte Data-Mining um vorbereitende Untersuchungen und Transformationen der auszuwertenden Daten. Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist großen Datenbeständen. In Abgrenzung zum Data-Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate. Der Begriff KDD wurde in wissenschaftlichen Kreisen von Gregory Piatetsky-Shapiro geprägt, während in der Praxis der Begriff Data-Mining geläufiger ist, der in der Statistik jedoch traditionell negativ besetzt ist. Die Teilschritte des KDD-Prozesses sind 1.
* Bereitstellung von Hintergrundwissen für den jeweiligen Fachbereich 2.
* Definition der Ziele der Wissensfindung 3.
* Datenauswahl 4.
* Datenbereinigung 5.
* Datenreduktion (z. B. durch Transformationen) 6.
* Auswahl eines Modells, in dem das gefundene Wissen repräsentiert werden soll 7.
* Data-Mining, die eigentliche Datenanalyse 8.
* Interpretation der gewonnenen Erkenntnisse Üblicherweise werden diese Schritte mehrfach durchlaufen. Ein verbreitetes Vorgehensmodell ist der Cross-Industry Standard Process for Data-Mining (CRISP-DM). (de)
|
dbo:isbn
| |
dbo:originalTitle
|
- Knowledge Discovery in Databases: Techniken und Anwendungen (de)
- Knowledge Discovery in Databases: Techniken und Anwendungen (de)
|
dbo:wikiPageID
| |
dbo:wikiPageRevisionID
| |
prop-de:autor
|
- Martin Ester, Jörg Sander
|
prop-de:jahr
| |
prop-de:ort
| |
dc:publisher
| |
dct:subject
| |
rdf:type
| |
rdfs:comment
|
- Knowledge Discovery in Databases (KDD), auf Deutsch Wissensentdeckung in Datenbanken, ergänzt das oft synonym gebrauchte Data-Mining um vorbereitende Untersuchungen und Transformationen der auszuwertenden Daten. Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist großen Datenbeständen. In Abgrenzung zum Data-Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate. Der Begriff KDD wurde in wissenschaftlichen Kreisen von Gregory Piatetsky-Shapiro geprägt, während in der Praxis der Begriff Data-Mining geläufiger ist, der in der Statistik jedoch traditionell negativ besetzt ist. (de)
- Knowledge Discovery in Databases (KDD), auf Deutsch Wissensentdeckung in Datenbanken, ergänzt das oft synonym gebrauchte Data-Mining um vorbereitende Untersuchungen und Transformationen der auszuwertenden Daten. Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist großen Datenbeständen. In Abgrenzung zum Data-Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate. Der Begriff KDD wurde in wissenschaftlichen Kreisen von Gregory Piatetsky-Shapiro geprägt, während in der Praxis der Begriff Data-Mining geläufiger ist, der in der Statistik jedoch traditionell negativ besetzt ist. (de)
|
rdfs:label
|
- Knowledge Discovery in Databases (de)
- Knowledge Discovery in Databases (de)
|
owl:sameAs
| |
prov:wasDerivedFrom
| |
foaf:isPrimaryTopicOf
| |
is dbo:wikiPageDisambiguates
of | |
is dbo:wikiPageRedirects
of | |
is foaf:primaryTopic
of | |