Knowledge Discovery in Databases

Knowledge Discovery in Databases (KDD), zu Deutsch Erkenntnisgewinnung aus Datenbeständen, umfasst das geläufigere Data-Mining (data mining) und vorbereitende Analysen hierzu. 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. 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. Das zugehörige Vorgehensmodell ist CRISP-DM.

Wegen eines möglichen Verstoßes gegen das Urheberrecht wurde der hier stehende Text entfernt und diese Seite auf der Löschkandidatenseite für potenzielle Urheberrechtsverletzungen gelistet. Der Text ist – zumindest in Auszügen – der gleiche wie in der unten genannten Quelle.

Falls eine Erlaubnis bestand, das Material gemäß den Bestimmungen der Lizenz Creative-Commons-Lizenz Namensnennung – Weitergabe unter gleichen Bedingungen 4.0 zu nutzen, oder du selbst der Urheber des Textes in der unten angeführten Quelle bist, sende bitte eine vollständig ausgefüllte Freigabeerklärung unter Verwendung deines Realnamens und der Angabe, um welchen Artikel es geht, an die Adresse permissions-dewikimedia.org per E-Mail.

Wenn du den Rechteinhaber nachträglich um Erlaubnis bitten willst, kannst du diese Textvorlage dafür benutzen.

Nach Bearbeitung durch das Wikipedia-Support-Team wird die Freigabe auf der Diskussionsseite dokumentiert und der Text wiederhergestellt.

Fragen bitte an: Urheberrechtsfragen

Diesen Artikel bitte nur bearbeiten, wenn sicher ist, dass keine Freigabe erfolgen wird!

Herkunft: http://www.wissensexploration.de/datamining-kdd-definition.php --Chire 23:56, 27. Feb. 2011 (CET)

Software

• RapidMiner ist ein frei erhältliches Open Source Tool für Maschinelles Lernen und Data-Mining, das die eher technischen Schritte der Wissensentdeckung (Datenauswahl, Datenbereinigung, Datenreduktion, Modellbildung, Visualisierung etc.) unterstützt
• WEKA ist ein Open Source Tool, welches von der Universität von Waikato entwickelt wurde. Es enthält eine umfangreiche Sammlung von Algorithmen zur Knowledge Discovery in Databases.
• Environment for DeveLoping KDD-Applications Supported by Index-Structures ist ein Forschungsprojekt der Ludwig-Maximilians-Universität München, das zahlreiche Data-Mining-Algorithmen enthält (vor allem zur Clusteranalyse und Outlier-Erkennung, aber auch Indexstrukturen), zur Verwendung in Lehre und Forschung.

Literatur

• Martin Ester, Jörg Sander: Knowledge Discovery in Databases: Techniken und Anwendungen. Springer, Berlin 2000, ISBN 3-540-67328-8. 
• Fayyad, Usama; Piatetsky-Shapiro, Gregory und Smyth Padhraic (1996), From Data Mining to Knowledge Discovery in Databases, AI Magazine, American Association for Artificial Intelligence, California, USA, Seite 37-54.
• Alpar, Paul und Niederreichholz, Joachim (2000), Data Mining im praktischen Einsatz: Verfahren und Anwendungsfälle für Marketing, Vertrieb, Controlling und Kundenunterstützung, Vieweg Verlag, Wiesbaden, Deutschland.