Wissensextraktion
Inhalt
- Grundprinzipien der Wissensextraktion mittels Data Mining
- Data Mining über strukturierten, semistrukturierten und unstrukturierten Daten
- Verfahrensklassen des Data Mining: Klassifikation, Vorhersage, Clustering, Assoziationsregeln
- Ablaufmodelle bei einer Datenanalyse
- Datenvorverarbeitung
- Data-Mining-Verfahren
- Interpretation der Resultate
Qualifikationsziele:
Die Studierenden erwerben Kompetenzen im Einsatz von Analysetechniken, hier speziell auf dem Gebiet der Wissensextraktion aus Massendaten. Sie erwerben die Fähigkeit, Data-Mining-Systeme zur Lösung einer betriebswirtschaftlichen Analyseaufgabe einzusetzen. Durch Projekt-basiertes Lernen wird die typische Wirtschaftsinformatik-Sichtweise auf ein zu lösendes Problem gestärkt. Die Teilnehmer können:
- die Relevanz der Wissensextraktion aus großen Datenmengen im Unternehmen beurteilen
- mit großen Datenmengen umgehen, diese für Data-Mining-Verfahren vorbereiten
- verschiedene Data-Mining-Techniken anwenden
- die Resultate interpretieren
- die Leistungsfähigkeit, die Einsatzmöglichkeiten und Grenzen der DM-Verfahren einschätzen.
Querverbindungen zu den Themengebieten Künstliche Intelligenz, Business Intelligence, Wissensbasierte Systeme vertiefen die wirtschaftsinformatische Denkweise.
Fachverantwortlicher

Prof. Dr. Jürgen Cleve
+49 3841 753 - 7527