Lehr- und Forschungseinheit für Datenbanksysteme Ludwig-Maximilians-Universität München
Institut für Informatik
Lehr- und Forschungseinheit für Datenbanksysteme		 University of Munich
Institute for Computer Science
Database and Information Systems


Vorlesung Knowledge Discovery in Databases im 
WS 2006/07


Vorhergehende Jahre:
[ WS 05/06 | WS 04/05 | WS 03/04 | WS 02/03 | WS 00/01 | WS 99/00 ]

Veranstaltung Zeit Ort Beginn
Vorlesung Mi,  08.30 - 11.00 Uhr Raum 021 (Ludwigstr. 25) 18.10.2006
Übung


 Mi, 12.00 - 14.00 Uhr
Mi,  16.00 - 18.00 Uhr
Fr,   10.00 -12.00 Uhr
 Raum E 006 (Hauptgebäude)
Raum A 214 (Hauptgebäude)
Raum E 004 (Hauptgebäude)
25.10.2006
25.10.2006
27.10.2006

Aktuelles


Inhalt:
Die in vielen Anwendungsgebieten stark angewachsenen Datenmengen machen eine manuelle Analyse der angefallenen Information zunehmend schwierig, wenn nicht sogar unmöglich. Gerade in Bereichen wie der Auswertung biologischer Meßverfahren (Gen-Sequenzierung, Micro-Array Verfahren ...) oder von Transaktionsdaten großer Telekomunikations- oder Netzbetreiber, ist eine Nutzung der Daten ohne die Zuhilfenahme computergestützter Verfahren nicht denkbar.
Mit der Lösung dieser Probleme beschäftigt sich daher das Forschungsgebiet "Knowledge Discovery in Databases (KDD)". Es verbindet dabei Aspekte der Statistik, dem maschinellen Lernen, sowie der Datenbanksysteme und behandelt Methoden zur (semi-)automatischen Extraktion von gültigem, neuem und potentiell nützlichem Wissen aus großen Datenbanken. Der in diesem Zusammenhang häufig verwendete Begriff Data Mining bezieht sich dabei auf den grundlegenden Schritt im KDD-Prozeß, in dem die eigentliche Analyse der Daten durchgeführt wird.
Data Mining wird dabei häufig auch auf große Mengen betrieblicher Daten angewendet, die in sogenannten Data Warehouses gesondert verwaltet werden.
Der häufig verwendete Begriff Business Intelligence beschreibt dann unter anderem die Anwendung von Data Mining Algorithmen auf die von einem Data Warehouse bereitgestellten Informationen, um zielgerichtet Entscheidungsprozesse zu unterstützen.
Die Vorlesung gibt einen Überblick über die Grundlagen der wichtigsten KDD-Techniken. Dabei wird besonders auf die folgenden Teilgebiete eingegangen: Klassifikation, Regression/Trenderkennung, Clustering, Outlier Detection und Assozationsregeln.
Zur Vertiefung der Vorlesung werden 2-stündige Übungen angeboten, in denen die vorgestellten Verfahren weiter erläutert und an praktischen Beispielen veranschaulicht werden.

- Umfang: 3 + 2 Semesterwochenstunden
- Vorlesung: Dr. Matthias Schubert
- Vorkenntnisse: Vorlesung Datenbanksysteme (wünschenswert)
- Übungen: Matthias Renz
- Skript: Das Skript zur Vorlesung wird in der Vorlesung verkauft ( Kopierkosten ). Weitere Literatur wird in der Vorlesung angegeben.

Anmeldung zur Übung

Zum Scheinerwerb ist eine Anmeldung zum Übungsbetrieb notwendig.

Die Anmeldung ist nur bis spätestens zum 03.11.2006 möglich.

Planung

Datum Vorlesung Datum Übung
18.10.2006 Einleitung und Merkmalsräume
25.10.2006 Merkmalsräume und Klassifikation(1) 25.10.2006
27.10.2006 		Merkmalsräume Blatt 1
08.11.2006 Klassifikation(2) 08.11.2006
10.11.2006 		Merkmalsräume und Klassifikation Blatt 2
15.11.2006 Klassifikation(3) 15.11.2006
17.11.2006 		Klassifikation Blatt 3
22.11.2006 Klassifikation(4) 22.11.2006
24.11.2006 		Klassifikation Blatt 4
29.11.2006 Klassifikation und Regression 29.11.2006
1.12.2006 		Klassifikation Blatt 5
6.12.2006 Clustering 6.12.2006
8.12.2006 		Regression und Klassifikation Blatt 6
13.12.2006 Clustering 13.12.2006
15.12.2006 		Clustering Blatt 7 (Loesung 7-1)
21.12.2006 Clustering 20.11.2006
22.12.2006 		Clustering Blatt 8
05.01.2006 Outlier Detection 10.01.2007
12.01.2007 		Clustering Blatt 9 (Loesung 9-3)
15.01.2007 Assoziationegeln 17.01.2007
19.01.2007 		Clustering Blatt 10 (Loesung 10-1)
22.01.2007 DB-Techniken zur Leistungssteigerung 24.01.2007
26.01.2007 		Clustering Blatt 11
31.01.2007 DB-Techniken zur Leistungssteigerung und Klausurbesprechung
7.02.2007 Data Warehousing und Ausblick KDD2

Weiterführende Informationen

Interesante Links zu JAVA:

Homepages:  DBS Institut LMU