Data Mining Verfahren, Prozesse, Anwendungsarchitektur
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
München [u.a.]
Oldenbourg
2005
|
| Schlagworte: | |
| Online-Zugang: | Inhaltsverzeichnis Klappentext |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
MARC
| LEADER | 00000nam a2200000 c 4500 | ||
|---|---|---|---|
| 001 | BV020033962 | ||
| 003 | DE-604 | ||
| 005 | 20070515 | ||
| 007 | t| | ||
| 008 | 050916s2005 xx d||| |||| 00||| ger d | ||
| 020 | |a 3486577158 |9 3-486-57715-8 | ||
| 020 | |a 9783486577150 |9 978-3-486-57715-0 | ||
| 035 | |a (OCoLC)68804746 | ||
| 035 | |a (DE-599)BVBBV020033962 | ||
| 040 | |a DE-604 |b ger |e rakwb | ||
| 041 | 0 | |a ger | |
| 049 | |a DE-898 |a DE-1050 |a DE-210 |a DE-19 |a DE-12 |a DE-91G |a DE-29T |a DE-355 |a DE-M49 |a DE-945 |a DE-739 |a DE-473 |a DE-863 |a DE-92 |a DE-Aug4 |a DE-860 |a DE-634 |a DE-83 |a DE-11 |a DE-525 |a DE-521 |a DE-188 |a DE-706 |a DE-B768 |a DE-1049 |a DE-1102 | ||
| 084 | |a ST 270 |0 (DE-625)143638: |2 rvk | ||
| 084 | |a ST 530 |0 (DE-625)143679: |2 rvk | ||
| 084 | |a DAT 703f |2 stub | ||
| 084 | |a 004 |2 sdnb | ||
| 084 | |a 650 |2 sdnb | ||
| 100 | 1 | |a Petersohn, Helge |e Verfasser |4 aut | |
| 245 | 1 | 0 | |a Data Mining |b Verfahren, Prozesse, Anwendungsarchitektur |c von Helge Petersohn |
| 264 | 1 | |a München [u.a.] |b Oldenbourg |c 2005 | |
| 300 | |a XI, 330 S. |b graph. Darst. | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 650 | 0 | 7 | |a Data Mining |0 (DE-588)4428654-5 |2 gnd |9 rswk-swf |
| 655 | 7 | |8 1\p |0 (DE-588)4113937-9 |a Hochschulschrift |2 gnd-content | |
| 689 | 0 | 0 | |a Data Mining |0 (DE-588)4428654-5 |D s |
| 689 | 0 | |5 DE-604 | |
| 856 | 4 | 2 | |m Digitalisierung UBPassau |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=013355129&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 856 | 4 | 2 | |m Digitalisierung UB Passau |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=013355129&sequence=000002&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA |3 Klappentext |
| 883 | 1 | |8 1\p |a cgwrk |d 20201028 |q DE-101 |u https://d-nb.info/provenance/plan#cgwrk | |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-013355129 | |
Datensatz im Suchindex
| DE-19_call_number | 0001/8 05-9921 |
|---|---|
| DE-19_location | 0 |
| DE-BY-TUM_call_number | 0104 DAT 703f 2005 A 9080 0303 DAT 703f 2005 L 731 1002 DAT 703f 2006 A 1356 |
| DE-BY-TUM_katkey | 1525668 |
| DE-BY-TUM_location | 01 03 10 |
| DE-BY-TUM_media_number | 040020059418 040071007480 040071007457 040071007468 040071007479 040071007491 040050461599 |
| DE-BY-UBM_katkey | 3149165 |
| DE-BY-UBM_media_number | 41605666870010 |
| _version_ | 1823053061346557952 |
| adam_text | Inhalt
Vorwort
1 Motivation und Entwicklung der Data Mining-Architektur 1
1.1 Inhalt und Ziel dieses Buches......................................................................................1
1.2 Theoretische Grundlagen zum Data Mining-Begriff..................................................4
1.2.1
1.2.2 Data Mining.................................................................................................................8
1.3 Beispiele für Anwendungsgebiete.............................................................................14
1.4 Strukturierungsbedarfför Data Mining.....................................................................19
1.5 Struktur, Komponenten und Elemente der Data Mining-Architektur.......................20
1.5.1 Architekturbegriff......................................................................................................20
1.5.2 Dato Mining-Architektur-DMA..............................................................................22
1.5.3 Komponenten der Data Mining-Architektur.............................................................24
1.5.3.1 Gegenstandskomponente...........................................................................................24
1.5.3.2 Metakomponente.......................................................................................................36
1.5.3.3 Praxiskomponente für den gesamten Strukturbereich...............................................37
2 Datenselektion und Datenaufbereitung 39
2.1 Datenselektion...........................................................................................................40
2.1.1 Data
2.1.1.1 Komponenten eines Data
2.1.1.2 Datenbasis eines Data
2.1.1.3 Organisationsformen für ein Data
2.1.2 Multidimensionale Datenstrukturen und OLAP........................................................48
2.1.2.1 Multidimensionale Datenstrukturen..........................................................................48
2.1.2.2 Online
2.1.2.3 Technische Realisierung von multidimensionalen Modellen...................................54
2.1.3 Datenextraktion.........................................................................................................56
2.2 Verfahrensunabhängige Datenaufbereitung..............................................................57
2.2.1 Datenanreicherung.....................................................................................................57
2.2.2 Datenreduktion..........................................................................................................58
2.2.2.1 Stichproben................................................................................................................58
2.2.2.2 Aggregation...............................................................................................................60
Vm
2.2.3 Dimensionsreduktion................................................................................................61
2.2.4 Behandlung fehlender und fehlerhafter Merkmalswerte..........................................62
2.3 Verfahrensabhängige Datenaufbereitung..................................................................63
2.3.1 Skalierung von Daten................................................................................................63
2.3.1.1 Messen als Grundlage empirischer Wissenschaft.....................................................63
2.3.1.2 Repräsentation von Variableneigenschaften auf Skalen...........................................64
2.3.2 Standardisierung von Daten......................................................................................70
2.3.3 Normierung von Daten..............................................................................................71
3 Klassenbildung 73
3.1 Klassenbildung mit neuronalen Netzen....................................................................73
3.1.1
3.1.2
3.1.2.1 Grundprinzip von ART.............................................................................................76
3.1.2.2
3.1.2.3
3.1.2.4
3.2 Klassenbildung mit
3.2.1 Agglomerative hierarchische Verfahren...................................................................91
3.2.2 Partitionierende Verfahren........................................................................................95
3.3 Evaluierungskriterien für die anwendungsorientierte Bewertung............................97
4 Assoziationsanalyse 101
4.1 Einführung in die Assoziationsalgorithmen............................................................101
4.2 Boolesche Assoziationsverfahren...........................................................................105
4.2.1 AIS..........................................................................................................................105
4.2.2 SetM........................................................................................................................106
4.2.3 Apriori-Algorithmen...............................................................................................107
4.2.3.1 Apriori.....................................................................................................................107
4.2.3.2 AprioriTid...............................................................................................................111
4.2.3.3 AprioriHybrid..........................................................................................................112
4.2.4 Einschätzung der Algorithmen AIS, SetM und Apriori..........................................113
4.2.5 Partition...................................................................................................................113
4.2.6
4.2.7 DHP.........................................................................................................................117
4.2.8
4.2.9 FP-growth................................................................................................................120
4.2.10 Generierung von Assoziationsregem......................................................................124
4.3 Erweiterungen der Assoziationsverfahren..............................................................126
4.4 Evaluierung und Interpretation...............................................................................129
Inhalt___________._______________________________________________________5L
5
Klassifizierung 131
5.1 Klassifizierung mit neuronalen Netzen...................................................................131
5.1.1 Backpropagation-Netze...........................................................................................131
5.1.2 Weitere neuronale Netze zur Klassifizierung..........................................................135
5.2 Klassifizierung mit Entscheidungsbaumalgorithmen..............................................136
5.2.1 Einführung in Entscheidungsbaumverfahren..........................................................136
5.2.2 Klassifikationsbaumverfahren.................................................................................141
5^2.1 CLS..........................................................................................................................141
5.2.2.2 Entropiemaß zur Attributauswahl bei Entscheidungsbäumen................................141
52.23 ID3...........................................................................................................................143
5.2.2.4
5.2.2.5 NewID.....................................................................................................................152
5.2.2.6 C4.5.........................................................................................................................156
5.2.2.7 CHAID....................................................................................................................160
5.2.3 Verfahren zur Regelinduktion.................................................................................163
5.2.3.1 Einfuhrende Bemerkungen zur Regelinduktion......................................................163
5.2.3.2 AQ15.......................................................................................................................163
5.2.3.3 CN2.........................................................................................................................166
5.2.3.4 LCLR.......................................................................................................................168
5.3 Evaluierungskriterien für die anwendunporientierte Bewertung
der Güte einer Klassifizierung.................................................................................170
6 Zeitreihenanalyse 173
6.1 Zeitreihenanalyse mit neuronalen Netzen...............................................................173
6.1.1 Typische Eigenschaften von Zeitreihen..................................................................173
6.1.2 Jordan- und Ehnan-Netze........................................................................................176
6.1.2.1 Partiell rekurrente Netze..........................................................................................176
6.1.2.2 Jordan-Netze............................................................................................................177
6.1.2.3 Ehnan-Netze............................................................................................................180
6.1.2.4 Lernverfahren partiell rekurrenter Netze.................................................................181
6.1.2.5 Einschätzung von Jordan- und Elman-Netzen........................................................181
6.2 Zeitreihenanalyse mit Regressionsbaumverfahren..................................................182
6.2.1 Einführung in Regressionsbaumverfahren..............................................................182
6.2.2
6.2.2.1 Besonderheiten des
6.2.2.2 Attributauswahl zur Knotenaufspaltung bei
6.2.2.3 Wertzuweisung des Tochterknotens bei
6.2.2.4 Abbruchkriterium bei
6.2.2.5
6.2.2.6 Einschätzung des
6.2.3 M5............................................................................................................................188
6.2.3.1 Besonderheiten des M5...........................................................................................188
X
6.2.3.2 Attributauswahl zur Knotenaufspaltung bei M5.....................................................188
6.2.3.3
6.2.3.4 Einschätzung des M5..............................................................................................191
6.2.4
6.2.4.1 Besonderheiten von SRT.........................................................................................192
6.2.4.2 Einschätzung von SRT............................................................................................193
6.3 Zeitreihenanalyse mit multivariaten statistischen Verfahren..................................193
6.4 Evaluierungskriterien für die anwendungsorientierte Bewertung der Güte einer
Zeitreihenanalyse....................................................................................................194
7 Genetische Algorithmen 197
7.1 Einfuhrung in genetische Algorithmen...................................................................197
7.2 Grundstruktur genetischer Algorithmen.................................................................200
7.2.1 Phasen eines genetischen Algorithmus...................................................................200
7.2.2 Initialisierung i.w.S.................................................................................................202
7.2.3 Evolutionszyklus.....................................................................................................204
7.2.3.1 Evaluierung der Individuen.....................................................................................204
7.2.3.2 Selektion der Eltern.................................................................................................205
7.2.3.3 Genetische Operatoren zur Veränderung der Nachkommen...............................„.207
7.2.3.4 Selektion der Mitglieder der Nachfolgegeneration.................................................212
7.2.4 Theoretischer Analyseansatz...................................................................................213
7.2.4.1 Schemata-Theorem und implizite Parallelität.........................................................213
7.2.4.2 Schemata-Theorem und Building Blocks...............................................................214
7.2.5 Beispiel zur Optimierung einer einfachen Funktion...............................................217
7.3 Evolutionsstrategien................................................................................................219
7.4 Erweiterungen genetischer Algorithmen................................................................221
7.4.1
7.4.2 Alterung...................................................................................................................222
7.4.3 Verschiedenheit.......................................................................................................223
7.4.4
7.5 Einschätzung genetischer Algorithmen...................................................................224
8 Kombination von Analyseverfahren 225
8.1 Neuronale Netze und genetische Algorithmen.......................................................226
8.1.1 Optimierungsansätze für neuronale Netze..............................................................226
8.1.2 Optimierungspotential bei neuronalen Netzen........................................................227
8.1.2.1 Optimierung der Gewichtsstruktur..........................................................................227
8.1.2.2 Optimierung der Netztopologie..............................................................................228
8.1.2.3 Optimierung der Lernparameter..............................................................................231
8.1.3 Probleme der Evolution neuronaler Netze..............................................................232
8.1.4 Genetische Repräsentationsformen für neuronale Netze........................................235
8.2 Entscheidungsbäume und genetische Algorithmen................................................241
____________________________________________________________________
8.3 Neuro-Fuzzy-Ansätze..............................................................................................243
8.3.1 Einführende Betrachtungen zur Fuzzyfizierung......................................................243
8.3.2 Neuronale Netze und Fuzzy-Systeme.....................................................................247
8.3.2.1 Motivation für die Kombination von neuronalen Netzen und Fuzzy-Ansätzen.....247
8.3.2.2 Darstellung von Neuro-Fuzzy-Systemen................................................................248
8.4 Entscheidungsbäume und neuronale Netze.............................................................255
9 Aggregation zur Data Mining-Architektur 257
9.1 Ausprägung der Data Mining-Architektur..............................................................257
9.2 Abgeleitetes Forschungspotential...........................................................................280
10 Anhang 283
Literaturverzeichnis 283
Abbildungsverzeichnis 301
Tabellenverzeichnis 307
Abkürzungsverzeichnis 309
Symbolverzeichnis . 313
Sachwortverzeichnis 325
Data Mining
Verfahren, Prozesse, Anwendungsarchitektur
In vielen, insbesondere größeren Unternehmen ent¬
stehen in kurzen Zeiträumen
über das Kaufverhalten von Kunden, über Produkte
oder über Informationsbedürfnisse. Diese umfangrei¬
chen Datenbestände beinhalten aufschlussreiche In¬
formationen für Entscheider und erfordern die Anwen¬
dung von anspruchsvollen mathematisch-statistischen
Verfahren, um diese Daten auswerten zu können. Mit
den mathematisch-statistischen Verfahren, die unter
Data Mining-Verfahren zusammengefaßt werden, sind
wertvolle vorverarbeitende aber auch entscheidungs-
unterstützende Datenanalysen möglich.
In diesem Buch wird eine Anwendungsarchitektur
für Data Mining entwickelt. Ein wesentlicher Beitrag
besteht in der systematischen Aufarbeitung von Data-
Mining-Verfahren und deren anwendungsbezogene
Einordnung in die Data Mining-Anwendungsarchitek-
tur (DMA).
|
| any_adam_object | 1 |
| author | Petersohn, Helge |
| author_facet | Petersohn, Helge |
| author_role | aut |
| author_sort | Petersohn, Helge |
| author_variant | h p hp |
| building | Verbundindex |
| bvnumber | BV020033962 |
| classification_rvk | ST 270 ST 530 |
| classification_tum | DAT 703f |
| ctrlnum | (OCoLC)68804746 (DE-599)BVBBV020033962 |
| discipline | Informatik Wirtschaftswissenschaften |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01944nam a2200409 c 4500</leader><controlfield tag="001">BV020033962</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20070515 </controlfield><controlfield tag="007">t|</controlfield><controlfield tag="008">050916s2005 xx d||| |||| 00||| ger d</controlfield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3486577158</subfield><subfield code="9">3-486-57715-8</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783486577150</subfield><subfield code="9">978-3-486-57715-0</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)68804746</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV020033962</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-898</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-210</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-M49</subfield><subfield code="a">DE-945</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-473</subfield><subfield code="a">DE-863</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-525</subfield><subfield code="a">DE-521</subfield><subfield code="a">DE-188</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-B768</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-1102</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 270</subfield><subfield code="0">(DE-625)143638:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 530</subfield><subfield code="0">(DE-625)143679:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 703f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">650</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Petersohn, Helge</subfield><subfield code="e">Verfasser</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Data Mining</subfield><subfield code="b">Verfahren, Prozesse, Anwendungsarchitektur</subfield><subfield code="c">von Helge Petersohn</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">München [u.a.]</subfield><subfield code="b">Oldenbourg</subfield><subfield code="c">2005</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XI, 330 S.</subfield><subfield code="b">graph. Darst.</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="8">1\p</subfield><subfield code="0">(DE-588)4113937-9</subfield><subfield code="a">Hochschulschrift</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UBPassau</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=013355129&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Passau</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=013355129&sequence=000002&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Klappentext</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">cgwrk</subfield><subfield code="d">20201028</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#cgwrk</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-013355129</subfield></datafield></record></collection> |
| genre | 1\p (DE-588)4113937-9 Hochschulschrift gnd-content |
| genre_facet | Hochschulschrift |
| id | DE-604.BV020033962 |
| illustrated | Illustrated |
| indexdate | 2025-02-03T16:57:40Z |
| institution | BVB |
| isbn | 3486577158 9783486577150 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-013355129 |
| oclc_num | 68804746 |
| open_access_boolean | |
| owner | DE-898 DE-BY-UBR DE-1050 DE-210 DE-19 DE-BY-UBM DE-12 DE-91G DE-BY-TUM DE-29T DE-355 DE-BY-UBR DE-M49 DE-BY-TUM DE-945 DE-739 DE-473 DE-BY-UBG DE-863 DE-BY-FWS DE-92 DE-Aug4 DE-860 DE-634 DE-83 DE-11 DE-525 DE-521 DE-188 DE-706 DE-B768 DE-1049 DE-1102 |
| owner_facet | DE-898 DE-BY-UBR DE-1050 DE-210 DE-19 DE-BY-UBM DE-12 DE-91G DE-BY-TUM DE-29T DE-355 DE-BY-UBR DE-M49 DE-BY-TUM DE-945 DE-739 DE-473 DE-BY-UBG DE-863 DE-BY-FWS DE-92 DE-Aug4 DE-860 DE-634 DE-83 DE-11 DE-525 DE-521 DE-188 DE-706 DE-B768 DE-1049 DE-1102 |
| physical | XI, 330 S. graph. Darst. |
| publishDate | 2005 |
| publishDateSearch | 2005 |
| publishDateSort | 2005 |
| publisher | Oldenbourg |
| record_format | marc |
| spellingShingle | Petersohn, Helge Data Mining Verfahren, Prozesse, Anwendungsarchitektur Data Mining (DE-588)4428654-5 gnd |
| subject_GND | (DE-588)4428654-5 (DE-588)4113937-9 |
| title | Data Mining Verfahren, Prozesse, Anwendungsarchitektur |
| title_auth | Data Mining Verfahren, Prozesse, Anwendungsarchitektur |
| title_exact_search | Data Mining Verfahren, Prozesse, Anwendungsarchitektur |
| title_full | Data Mining Verfahren, Prozesse, Anwendungsarchitektur von Helge Petersohn |
| title_fullStr | Data Mining Verfahren, Prozesse, Anwendungsarchitektur von Helge Petersohn |
| title_full_unstemmed | Data Mining Verfahren, Prozesse, Anwendungsarchitektur von Helge Petersohn |
| title_short | Data Mining |
| title_sort | data mining verfahren prozesse anwendungsarchitektur |
| title_sub | Verfahren, Prozesse, Anwendungsarchitektur |
| topic | Data Mining (DE-588)4428654-5 gnd |
| topic_facet | Data Mining Hochschulschrift |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=013355129&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=013355129&sequence=000002&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT petersohnhelge dataminingverfahrenprozesseanwendungsarchitektur |