Zusammenfassung
Data Mining bedeutet buchstäblich Schürfen oder Graben in Daten, wobei das implizite Ziel, wonach „gegraben“wird, Informationen beziehungsweise Wissen sind. Wissen entspricht heute dem Gold nach dem früher gegraben wurde, denn Unternehmen können daraus Umsätze und Gewinne generieren. In Anlehnung an eine der Verwahrungsformen des gelben Metalls werden die Ergebnisse des Data Mining manchmal als Knowledge Nuggets (Wissensbarren) bezeichnet. Die Ergebnisse lassen Muster in Daten erkennen, weswegen Data Mining auch als Datenmustererkennung übersetzt wird. Der Umstand, dass nach Informationen gegraben werden muss, entsteht dadurch, dass heute über viele Vorgänge des täglichen Lebens so viele Daten gespeichert werden, dass die Sicht auf interessante Beziehungen zwischen den Daten verdeckt bleiben kann. Der Begriff Data Mining wurde zuerst in der Statistik, in der Datenbeziehungen analysiert werden, und in der Forschung zu Datenbankmanagementsystemen, wo man sich mit der Behandlung großer Datenbestände beschäftigt, verwendet. In beiden Fällen dachte man dabei hauptsächlich an Algorithmen und Computerprogramme, mit denen die Beziehungen zwischen den betrachteten Daten, die Datenmuster, ermittelt werden konnten.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Alpar, P. et al.: „Anwendungsorientierte Wirtschaftsinformatik“, Vieweg, Braunschweig, Wiesbaden 2000.
Brachman, R. J. et al.: „Mining Business Databases“, Communications of the ACM, Vol. 39 (11), Nov. 1996, 42–48.
Chamoni, P.: „Ausgewählte Verfahren des Data Mining“ in Analytische Informationssysteme, Chamoni, P.; Gluchowski, P. (Hrsg.), Springer, Berlin u.a. 1998, 301–320.
Codd, E. F. & Associates: „Providing OLAP (On-line Analytical Processing) to User-Analysts — An IT-Mandate”, Whitepaper, o. O.A. 1993.
Cooley, R.; Mobasher, B. et al.: „Web Mining: Information and Pattern Discovery on the World Wide Web“, in Proceedings of the 9th IEEE Int. Conf. on Tools with Artificial Intelligence (ICTAI), Nov. 1997.
Fayyad, U. et al.: „From Data Mining to Knowledge Discovery in Databases“, AI Magazine, Fall 1996a, 37–51.
Fayyad, U. et al.: „From Data Mining to Knowledge Discovery: An Overview.“, in: Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P.; Uthurusamy, R. (Hrsg.), „Advances in Knowledge Discovery and Data Mining“, Menlo Park, Cal., AAAI Press, 1996b, 1–30.
Feldman, R.; Dagan, I.: „Knowledge Discovery in Textual Databases (KDT)”, in: Proceedings of the 1st International Conference on Knowledge Discovery (KDD-95), Montreal 1995, 112–117.
Gartner Group (1999): „The 1999 Magic Quadrant on Data Mining Workbenches”, Research Note M-08–6031, Stamford 1999.
Gaul, W.; Schader, M.: „Data Mining: A New Label for an Old Problem“, in: „Matematische Methoden der Wirtschaftswissenschaften“, Physica-Verlag, Heidelberg 1999.
Hagedorn, J. et al.: „Data Mining (Datenmustererkennung): Stand der Forschung und Entwicklung“, Wirtschafisinformatik 39 (1997) 6, 601–612.
Hartung, J.: „Statistik“, Oldenbourg Verlag, München, Wien 1999.
Heckermann, D. et al.: Learning Bayesian Networks: The Combination of Knowledge and Statistical Data, Machine Learning, Vol. 20, 1995, 197–243.
Miller, N.: “Neuronale Netze im Devisenhandeleinsatz”, Universität Mannheim, 1995.
Müller, M.; Hausdorf, C.; Schneeberger, J.: „Zur Interessantheit bei der Entdeckung von Wissen in Datenbanken“, in: Nakhaeizadeh, Gh. (Hrsg.) „Data Mining — Theoretische Aspekte und Anwendungen“, Physica, Heidelberg 1998, 248–264.
Pendse, N.: „What is OLAP?”, in: „The OLAP Report”, http://www.olapreport.com, Abruf am 10.5.2000.
Piatetsky-Shapiro, G.: „Knowledge Discovery“ in: „Real Databases: A Report on the IJCAI-89 Workshop“, AI Magazine 11 (5), 68–70.
Poe, V.: „Building a Data Warehouse for Decision Support“, Upper Saddle River 1995.
Schinzer, H. et al.: „Data Warehouse und Data Mining — Marktführende Produkte im Vergleich“, 2. Aufl., Vahlen 1999.
The OLAP — Council: „OLAP and OLAP Server Definitions”, Whitepaper, San Francisco 1998.
Author information
Authors and Affiliations
Editor information
Rights and permissions
Copyright information
© 2000 Friedr. Vieweg & Sohn Verlagsgesellschaft mbH, Braunschweig/Wiesbaden
About this chapter
Cite this chapter
Alpar, P., Niedereichholz, J. (2000). Einführung zu Data Mining. In: Alpar, P., Niedereichholz, J. (eds) Data Mining im praktischen Einsatz. Business Computing. Vieweg+Teubner Verlag. https://doi.org/10.1007/978-3-322-89950-7_1
Download citation
DOI: https://doi.org/10.1007/978-3-322-89950-7_1
Publisher Name: Vieweg+Teubner Verlag
Print ISBN: 978-3-528-05748-0
Online ISBN: 978-3-322-89950-7
eBook Packages: Springer Book Archive