Data Mining mit genetischen Algorithmen - Eine theoretische und empirische Untersuchung ausgewählter Aufgabenstellungen
5 Angebote vergleichen

Lieferung aus: Deutschland, E-Book zum Download.
Inhaltsangabe:Einleitung:System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[].

Lieferung aus: Deutschland, zzgl. Versandkosten, Sofort per Download lieferbar.
Diplomarbeit aus dem Jahr 2001 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,3, Rheinisch-Westfälische Technische Hochschule Aachen (Betriebswirtschaftslehre), Sprache: Deutsch, Inhaltsangabe:Einleitung:Data Mining (DM) ist ein Oberbegriff für eine Reihe von Verfahren, die zur automatischen Gewinnung von Informationen aus großen Datenmengen dienen. Genetische Algorithmen (GA) sind Such- und Optimierungsverfahren, die in Analogie zur biologischen Evolution arbeiten und für DM-Aufgaben eingesetzt werden können. Dies geschieht bislang nur sporadisch und an untergeordneter Stelle. Die steigende Verfügbarkeit leistungsstarker Hardware und paralleler Systemarchitekturen machen die Benutzung von GA aber auch für die routinemäßig anfallenden Aufgaben der Datenanalyse immer interessanter.Das Ziel der Arbeit ist die Untersuchung von GA als Lösungsverfahren für typische DM-Aufgaben der Unternehmenspraxis.Dazu wird zum einen die prinzipielle Vorgehensweise beim Erfüllen von DM-Aufgaben mit GA diskutiert. Eine Analyse von DM-Aufgaben führt darüber hinaus zu einer Systematisierung in mehrere Aufgaben-Klassen, die sich hinsichtlich ihrer Relevanz für unternehmerische Fragestellungen unterscheiden. Für die wichtigsten dieser Klassen werden konkrete GA-Konfigurationen vorgeschlagen und anschließend anhand von Beispieldaten in mehreren Experimenten erprobt, um auf empirischem Wege Hinweise auf ihre Brauchbarkeit zu gewinnen.Dem potentiellen Benutzer werden die Potentiale von GA zum DM verdeutlicht und darüber hinaus Hilfestellungen gegeben, die eine praktische Anwendung dieser Methode erleichtern.Inhaltsverzeichnis:Inhaltsverzeichnis:1.Einleitung11.1Motivation11.2Problemstellung21.3Gang der Untersuchung22.Data Mining - Grundlagen und Methoden32.1Formalisierungen32.2Begriffsabgrenzung42.3Einflussfaktoren für die Methodenwahl62.4Unterschiedliche Daten62.5Unterschiedliche Ziele72.5.1Übersicht72.5.2Ableitungsvorschriften82.5.3Verknüpfungsregeln102.5.4Segmentierung132.5.5Datenbeschreibung142.6Ausgewählte Verfahren des Data Mining152.6.1Übersicht152.6.2Market Basket Analysis162.6.3Regelinduktion182.6.4Case-based Reasoning202.6.5Neuronale Netze222.6.6Bayes-Netze242.6.7Rough Set Theory262.6.8Explorative Datenanalyse272.7Logische Grenzen der Aussagefähigkeit entdeckter Muster283.Genetische Algorithmen303.1Überblick303.2Parallelen zur Evolutionstheorie323.3Problemrepräsentation333.3.1Bitkodierung333.3.2Andere Kodierungsmöglichkeiten353.3.3Suchraum und Fitnesslandschaft363.4Populationen383.4.1Populationsgröße383.4.2Initialisierungsstrategie393.4.3Generationsersetzung393.4.4Populationsstruktur403.5Fitneßfunktion413.6Selektion423.7Genetische Operatoren433.7.1Crossover433.7.2Mutation463.7.3Parametersetzung483.8Abbruchkriterium493.9Weitergehende Varianten genetischer Algorithmen493.9.1Parallele genetische Algorithmen493.9.2Hybride genetische Algorithmen503.10Theoretischer Hintergrund514.Genetische Algorithmen zur Lösung typischer Data-Mining-Aufgaben544.1Gründe für die Benutzung von GA544.2Prinzipielle Vorgehensweise554.3Systematisierung von DM-Aufgaben584.4Konfigurationen für ausgewählte Aufgabenstellungen594.4.1Relevante Aufgabenstellungen594.4.2Konfigurationsempfehlungen614.4.2.1Generelle Überlegungen614.4.2.2Konfigurationsempfehlungen für Suchproblem I624.4.2.3Konfigurationsempfehlungen für Suchproblem II684.4.2.4Konfigurationsempfehlungen für Suchproblem IV694.4.2.5Konfigurationsempfehlungen für Suchproblem VII704.4.2.6Konfigurationsempfehlungen für Suchproblem VIII725.Empirische Tests der Konfigurationsvorschläge735.1Untersuchungsaufbau735.1.1Leistungsmessung735.1.2Versuchsdaten745.1.3Versuchsumgebung755.2Aggregierte Versuchsergebnisse765.3Interpretation der Ergebnisse786.Fazit und Ausblick80.

Lieferung aus: Schweiz, zzgl. Versandkosten, Sofort per Download lieferbar.
Diplomarbeit aus dem Jahr 2001 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,3, Rheinisch-Westfälische Technische Hochschule Aachen (Betriebswirtschaftslehre), Sprache: Deutsch, Inhaltsangabe:Einleitung:Data Mining (DM) ist ein Oberbegriff für eine Reihe von Verfahren, die zur automatischen Gewinnung von Informationen aus grossen Datenmengen dienen. Genetische Algorithmen (GA) sind Such- und Optimierungsverfahren, die in Analogie zur biologischen Evolution arbeiten und für DM-Aufgaben eingesetzt werden können. Dies geschieht bislang nur sporadisch und an untergeordneter Stelle. Die steigende Verfügbarkeit leistungsstarker Hardware und paralleler Systemarchitekturen machen die Benutzung von GA aber auch für die routinemässig anfallenden Aufgaben der Datenanalyse immer interessanter.Das Ziel der Arbeit ist die Untersuchung von GA als Lösungsverfahren für typische DM-Aufgaben der Unternehmenspraxis.Dazu wird zum einen die prinzipielle Vorgehensweise beim Erfüllen von DM-Aufgaben mit GA diskutiert. Eine Analyse von DM-Aufgaben führt darüber hinaus zu einer Systematisierung in mehrere Aufgaben-Klassen, die sich hinsichtlich ihrer Relevanz für unternehmerische Fragestellungen unterscheiden. Für die wichtigsten dieser Klassen werden konkrete GA-Konfigurationen vorgeschlagen und anschliessend anhand von Beispieldaten in mehreren Experimenten erprobt, um auf empirischem Wege Hinweise auf ihre Brauchbarkeit zu gewinnen.Dem potentiellen Benutzer werden die Potentiale von GA zum DM verdeutlicht und darüber hinaus Hilfestellungen gegeben, die eine praktische Anwendung dieser Methode erleichtern.Inhaltsverzeichnis:Inhaltsverzeichnis:1.Einleitung11.1Motivation11.2Problemstellung21.3Gang der Untersuchung22.Data Mining - Grundlagen und Methoden32.1Formalisierungen32.2Begriffsabgrenzung42.3Einflussfaktoren für die Methodenwahl62.4Unterschiedliche Daten62.5Unterschiedliche Ziele72.5.1Übersicht72.5.2Ableitungsvorschriften82.5.3Verknüpfungsregeln102.5.4Segmentierung132.5.5Datenbeschreibung142.6Ausgewählte Verfahren des Data Mining152.6.1Übersicht152.6.2Market Basket Analysis162.6.3Regelinduktion182.6.4Case-based Reasoning202.6.5Neuronale Netze222.6.6Bayes-Netze242.6.7Rough Set Theory262.6.8Explorative Datenanalyse272.7Logische Grenzen der Aussagefähigkeit entdeckter Muster283.Genetische Algorithmen303.1Überblick303.2Parallelen zur Evolutionstheorie323.3Problemrepräsentation333.3.1Bitkodierung333.3.2Andere Kodierungsmöglichkeiten353.3.3Suchraum und Fitnesslandschaft363.4Populationen383.4.1Populationsgrösse383.4.2Initialisierungsstrategie393.4.3Generationsersetzung393.4.4Populationsstruktur403.5Fitnessfunktion413.6Selektion423.7Genetische Operatoren433.7.1Crossover433.7.2Mutation463.7.3Parametersetzung483.8Abbruchkriterium493.9Weitergehende Varianten genetischer Algorithmen493.9.1Parallele genetische Algorithmen493.9.2Hybride genetische Algorithmen503.10Theoretischer Hintergrund514.Genetische Algorithmen zur Lösung typischer Data-Mining-Aufgaben544.1Gründe für die Benutzung von GA544.2Prinzipielle Vorgehensweise554.3Systematisierung von DM-Aufgaben584.4Konfigurationen für ausgewählte Aufgabenstellungen594.4.1Relevante Aufgabenstellungen594.4.2Konfigurationsempfehlungen614.4.2.1Generelle Überlegungen614.4.2.2Konfigurationsempfehlungen für Suchproblem I624.4.2.3Konfigurationsempfehlungen für Suchproblem II684.4.2.4Konfigurationsempfehlungen für Suchproblem IV694.4.2.5Konfigurationsempfehlungen für Suchproblem VII704.4.2.6Konfigurationsempfehlungen für Suchproblem VIII725.Empirische Tests der Konfigurationsvorschläge735.1Untersuchungsaufbau735.1.1Leistungsmessung735.1.2Versuchsdaten745.1.3Versuchsumgebung755.2Aggregierte Versuchsergebnisse765.3Interpretation der Ergebnisse786.Fazit und Ausblick80.

Lieferung aus: Schweiz, zzgl. Versandkosten, Sofort per Download lieferbar.
Diplomarbeit aus dem Jahr 2001 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,3, Rheinisch-Westfälische Technische Hochschule Aachen (Betriebswirtschaftslehre), Sprache: Deutsch, Inhaltsangabe:Einleitung:Data Mining (DM) ist ein Oberbegriff für eine Reihe von Verfahren, die zur automatischen Gewinnung von Informationen aus grossen Datenmengen dienen. Genetische Algorithmen (GA) sind Such- und Optimierungsverfahren, die in Analogie zur biologischen Evolution arbeiten und für DM-Aufgaben eingesetzt werden können. Dies geschieht bislang nur sporadisch und an untergeordneter Stelle. Die steigende Verfügbarkeit leistungsstarker Hardware und paralleler Systemarchitekturen machen die Benutzung von GA aber auch für die routinemässig anfallenden Aufgaben der Datenanalyse immer interessanter.Das Ziel der Arbeit ist die Untersuchung von GA als Lösungsverfahren für typische DM-Aufgaben der Unternehmenspraxis.Dazu wird zum einen die prinzipielle Vorgehensweise beim Erfüllen von DM-Aufgaben mit GA diskutiert. Eine Analyse von DM-Aufgaben führt darüber hinaus zu einer Systematisierung in mehrere Aufgaben-Klassen, die sich hinsichtlich ihrer Relevanz für unternehmerische Fragestellungen unterscheiden. Für die wichtigsten dieser Klassen werden konkrete GA-Konfigurationen vorgeschlagen und anschliessend anhand von Beispieldaten in mehreren Experimenten erprobt, um auf empirischem Wege Hinweise auf ihre Brauchbarkeit zu gewinnen.Dem potentiellen Benutzer werden die Potentiale von GA zum DM verdeutlicht und darüber hinaus Hilfestellungen gegeben, die eine praktische Anwendung dieser Methode erleichtern.Inhaltsverzeichnis:Inhaltsverzeichnis:1.Einleitung11.1Motivation11.2Problemstellung21.3Gang der Untersuchung22.Data Mining - Grundlagen und Methoden32.1Formalisierungen32.2Begriffsabgrenzung42.3Einflussfaktoren für die Methodenwahl62.4Unterschiedliche Daten62.5Unterschiedliche Ziele72.5.1Übersicht72.5.2Ableitungsvorschriften82.5.3Verknüpfungsregeln102.5.4Segmentierung132.5.5Datenbeschreibung142.6Ausgewählte Verfahren des Data Mining152.6.1Übersicht152.6.2Market Basket Analysis162.6.3Regelinduktion182.6.4Case-based Reasoning202.6.5Neuronale Netze222.6.6Bayes-Netze242.6.7Rough Set Theory262.6.8Explorative Datenanalyse272.7Logische Grenzen der Aussagefähigkeit entdeckter Muster283.Genetische Algorithmen303.1Überblick303.2Parallelen zur Evolutionstheorie323.3Problemrepräsentation333.3.1Bitkodierung333.3.2Andere Kodierungsmöglichkeiten353.3.3Suchraum und Fitnesslandschaft363.4Populationen383.4.1Populationsgrösse383.4.2Initialisierungsstrategie393.4.3Generationsersetzung393.4.4Populationsstruktur403.5Fitnessfunktion413.6Selektion423.7Genetische Operatoren433.7.1Crossover433.7.2Mutation463.7.3Parametersetzung483.8Abbruchkriterium493.9Weitergehende Varianten genetischer Algorithmen493.9.1Parallele genetische Algorithmen493.9.2Hybride genetische Algorithmen503.10Theoretischer Hintergrund514.Genetische Algorithmen zur Lösung typischer Data-Mining-Aufgaben544.1Gründe für die Benutzung von GA544.2Prinzipielle Vorgehensweise554.3Systematisierung von DM-Aufgaben584.4Konfigurationen für ausgewählte Aufgabenstellungen594.4.1Relevante Aufgabenstellungen594.4.2Konfigurationsempfehlungen614.4.2.1Generelle Überlegungen614.4.2.2Konfigurationsempfehlungen für Suchproblem I624.4.2.3Konfigurationsempfehlungen für Suchproblem II684.4.2.4Konfigurationsempfehlungen für Suchproblem IV694.4.2.5Konfigurationsempfehlungen für Suchproblem VII704.4.2.6Konfigurationsempfehlungen für Suchproblem VIII725.Empirische Tests der Konfigurationsvorschläge735.1Untersuchungsaufbau735.1.1Leistungsmessung735.1.2Versuchsdaten745.1.3Versuchsumgebung755.2Aggregierte Versuchsergebnisse765.3Interpretation der Ergebnisse786.Fazit und Ausblick80.

Lieferung aus: Deutschland, zzgl. Versandkosten, Sofort lieferbar (Download).
Die Beschreibung dieses Angebotes ist von geringer Qualität oder in einer Fremdsprache. Trotzdem anzeigen