Data Mining für die industrielle Praxis

Transkript

1 Data Mining für die industrielle Praxis von Ralf Otte, Viktor Otte, Volker Kaiser 1. Auflage Hanser München 2004 Verlag C.H. Beck im Internet: ISBN Zu Leseprobe schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG

2 Vorwort Einführung Warum Data Mining? Definition und Einordnung des Begriffs Was ist Data Mining? Data Mining und andere Datenanalyseverfahren Data Mining Anwendungen in der Industrie Allgemeine Situationsbewertung Datenbankrecherche zum Stand-der-Technik Publikationen aus verschiedenen Industriebereichen Fertigungsindustrie Prozessindustrie Systematik der Data Mining Aufgaben aus Sicht der Industrie Data Mining Anbieter Data Mining Standard Verfahren Der CRISP Data Mining Prozess Datenselektion und Datenzusammenführung Aufbau einer Datentabelle Denormalisierung von Datentabellen Synchronisierung von Datentabellen Datenvorverarbeitung Festlegung der Datentypen Diskretisierung von metrischen Daten Statistiken und Tests für metrische Daten Das Problem ungenauer Messungen Behandlung von Datenlücken Behandlung von Ausreißern Behandlung von Mehrdeutigkeiten Datentransformation Datenanalyse Visuelle Explorative Analysen Überblick über Multivariate Verfahren zur Datenanalyse Regressionsanalyse Varianzanalyse

3 Diskriminanzanalyse Korrelationsanalyse Faktoranalyse Clusteranalyse Einführung in Data Mining Methoden Data Mining zum Auffinden von Zusammenhängen Neuronale Netze Support-Vektor-Maschinen Gütemaße für Modelle und Klassifikatoren Data Mining zum Auffinden von Strukturen Fuzzy-Clusterverfahren Demographisches Clustern Selbstorganisierende Merkmalskarten Gütemaße für Clusterverfahren Data Mining zum Generieren von Regeln Bayessche Netze Entscheidungsbäume Assoziationsregeln Gütemaße für Regeln Data Mining zum Visualisieren hochdimensionaler Datenräume Selbstorganisierende Merkmalskarten für topologieerhaltende Projektionen Gütemaße für Projektionen Zusammenfassung der Data Mining Methoden Interpretation der Ergebnisse Fehlinterpretationen Strittige Interpretationen Anwendbare Interpretationen Weiterführende Verfahren für die Praxis Versuchsplanungen zur Erzeugung von Prozessdaten Überwachte Diskretisierungen Güte und Sicherheit von Regressionsschätzungen Auffinden der sensitiven Einflussgrößen Ausschluss von zufälligen Zusammenhängen Datenbasierte Optimierungen

4 5 Systematik für industrielle Anwendungen Aufgaben und Probleme aus Anwendersicht Identifizierung und Eignung von Data Mining Projekten Methodik zur industriellen Einbindung von Data Mining Projekten Durchführung eines Workshops Kick-off zum Projektbeginn Sichtung der Daten Bestimmung der sensitiven Eingangsgrößen Modellierung und Ergebnisbewertung Vektorielle Optimierung Interpretation und Umsetzung Typische Anwendungsfelder am konkreten Beispiel Hinweise zu den dargestellten Daten und zum Datenschutz Störungsanalysen Ursachen von Instabilitäten in einem Klärwerk Fehlerdetektion im Kraftwerk Kostenreduktion und Effizienzsteigerung Beschleunigung einer Produktentwicklung Ausschussratensenkung in einer diskreten Fertigung Optimierung von chemischen Batchprozessen Unterstützung im kommerziellen Umfeld Kostenreduktion durch optimierten Einkauf Ausnutzung von Cross-Selling-Effekten Finden optimaler Preisschwellen Data Mining für die strategische Unternehmensführung Werkzeuge zur industriellen Datenanalyse Die großen Data Mining Suites Weitere Data Mining Tools für industrielle Analysen Ausblick und mögliche Weiterentwicklungen Verzeichnis verwendeter Formelzeichen und Symbole Definitionen Operatoren Symbole

5 Literaturverzeichnis Literatur aus Datenbankauswertung Stichwortverzeichnis