Data mining: praktische Werkzeuge und Techniken für das maschinelle Lernen
Gespeichert in:
| Hauptverfasser: | , |
|---|---|
| Format: | Buch |
| Sprache: | German English |
| Veröffentlicht: |
München [u.a.]
Hanser
2001
|
| Schlagworte: | |
| Online-Zugang: | Inhaltsverzeichnis |
| Beschreibung: | Literaturverzeichnis Seite [369]-379 |
| Beschreibung: | XIX, 386 S. Ill., graph. Darst. |
| ISBN: | 3446215336 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV013509496 | ||
| 003 | DE-604 | ||
| 005 | 20230512 | ||
| 007 | t | ||
| 008 | 001219s2001 gw ad|| |||| 00||| ger d | ||
| 016 | 7 | |a 960311416 |2 DE-101 | |
| 020 | |a 3446215336 |c kart. |9 3-446-21533-6 | ||
| 035 | |a (OCoLC)76221692 | ||
| 035 | |a (DE-599)BVBBV013509496 | ||
| 040 | |a DE-604 |b ger |e rakddb | ||
| 041 | 1 | |a ger |h eng | |
| 044 | |a gw |c DE | ||
| 049 | |a DE-1049 |a DE-20 |a DE-12 |a DE-859 |a DE-91 |a DE-91G |a DE-M49 |a DE-824 |a DE-898 |a DE-355 |a DE-1102 |a DE-29T |a DE-860 |a DE-384 |a DE-863 |a DE-862 |a DE-Aug4 |a DE-1051 |a DE-92 |a DE-861 |a DE-M347 |a DE-739 |a DE-522 |a DE-526 |a DE-634 |a DE-11 | ||
| 084 | |a QH 500 |0 (DE-625)141607: |2 rvk | ||
| 084 | |a QP 345 |0 (DE-625)141866: |2 rvk | ||
| 084 | |a ST 270 |0 (DE-625)143638: |2 rvk | ||
| 084 | |a ST 285 |0 (DE-625)143648: |2 rvk | ||
| 084 | |a ST 530 |0 (DE-625)143679: |2 rvk | ||
| 084 | |a DAT 450f |2 stub | ||
| 084 | |a 004 |2 sdnb | ||
| 084 | |a DAT 708f |2 stub | ||
| 100 | 1 | |a Witten, Ian H. |d 1947- |e Verfasser |0 (DE-588)138440166 |4 aut | |
| 240 | 1 | 0 | |a Data mining |
| 245 | 1 | 0 | |a Data mining |b praktische Werkzeuge und Techniken für das maschinelle Lernen |c Ian H. Witten ; Eibe Frank |
| 264 | 1 | |a München [u.a.] |b Hanser |c 2001 | |
| 300 | |a XIX, 386 S. |b Ill., graph. Darst. | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 500 | |a Literaturverzeichnis Seite [369]-379 | ||
| 650 | 0 | 7 | |a Java |g Programmiersprache |0 (DE-588)4401313-9 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Data Mining |0 (DE-588)4428654-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Weka 3 |0 (DE-588)1126597503 |2 gnd |9 rswk-swf |
| 651 | 7 | |a Java |0 (DE-588)4028527-3 |2 gnd |9 rswk-swf | |
| 689 | 0 | 0 | |a Data Mining |0 (DE-588)4428654-5 |D s |
| 689 | 0 | 1 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |D s |
| 689 | 0 | 2 | |a Weka 3 |0 (DE-588)1126597503 |D s |
| 689 | 0 | |8 1\p |5 DE-604 | |
| 689 | 1 | 0 | |a Data Mining |0 (DE-588)4428654-5 |D s |
| 689 | 1 | 1 | |a Java |0 (DE-588)4028527-3 |D g |
| 689 | 1 | |8 2\p |5 DE-604 | |
| 689 | 2 | 0 | |a Data Mining |0 (DE-588)4428654-5 |D s |
| 689 | 2 | 1 | |a Java |g Programmiersprache |0 (DE-588)4401313-9 |D s |
| 689 | 2 | |8 3\p |5 DE-604 | |
| 700 | 1 | |a Frank, Eibe |e Verfasser |0 (DE-588)122539044 |4 aut | |
| 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=009222713&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 999 | |a oai:aleph.bib-bvb.de:BVB01-009222713 | ||
| 883 | 1 | |8 1\p |a cgwrk |d 20201028 |q DE-101 |u https://d-nb.info/provenance/plan#cgwrk | |
| 883 | 1 | |8 2\p |a cgwrk |d 20201028 |q DE-101 |u https://d-nb.info/provenance/plan#cgwrk | |
| 883 | 1 | |8 3\p |a cgwrk |d 20201028 |q DE-101 |u https://d-nb.info/provenance/plan#cgwrk | |
Datensatz im Suchindex
| DE-BY-862_location | 2000 |
|---|---|
| DE-BY-863_location | 1000 |
| DE-BY-FWS_call_number | 1000/ST 530 W829 2000/ST 270 W829 |
| DE-BY-FWS_katkey | 183481 |
| DE-BY-FWS_media_number | 083100698309 083000340635 |
| _version_ | 1806176154974945280 |
| adam_text | Inhalt
Vorwort..................................................... xiii
1 Worum geht es? .........................................
1.1 Data Mining und maschinelles Lernen ......................... 2
Beschreibung strukturierter Muster .......................... 4
Maschinelles Lernen ...................................... 5
Data Mining............................................ 7
1.2 Einfache Beispiele: Das Wetterproblem und andere ............... 8
Das Wetterproblem ....................................... 9
Kontaktlinsen: Ein idealisiertes Problem ...................... 11
Iris: Eine klassische numerische Datenmenge .................. 14
CPU-Leistung: Einfuhrung in numerische Vorhersagen .......... 15
Tarifverhandlungen: Ein realistischeres Beispiel ................ 16
Sojabohnen-Klassifizierung: Ein Erfolg des klassischen
maschinellen Lernens ..................................... 19
1.3 Anwendungen in der Praxis .................................. 21
Entscheidungen durch Beurteilungen ........................ 22
Bildanalyse.............................................. 23
Lastabschätzung ......................................... 24
Diagnose ............................................... 25
Marketing und Verkauf.................................... 26
1.4 Maschinelles Lernen und Statistik ............................. 28
1.5 Generalisierung als Suche.................................... 29
Auflistung des Konzeptraums ............................... 31
Bias
Sprach-Bias ............................................. 32
Such-Bias................................................ 33
Bias
1.6 Data Mining und Ethik ..................................... 35
1.7 Weiterführende Literatur .................................... 37
VI
2 Eingaben: Konzepte, Instanzen, Attribute ................. 41
2.1 Was ist ein Konzept? ........................................ 42
2.2 Was enthält ein Beispiel? .................................... 45
2.3 Was enthält ein Attribut? .................................... 49
2.4 Aufbereitung der Eingaben................................... 52
Sammeln der Daten ...................................... 53
Das ARFF-Format ........................................ 54
Attributtypen ........................................... 55
Fehlende Werte .......................................... 57
Ungenaue Werte ......................................... 58
Lernen Sie Ihre Daten kennen.............................. 59
2.5 Weiterführende Literatur .................................... 60
3 Ausgabe: Wissensdarstellung ........................... 61
3.1 Entscheidungstabellen ...................................... 61
3.2 Entscheidungsbäume ....................................... 62
3.3 Klassifikationsregeln ........................................ 63
3.4 Assoziationsregeln ......................................... 67
3.5 Regem mit Ausnahmen ..................................... 69
3.6 Regeln mit Relationen ...................................... 72
3.7 Bäume für numerische Vorhersagen ........................... 74
3.8 Instanzbasierte Darstellung .................................. 76
3.9
3.10 Weiterführende Literatur .................................... 81
4 Algorithmen: Die grundlegenden Methoden .............. 83
4.1 Ableitung elementarer Regem ................................ 84
Fehlende Werte und numerische Attribute .................... 85
Diskussion .............................................. 88
4.2 Statistische Modellierung .................................... 88
Fehlende Werte und numerische Attribute .................... 92
Diskussion .............................................. 95
Inhalt_________________________________________________________________
4.3
Berechnung des Informationsmaßes ......................... 99
Attribute mit vielen Verzweigungen .......................... 101
Diskussion .............................................. 104
4.4 Abdeckungs-Algorithmen: die Konstruktion von Regem ........... 104
Regeln oder Bäume? ...................................... 105
Ein einfacher Abdeckungs-Algorithmus....................... 106
Regem oder Entscheidungslisten? ............................ 111
4.5 Erzeugen von Assoziationsregem.............................. 112
Gegenstandsmengen ...................................... 112
Assoziationsregeln........................................ 113
Regem effizient generieren ................................. 117
Diskussion .............................................. 119
4.6 Lineare Modelle ........................................... 120
Numerische Vorhersagen .................................. 120
Klassifikation............................................ 121
Diskussion .............................................. 122
4.7 Instanzbasiertes Lernen ..................................... 123
Die Distanzfunktion ...................................... 123
Diskussion .............................................. 124
4.8 Weiterführende Literatur .................................... 125
5 Glaubwürdigkeit Auswertung des Gelernten ............. 127
5.1 Trainieren und Testen ....................................... 128
5.2 Leistungsvorhersage ........................................ 131
5.3 Kreuzvalidierung .......................................... 133
5.4 Andere Schätzverfahren ..................................... 136
Leave-one-out ........................................... 136
Bootstrap
5.5 Data Mining-Verfahren im Vergleich........................... 138
5.6 Vorhersage von Wahrscheinlichkeiten.......................... 142
Quadratische Verlustfunktion............................... 143
Informatorische Verlustranktion............................ 144
Diskussion .............................................. 145
Vlij
5.7 Die Kosten................................................ 146
Steigerungsdiagramme .................................... 148
ROC-Kurven ............................................ 151
Berücksichtung der Lernkosten ............................. 154
Diskussion .............................................. 155
5.8 Auswertung numerischer Vorhersagen ......................... 157
5.9 Das Prinzip der minimalen Beschreibungslänge .................. 161
5.10 Anwendung des MDL-Prinzips auf das
5.11 Weiterführende Literatur .................................... 166
6 Implementierungen: Maschinelles Lernen
in der Praxis ............................................
6.1 Entscheidungsbäume ....................................... 171
Numerische Attribute ..................................... 171
Fehlende Werte .......................................... 173
Pruning
Abschätzung der Fehlerrate ................................ 177
Komplexität der Entscheidungsbaum-Induktion ............... 180
Von Bäumen zu Regem.................................... 181
C4.5: Auswahlmöglichkeiten und Optionen ................... 182
Diskussion .............................................. 183
6.2 Klassifikationsregem ........................................ 184
Kriterien für die Auswahl von Auswertungen .................. 184
Fehlende Werte, numerische Attribute ........................ 186
Gute Regeln, schlechte Regeln .............................. 187
Gute Regem erzeugen ..................................... 188
Gute Entscheidungslisten erzeugen .......................... 190
Wahrscheinlichkeitswert zur Regelevaluation .................. 191
Regem mit einer Testmenge evaluieren ....................... 193
Regem aus partiellen Bäumen entnehmen ..................... 196
Regeln mit Ausnahmen.................................... 200
Diskussion .............................................. 203
6.3 Erweiterung der linearen Klassifikation: Support-Vektor-Maschinen .. 204
Die maximal diskriminierende Hyperebene ................... 206
Nichtlineare Klassengrenzen................................ 208
Diskussion .............................................. 209
Inhalt_________________________________________________________________
6.4 Instanzbasiertes Lernen ..................................... 210
Zahl der Exemplare verringern .............................. 210
Verrauschte Exemplare beschneiden ......................... 211
Attribute gewichten....................................... 213
Exemplare generalisieren .................................. 214
Distanzranktionen für generalisierte Exemplare ................ 215
Generalisierte Distanzfunktionen............................ 217
Diskussion .............................................. 217
6.5 Numerische Vorhersage..................................... 219
Modellbäume ........................................... 220
Den Baum aufbauen...................................... 221
Den Baum beschneiden ................................... 221
Nominale Attribute ....................................... 222
Fehlende Werte .......................................... 223
Pseudocode
Lokal gewichtete lineare Regression .......................... 227
Diskussion .............................................. 228
6.6
Iteratives distanzbasiertes
Inkrementelles
Kategorienützlichkeit ..................................... 236
Wahrscheinlichkeitsbasiertes
Der EM-Algorithmus ..................................... 241
Das Mischungsmodell erweitern ............................ 243
Bayessches
Diskussion .............................................. 247
7 Es geht weiter:
Aufbereitung der Ein- und Ausgabe ...................... 249
7.1 Attributauswahl ........................................... 252
Verfahrensunabhängige Auswahl ............................ 254
Durchsuchen des Attributraums ............................ 255
Verfahrensspezifische Auswahl .............................. 257
7.2
Unüberwachte
Entropie-basierte
Weitere Methoden der Diskretisierung ....................... 265
Entropiebasierte und fehlerbasierte Diskretisierung im Vergleich ... 266
Diskrete in numerische Attribute umwandeln .................. 268
X
7.3 Automatische Datensäuberung ............................... 269
Entscheidungsbäume verbessern ............................ 269
Robuste Regression ....................................... 270
Anomalien entdecken..................................... 272
7.4 Kombination mehrerer Modelle.............................. 273
Bagging
Boosting
Stacking
Fehlerkorrigierende Ausgabecodes........................... 284
7.5 Weiterführende Literatur................................___ 287
8 Nägel mit Köpfen:
Algorithmen des maschinellen Lernens in Java........... 291
8.1 Die ersten Schritte......................................... 293
8.2 Javadoc und die Klassenbibliothek.........................___ 298
Klassen, Instanzen und
Das wekaxore-Package.................................... 299
Das wekaxlassifiers-Package ................................ 300
Andere
Indizes ................................................. 303
8.3 Datenmengen mit maschinellen Lernprogrammen verarbeiten ...... 304
M5 verwenden .......................................... 304
Allgemeine Optionen ..................................... 306
Verfahrensspezifische Optionen ............................. 309
Klassifizierer ............................................ 310
Metalernverfahren........................................ 314
Klter .................................................. 317
Assoziationsregem___.................................... 322
Clustering
8.4 Eingebettetes maschineHes Lernen ............................. 326
Ein einfacher Nachrichten-Klassifizierer ...................... 326
Main()................................................. 328
MessageClassifierQ....................................... 328
UpdateModelQ.......................................... 333
ClassifyMessageQ......................................... 334
8.5 Neue Lernverfahren schreiben................................ 335
Ein Beispielklassifizierer ___............................... 336
BuildClassifierQ.......................................... 336
Inhalt___________________________________________________________Xl
MakeTreeQ.............................................. 336
ComputelnfoGainQ..................................___ 341
ClassifylnstanceO........................................ 342
MainQ.........................___.................... 342
Konventionen zur Implementierung von Klassifizierern.......... 343
Das Schreiben von Filtern.................................. 344
Ein Beispielfilter......................................... 346
Konventionen für das Schreiben von Filtern................... 350
9 Bück nach vorn...................................___.. 351
9.1 Lernen aus sehr großen Datenmengen......................... 352
9.2 Visualisierung von maschinellem Lernen ___................... 355
Visualisierung der Eingabe................................. 355
Visualisierung der Ausgabe................................. 357
9.3 Das Einbinden von Domänenwissen........................... 359
9.4 Text Mining___........................................... 362
Schlüsselworte in Dokumenten finden........................ 362
Informationen aus Fließtext entnehmen ..___..........___.. 364
Soft-Parsing
9.5 Mining im World Wide Web................................. 367
9.6 Weiterführende Literatur.................................... 367
Literatur.............................................,...... 369
Stichwortverzeichnis........................................ 381
|
| any_adam_object | 1 |
| author | Witten, Ian H. 1947- Frank, Eibe |
| author_GND | (DE-588)138440166 (DE-588)122539044 |
| author_facet | Witten, Ian H. 1947- Frank, Eibe |
| author_role | aut aut |
| author_sort | Witten, Ian H. 1947- |
| author_variant | i h w ih ihw e f ef |
| building | Verbundindex |
| bvnumber | BV013509496 |
| classification_rvk | QH 500 QP 345 ST 270 ST 285 ST 530 |
| classification_tum | DAT 450f DAT 708f |
| ctrlnum | (OCoLC)76221692 (DE-599)BVBBV013509496 |
| discipline | Informatik Wirtschaftswissenschaften |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02789nam a22006378c 4500</leader><controlfield tag="001">BV013509496</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20230512 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">001219s2001 gw ad|| |||| 00||| ger d</controlfield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">960311416</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3446215336</subfield><subfield code="c">kart.</subfield><subfield code="9">3-446-21533-6</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)76221692</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV013509496</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rakddb</subfield></datafield><datafield tag="041" ind1="1" ind2=" "><subfield code="a">ger</subfield><subfield code="h">eng</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">DE</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-1049</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-91</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-M49</subfield><subfield code="a">DE-824</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-384</subfield><subfield code="a">DE-863</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-861</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-522</subfield><subfield code="a">DE-526</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-11</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QH 500</subfield><subfield code="0">(DE-625)141607:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QP 345</subfield><subfield code="0">(DE-625)141866:</subfield><subfield code="2">rvk</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 285</subfield><subfield code="0">(DE-625)143648:</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 450f</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">DAT 708f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Witten, Ian H.</subfield><subfield code="d">1947-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)138440166</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Data mining</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Data mining</subfield><subfield code="b">praktische Werkzeuge und Techniken für das maschinelle Lernen</subfield><subfield code="c">Ian H. Witten ; Eibe Frank</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">München [u.a.]</subfield><subfield code="b">Hanser</subfield><subfield code="c">2001</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XIX, 386 S.</subfield><subfield code="b">Ill., 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="500" ind1=" " ind2=" "><subfield code="a">Literaturverzeichnis Seite [369]-379</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Java</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4401313-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</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="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Weka 3</subfield><subfield code="0">(DE-588)1126597503</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="651" ind1=" " ind2="7"><subfield code="a">Java</subfield><subfield code="0">(DE-588)4028527-3</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</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="1"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Weka 3</subfield><subfield code="0">(DE-588)1126597503</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="8">1\p</subfield><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" 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="1" ind2="1"><subfield code="a">Java</subfield><subfield code="0">(DE-588)4028527-3</subfield><subfield code="D">g</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="8">2\p</subfield><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="2" 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="2" ind2="1"><subfield code="a">Java</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4401313-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2=" "><subfield code="8">3\p</subfield><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Frank, Eibe</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)122539044</subfield><subfield code="4">aut</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=009222713&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-009222713</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="883" ind1="1" ind2=" "><subfield code="8">2\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="883" ind1="1" ind2=" "><subfield code="8">3\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></record></collection> |
| geographic | Java (DE-588)4028527-3 gnd |
| geographic_facet | Java |
| id | DE-604.BV013509496 |
| illustrated | Illustrated |
| indexdate | 2024-08-01T11:16:48Z |
| institution | BVB |
| isbn | 3446215336 |
| language | German English |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-009222713 |
| oclc_num | 76221692 |
| open_access_boolean | |
| owner | DE-1049 DE-20 DE-12 DE-859 DE-91 DE-BY-TUM DE-91G DE-BY-TUM DE-M49 DE-BY-TUM DE-824 DE-898 DE-BY-UBR DE-355 DE-BY-UBR DE-1102 DE-29T DE-860 DE-384 DE-863 DE-BY-FWS DE-862 DE-BY-FWS DE-Aug4 DE-1051 DE-92 DE-861 DE-M347 DE-739 DE-522 DE-526 DE-634 DE-11 |
| owner_facet | DE-1049 DE-20 DE-12 DE-859 DE-91 DE-BY-TUM DE-91G DE-BY-TUM DE-M49 DE-BY-TUM DE-824 DE-898 DE-BY-UBR DE-355 DE-BY-UBR DE-1102 DE-29T DE-860 DE-384 DE-863 DE-BY-FWS DE-862 DE-BY-FWS DE-Aug4 DE-1051 DE-92 DE-861 DE-M347 DE-739 DE-522 DE-526 DE-634 DE-11 |
| physical | XIX, 386 S. Ill., graph. Darst. |
| publishDate | 2001 |
| publishDateSearch | 2001 |
| publishDateSort | 2001 |
| publisher | Hanser |
| record_format | marc |
| spellingShingle | Witten, Ian H. 1947- Frank, Eibe Data mining praktische Werkzeuge und Techniken für das maschinelle Lernen Java Programmiersprache (DE-588)4401313-9 gnd Data Mining (DE-588)4428654-5 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Weka 3 (DE-588)1126597503 gnd |
| subject_GND | (DE-588)4401313-9 (DE-588)4428654-5 (DE-588)4193754-5 (DE-588)1126597503 (DE-588)4028527-3 |
| title | Data mining praktische Werkzeuge und Techniken für das maschinelle Lernen |
| title_alt | Data mining |
| title_auth | Data mining praktische Werkzeuge und Techniken für das maschinelle Lernen |
| title_exact_search | Data mining praktische Werkzeuge und Techniken für das maschinelle Lernen |
| title_full | Data mining praktische Werkzeuge und Techniken für das maschinelle Lernen Ian H. Witten ; Eibe Frank |
| title_fullStr | Data mining praktische Werkzeuge und Techniken für das maschinelle Lernen Ian H. Witten ; Eibe Frank |
| title_full_unstemmed | Data mining praktische Werkzeuge und Techniken für das maschinelle Lernen Ian H. Witten ; Eibe Frank |
| title_short | Data mining |
| title_sort | data mining praktische werkzeuge und techniken fur das maschinelle lernen |
| title_sub | praktische Werkzeuge und Techniken für das maschinelle Lernen |
| topic | Java Programmiersprache (DE-588)4401313-9 gnd Data Mining (DE-588)4428654-5 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Weka 3 (DE-588)1126597503 gnd |
| topic_facet | Java Programmiersprache Data Mining Maschinelles Lernen Weka 3 Java |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=009222713&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT wittenianh datamining AT frankeibe datamining AT wittenianh dataminingpraktischewerkzeugeundtechnikenfurdasmaschinellelernen AT frankeibe dataminingpraktischewerkzeugeundtechnikenfurdasmaschinellelernen |
Inhaltsverzeichnis
THWS Würzburg Zentralbibliothek Lesesaal
| Signatur: |
1000 ST 530 W829 |
|---|---|
| Exemplar 1 | ausleihbar Verfügbar Bestellen |
THWS Schweinfurt Zentralbibliothek Lesesaal
| Signatur: |
2000 ST 270 W829 |
|---|---|
| Exemplar 1 | ausleihbar Verfügbar Bestellen |