Data Mining:
Gespeichert in:
| Hauptverfasser: | , |
|---|---|
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
Berlin ; Boston
De Gruyter
[2020]
|
| Ausgabe: | 3. Auflage |
| Schriftenreihe: | De Gruyter Studium
|
| Schlagworte: | |
| Online-Zugang: | http://www.degruyter.com/search?f_0=isbnissn&q_0=9783110676235&searchTitles=true Inhaltsverzeichnis Klappentext |
| Beschreibung: | XII, 320 Seiten Illustrationen, Diagramme 17 cm x 24 cm, 578 g |
| ISBN: | 9783110676235 3110676230 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV046940024 | ||
| 003 | DE-604 | ||
| 005 | 20220125 | ||
| 007 | t| | ||
| 008 | 201014s2020 gw a||| |||| 00||| ger d | ||
| 015 | |a 19,N33 |2 dnb | ||
| 016 | 7 | |a 119258189X |2 DE-101 | |
| 020 | |a 9783110676235 |c kart. : EUR 44.95 (DE), EUR 44.95 (AT) |9 978-3-11-067623-5 | ||
| 020 | |a 3110676230 |9 3-11-067623-0 | ||
| 024 | 3 | |a 9783110676235 | |
| 035 | |a (OCoLC)1112239990 | ||
| 035 | |a (DE-599)DNB119258189X | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-BE | ||
| 049 | |a DE-860 |a DE-91G |a DE-1102 |a DE-1046 |a DE-706 |a DE-20 |a DE-Aug4 |a DE-1051 |a DE-1050 |a DE-703 |a DE-859 |a DE-12 |a DE-525 |a DE-384 |a DE-521 |a DE-355 |a DE-19 | ||
| 084 | |a QP 345 |0 (DE-625)141866: |2 rvk | ||
| 084 | |a ST 270 |0 (DE-625)143638: |2 rvk | ||
| 084 | |a ST 530 |0 (DE-625)143679: |2 rvk | ||
| 084 | |a 004 |2 sdnb | ||
| 084 | |a 650 |2 sdnb | ||
| 084 | |a DAT 600 |2 stub | ||
| 100 | 1 | |a Cleve, Jürgen |d 1957- |e Verfasser |0 (DE-588)136387365 |4 aut | |
| 245 | 1 | 0 | |a Data Mining |c Jürgen Cleve, Uwe Lämmel |
| 250 | |a 3. Auflage | ||
| 264 | 1 | |a Berlin ; Boston |b De Gruyter |c [2020] | |
| 300 | |a XII, 320 Seiten |b Illustrationen, Diagramme |c 17 cm x 24 cm, 578 g | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 490 | 0 | |a De Gruyter Studium | |
| 650 | 0 | 7 | |a Data Mining |0 (DE-588)4428654-5 |2 gnd |9 rswk-swf |
| 653 | |a Data Mining | ||
| 653 | |a Big Data | ||
| 653 | |a TB: Textbook | ||
| 655 | 7 | |0 (DE-588)4123623-3 |a Lehrbuch |2 gnd-content | |
| 689 | 0 | 0 | |a Data Mining |0 (DE-588)4428654-5 |D s |
| 689 | 0 | |5 DE-604 | |
| 700 | 1 | |a Lämmel, Uwe |d 1956- |e Verfasser |0 (DE-588)111061334 |4 aut | |
| 710 | 2 | |a Walter de Gruyter GmbH & Co. KG |0 (DE-588)10095502-2 |4 pbl | |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, PDF |z 978-3-11-067627-3 |w (DE-604)BV046950603 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, EPUB |z 978-3-11-067729-4 |
| 787 | 0 | 8 | |i Überarbeitung von |b 2. Auflage |d 2016 |z 978-3-11-045675-2 |w (DE-604)BV043486017 |
| 856 | 4 | 2 | |m X:MVB |u http://www.degruyter.com/search?f_0=isbnissn&q_0=9783110676235&searchTitles=true |
| 856 | 4 | 2 | |m Digitalisierung UB Regensburg - ADAM Catalogue Enrichment |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032348763&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 856 | 4 | 2 | |m Digitalisierung UB Regensburg - ADAM Catalogue Enrichment |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032348763&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA |3 Klappentext |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-032348763 | |
Datensatz im Suchindex
| _version_ | 1818232185831817216 |
|---|---|
| adam_text |
Inhalt 1 1.1 1.2 1.3 1.4 1.5 1.6 1.6.1 1.6.2 1.6.3 Einführung----- 1 Auswertung von Massendaten — 1 Ablauf einer Datenanalyse — 2 Das Vorgehensmodell von Fayyad----- 8 Interdisziplinarität von Data Mining----- 11 Wozu Data Mining?----- 17 Werkzeuge----- 20 KNIME----- 21 WEKA----- 29 JavaNNS----- 35 2 2.1 2.2 2.3 2.4 2.5 2.6 Grundlagen des Data Mining — 41 Grundbegriffe----- 41 Datentypen----- 43 Abstands- und Ähnlichkeitsmaße----- 47 Grundlagen Künstlicher Neuronaler Netze-----51 Logik----- 56 Überwachtes und unüberwachtes Lernen----- 59 3 3.1 3.2 3.3 3.4 3.5 3.6 Anwendungsklassen — 61 Cluster-Analyse----- 61 Klassifikation----- 64 Numerische Vorhersage----- 66 Assoziationsanalyse — 67 Text Mining----- 69 Web Mining---- 70 4 4.1 4.2 4.3 4.4 4.5 4.6 4.7 Wissensrepräsentation — 73 Entscheidungstabelle----- 73 Entscheidungsbäume----- 75 Regeln----- 76 Assoziationsregeln----- 77 Instanzenbasierte Darstellung — 83 Repräsentation von Clustern — 83 Neuronale Netze als Wissensspeicher----- 85 5 5.1 5.1.1 Klassifikation — 87 К-Nearest Neighbour----- 87 K-Nearest-Neighbour-Atgorithmus----- 89
X — 5.1.2 5.2 5.2.1 5.2.2 5.2.3 5.2.4 5.2.5 5.2.6 5.2.7 5.2.8 5.3 5.3.1 5.3.2 5.4 5.4.1 5.4.2 5.4.3 5.4.4 5.4.5 5.5 5.5.1 5.5.2 5.6 5.6.1 5.6.2 5.6.3 6 6.1 6.1.1 6.1.2 6.1.3 6.1.4 6.2 6.3 6.4 6.5 6.6 6.7 6.7.1 6.7.2 6.7.3 Inhalt Ein verfeinerter Algorithmus------93 Entscheidungsbaumlernen------ 96 Erzeugen eines Entscheidungsbaums — 96 Auswahl eines Attributs------ 98 Der 1D3-Algorithmus zur Erzeugung eines Entscheidungsbaums —101 Entropie------ 108 DerGini-lndex------ 110 Der C4.5-Algorithmus----- 111 Probleme beim Entscheidungsbaumlernen —113 Entscheidungsbaum und Regeln —114 Naive Bayes —116 Bayessche Formel —117 Der Naive-Bayes-Algorithmus —117 Vorwärtsgerichtete Neuronale Netze —125 Architektur----- 125 Das Backpropagation-of-Error-Lernverfahren —128 Modifikationen des Backpropagation-Algorithmus —132 Ein Beispiel----- 134 Convolutional Neural Networks------ 137 Support Vector Machines------138 Grundprinzip------ 138 Formale Darstellung von Support Vector Machines —140 Ensemble Learning------ 144 Bagging------ 145 Boosting------ 145 Random Forest------ 146 Cluster-Analyse----- 147 Arten der Cluster-Analyse----- 147 Partitionierende Cluster-Bildung----- 147 Hierarchische Cluster-Bildung----- 148 Dichtebasierte Cluster-Bildung------150 Cluster-Analyse mit Neuronalen Netzen------ 150 Derk-Means-Algorithmus-------151 Der k-Medoid-Algorithmus------ 161 Erwartungsmaximierung------- 167 Agglomeratives Clustern-------168 Dichtebasiertes Clustern------- 172 Cluster-Bildung mittels selbstorganisierender Karten------ 176 Aufbau------ 176 Lernen------ 177 Visualisierung einer
SOM------ 179
Inhalt 6.7.4 6.8 6.9 6.10 Ein Beispiel----- 181 Cluster-Bildung mittels neuronaler Gase----- 183 Cluster-Bildung mittels ART----- 185 Der Fuzzy-c-Means-Algorithmus ----- 187 7 7.1 7.1.1 7.1.2 7.2 7.3 7.3.1 7.3.2 7.3.3 Assoziationsanalyse —191 Der A-Priori-Algorithmus----- 191 Generierung der Kandidaten —193 Erzeugen der Regeln----- 196 Frequent Pattern Growth----- 201 Assoziationsregeln für spezielle Aufgaben----- 206 Hierarchische Assoziationsregeln----- 206 Quantitative Assoziationsregeln----- 207 Erzeugung von temporalen Assoziationsregeln----- 209 8 8.1 8.2 8.2.1 8.2.2 8.2.3 8.2.4 8.2.5 8.3 Datenvorbereitung------211 Motivation----- 211 Arten der Datenvorbereitung----- 215 Datenselektion und -integration----- 216 Datensäuberung----- 217 Datenreduktion----- 223 Ungleichverteilung des Zielattributs----- 226 Datentransformation----- 227 Ein Beispiel----- 238 9 9.1 9.2 9.2.1 9.2.2 9.2.3 9.2.4 9.2.5 9.2.6 9.2.7 9.3 9.3.1 9.3.2 9.3.3 9.4 9.5 9.6 Bewertung------245 Prinzip der minimalen Beschreibungslängen----- 246 Interessantheitsmaße für Assoziationsregeln----- 246 Support----- 247 Konfidenz----- 247 Completeness----- 248 Gain-Funktion----- 249 p-s-Funktion----- 250 Lift----- 251 Einordnung der Interessantheitsmaße---- 252 Gütemaße und Fehlerkosten----- 252 Fehlerraten----- 252 Weitere Gütemaße für Klassifikatoren----- 253 Fehlerkosten----- 257 Testmengen----- 258 Qualität von Clustern----- 260 Visualisierung — 263 — XI
XII — Inhalt Eine Data-Mining-Aufgabe — 273 Die Aufgabe — 273 Das Problem — 274 Die Daten — 276 10.3 Datenvorbereitung----- 282 10.4 Experimente — 284 10.5 К-Nearest Neighbour — 286 10.5.1 Naive Bayes — 289 10.5.2 10.5.3 Entscheidungsbaumverfahren----- 291 10.5.4 Neuronale Netze — 295 10.6 Auswertung der Ergebnisse----- 302 10 10.1 10.2 A A.l A.2 A.3 A.4 Anhang - Beispieldaten — 305 Iris-Daten----- 305 Sojabohnen — 307 Wetter-Daten — 308 Kontaktlinsen-Daten — 310 Literatur — 313 Stichwortverzeichnis — 317
Data Mining liefert Methoden und Algorithmen, um bisher unbekannte Zusam menhänge in großen Datenmengen zu entdecken. Das Buch deckt den Stoff einer einsemestrigen Vorlesung an Universitäten oder Fachhochschulen ab und ist als klassisches Lehrbuch konzipiert. Es bietet eine Einführung in die wesentlichen Anwendungsgebiete und behandelt die zugehörigen Algorithmen. Die Beispiele und Aufgaben können mit frei verfügbaren Werkzeugen bearbeitet werden. Die dritte Auflage enthält inhaltliche Erweiterungen und Aktualisierungen, insbe sondere die Einordnung des Themas Data Mining in den Kontext der Begriffe KI, Big Data, Data Science, Machine Learning. ► viele Beispiele und Übungsaufgaben » aktualisierte und neue Inhalte ► Einordnung in die Themen KI, Big Data, Data Science, Machine Learning ► erfahrene Autoren |
| adam_txt |
Inhalt 1 1.1 1.2 1.3 1.4 1.5 1.6 1.6.1 1.6.2 1.6.3 Einführung----- 1 Auswertung von Massendaten — 1 Ablauf einer Datenanalyse — 2 Das Vorgehensmodell von Fayyad----- 8 Interdisziplinarität von Data Mining----- 11 Wozu Data Mining?----- 17 Werkzeuge----- 20 KNIME----- 21 WEKA----- 29 JavaNNS----- 35 2 2.1 2.2 2.3 2.4 2.5 2.6 Grundlagen des Data Mining — 41 Grundbegriffe----- 41 Datentypen----- 43 Abstands- und Ähnlichkeitsmaße----- 47 Grundlagen Künstlicher Neuronaler Netze-----51 Logik----- 56 Überwachtes und unüberwachtes Lernen----- 59 3 3.1 3.2 3.3 3.4 3.5 3.6 Anwendungsklassen — 61 Cluster-Analyse----- 61 Klassifikation----- 64 Numerische Vorhersage----- 66 Assoziationsanalyse — 67 Text Mining----- 69 Web Mining---- 70 4 4.1 4.2 4.3 4.4 4.5 4.6 4.7 Wissensrepräsentation — 73 Entscheidungstabelle----- 73 Entscheidungsbäume----- 75 Regeln----- 76 Assoziationsregeln----- 77 Instanzenbasierte Darstellung — 83 Repräsentation von Clustern — 83 Neuronale Netze als Wissensspeicher----- 85 5 5.1 5.1.1 Klassifikation — 87 К-Nearest Neighbour----- 87 K-Nearest-Neighbour-Atgorithmus----- 89
X — 5.1.2 5.2 5.2.1 5.2.2 5.2.3 5.2.4 5.2.5 5.2.6 5.2.7 5.2.8 5.3 5.3.1 5.3.2 5.4 5.4.1 5.4.2 5.4.3 5.4.4 5.4.5 5.5 5.5.1 5.5.2 5.6 5.6.1 5.6.2 5.6.3 6 6.1 6.1.1 6.1.2 6.1.3 6.1.4 6.2 6.3 6.4 6.5 6.6 6.7 6.7.1 6.7.2 6.7.3 Inhalt Ein verfeinerter Algorithmus------93 Entscheidungsbaumlernen------ 96 Erzeugen eines Entscheidungsbaums — 96 Auswahl eines Attributs------ 98 Der 1D3-Algorithmus zur Erzeugung eines Entscheidungsbaums —101 Entropie------ 108 DerGini-lndex------ 110 Der C4.5-Algorithmus----- 111 Probleme beim Entscheidungsbaumlernen —113 Entscheidungsbaum und Regeln —114 Naive Bayes —116 Bayessche Formel —117 Der Naive-Bayes-Algorithmus —117 Vorwärtsgerichtete Neuronale Netze —125 Architektur----- 125 Das Backpropagation-of-Error-Lernverfahren —128 Modifikationen des Backpropagation-Algorithmus —132 Ein Beispiel----- 134 Convolutional Neural Networks------ 137 Support Vector Machines------138 Grundprinzip------ 138 Formale Darstellung von Support Vector Machines —140 Ensemble Learning------ 144 Bagging------ 145 Boosting------ 145 Random Forest------ 146 Cluster-Analyse----- 147 Arten der Cluster-Analyse----- 147 Partitionierende Cluster-Bildung----- 147 Hierarchische Cluster-Bildung----- 148 Dichtebasierte Cluster-Bildung------150 Cluster-Analyse mit Neuronalen Netzen------ 150 Derk-Means-Algorithmus-------151 Der k-Medoid-Algorithmus------ 161 Erwartungsmaximierung------- 167 Agglomeratives Clustern-------168 Dichtebasiertes Clustern------- 172 Cluster-Bildung mittels selbstorganisierender Karten------ 176 Aufbau------ 176 Lernen------ 177 Visualisierung einer
SOM------ 179
Inhalt 6.7.4 6.8 6.9 6.10 Ein Beispiel----- 181 Cluster-Bildung mittels neuronaler Gase----- 183 Cluster-Bildung mittels ART----- 185 Der Fuzzy-c-Means-Algorithmus ----- 187 7 7.1 7.1.1 7.1.2 7.2 7.3 7.3.1 7.3.2 7.3.3 Assoziationsanalyse —191 Der A-Priori-Algorithmus----- 191 Generierung der Kandidaten —193 Erzeugen der Regeln----- 196 Frequent Pattern Growth----- 201 Assoziationsregeln für spezielle Aufgaben----- 206 Hierarchische Assoziationsregeln----- 206 Quantitative Assoziationsregeln----- 207 Erzeugung von temporalen Assoziationsregeln----- 209 8 8.1 8.2 8.2.1 8.2.2 8.2.3 8.2.4 8.2.5 8.3 Datenvorbereitung------211 Motivation----- 211 Arten der Datenvorbereitung----- 215 Datenselektion und -integration----- 216 Datensäuberung----- 217 Datenreduktion----- 223 Ungleichverteilung des Zielattributs----- 226 Datentransformation----- 227 Ein Beispiel----- 238 9 9.1 9.2 9.2.1 9.2.2 9.2.3 9.2.4 9.2.5 9.2.6 9.2.7 9.3 9.3.1 9.3.2 9.3.3 9.4 9.5 9.6 Bewertung------245 Prinzip der minimalen Beschreibungslängen----- 246 Interessantheitsmaße für Assoziationsregeln----- 246 Support----- 247 Konfidenz----- 247 Completeness----- 248 Gain-Funktion----- 249 p-s-Funktion----- 250 Lift----- 251 Einordnung der Interessantheitsmaße---- 252 Gütemaße und Fehlerkosten----- 252 Fehlerraten----- 252 Weitere Gütemaße für Klassifikatoren----- 253 Fehlerkosten----- 257 Testmengen----- 258 Qualität von Clustern----- 260 Visualisierung — 263 — XI
XII — Inhalt Eine Data-Mining-Aufgabe — 273 Die Aufgabe — 273 Das Problem — 274 Die Daten — 276 10.3 Datenvorbereitung----- 282 10.4 Experimente — 284 10.5 К-Nearest Neighbour — 286 10.5.1 Naive Bayes — 289 10.5.2 10.5.3 Entscheidungsbaumverfahren----- 291 10.5.4 Neuronale Netze — 295 10.6 Auswertung der Ergebnisse----- 302 10 10.1 10.2 A A.l A.2 A.3 A.4 Anhang - Beispieldaten — 305 Iris-Daten----- 305 Sojabohnen — 307 Wetter-Daten — 308 Kontaktlinsen-Daten — 310 Literatur — 313 Stichwortverzeichnis — 317
Data Mining liefert Methoden und Algorithmen, um bisher unbekannte Zusam menhänge in großen Datenmengen zu entdecken. Das Buch deckt den Stoff einer einsemestrigen Vorlesung an Universitäten oder Fachhochschulen ab und ist als klassisches Lehrbuch konzipiert. Es bietet eine Einführung in die wesentlichen Anwendungsgebiete und behandelt die zugehörigen Algorithmen. Die Beispiele und Aufgaben können mit frei verfügbaren Werkzeugen bearbeitet werden. Die dritte Auflage enthält inhaltliche Erweiterungen und Aktualisierungen, insbe sondere die Einordnung des Themas Data Mining in den Kontext der Begriffe KI, Big Data, Data Science, Machine Learning. ► viele Beispiele und Übungsaufgaben » aktualisierte und neue Inhalte ► Einordnung in die Themen KI, Big Data, Data Science, Machine Learning ► erfahrene Autoren |
| any_adam_object | 1 |
| any_adam_object_boolean | 1 |
| author | Cleve, Jürgen 1957- Lämmel, Uwe 1956- |
| author_GND | (DE-588)136387365 (DE-588)111061334 |
| author_facet | Cleve, Jürgen 1957- Lämmel, Uwe 1956- |
| author_role | aut aut |
| author_sort | Cleve, Jürgen 1957- |
| author_variant | j c jc u l ul |
| building | Verbundindex |
| bvnumber | BV046940024 |
| classification_rvk | QP 345 ST 270 ST 530 |
| classification_tum | DAT 600 |
| ctrlnum | (OCoLC)1112239990 (DE-599)DNB119258189X |
| discipline | Informatik Wirtschaftswissenschaften |
| discipline_str_mv | Informatik Wirtschaftswissenschaften |
| edition | 3. Auflage |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a22000008c 4500</leader><controlfield tag="001">BV046940024</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20220125</controlfield><controlfield tag="007">t|</controlfield><controlfield tag="008">201014s2020 gw a||| |||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">19,N33</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">119258189X</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783110676235</subfield><subfield code="c">kart. : EUR 44.95 (DE), EUR 44.95 (AT)</subfield><subfield code="9">978-3-11-067623-5</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3110676230</subfield><subfield code="9">3-11-067623-0</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783110676235</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1112239990</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB119258189X</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BE</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-860</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-525</subfield><subfield code="a">DE-384</subfield><subfield code="a">DE-521</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-19</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 530</subfield><subfield code="0">(DE-625)143679:</subfield><subfield code="2">rvk</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="084" ind1=" " ind2=" "><subfield code="a">DAT 600</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Cleve, Jürgen</subfield><subfield code="d">1957-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)136387365</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Data Mining</subfield><subfield code="c">Jürgen Cleve, Uwe Lämmel</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">3. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Berlin ; Boston</subfield><subfield code="b">De Gruyter</subfield><subfield code="c">[2020]</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XII, 320 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">17 cm x 24 cm, 578 g</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="490" ind1="0" ind2=" "><subfield code="a">De Gruyter Studium</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="653" ind1=" " ind2=" "><subfield code="a">Data Mining</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Big Data</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">TB: Textbook</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4123623-3</subfield><subfield code="a">Lehrbuch</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="700" ind1="1" ind2=" "><subfield code="a">Lämmel, Uwe</subfield><subfield code="d">1956-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)111061334</subfield><subfield code="4">aut</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Walter de Gruyter GmbH & Co. KG</subfield><subfield code="0">(DE-588)10095502-2</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">978-3-11-067627-3</subfield><subfield code="w">(DE-604)BV046950603</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, EPUB</subfield><subfield code="z">978-3-11-067729-4</subfield></datafield><datafield tag="787" ind1="0" ind2="8"><subfield code="i">Überarbeitung von</subfield><subfield code="b">2. Auflage</subfield><subfield code="d">2016</subfield><subfield code="z">978-3-11-045675-2</subfield><subfield code="w">(DE-604)BV043486017</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="u">http://www.degruyter.com/search?f_0=isbnissn&q_0=9783110676235&searchTitles=true</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Regensburg - ADAM Catalogue Enrichment</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=032348763&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 Regensburg - ADAM Catalogue Enrichment</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=032348763&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Klappentext</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-032348763</subfield></datafield></record></collection> |
| genre | (DE-588)4123623-3 Lehrbuch gnd-content |
| genre_facet | Lehrbuch |
| id | DE-604.BV046940024 |
| illustrated | Illustrated |
| index_date | 2024-07-03T15:37:47Z |
| indexdate | 2024-12-12T11:02:16Z |
| institution | BVB |
| institution_GND | (DE-588)10095502-2 |
| isbn | 9783110676235 3110676230 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-032348763 |
| oclc_num | 1112239990 |
| open_access_boolean | |
| owner | DE-860 DE-91G DE-BY-TUM DE-1102 DE-1046 DE-706 DE-20 DE-Aug4 DE-1051 DE-1050 DE-703 DE-859 DE-12 DE-525 DE-384 DE-521 DE-355 DE-BY-UBR DE-19 DE-BY-UBM |
| owner_facet | DE-860 DE-91G DE-BY-TUM DE-1102 DE-1046 DE-706 DE-20 DE-Aug4 DE-1051 DE-1050 DE-703 DE-859 DE-12 DE-525 DE-384 DE-521 DE-355 DE-BY-UBR DE-19 DE-BY-UBM |
| physical | XII, 320 Seiten Illustrationen, Diagramme 17 cm x 24 cm, 578 g |
| publishDate | 2020 |
| publishDateSearch | 2020 |
| publishDateSort | 2020 |
| publisher | De Gruyter |
| record_format | marc |
| series2 | De Gruyter Studium |
| spelling | Cleve, Jürgen 1957- Verfasser (DE-588)136387365 aut Data Mining Jürgen Cleve, Uwe Lämmel 3. Auflage Berlin ; Boston De Gruyter [2020] XII, 320 Seiten Illustrationen, Diagramme 17 cm x 24 cm, 578 g txt rdacontent n rdamedia nc rdacarrier De Gruyter Studium Data Mining (DE-588)4428654-5 gnd rswk-swf Data Mining Big Data TB: Textbook (DE-588)4123623-3 Lehrbuch gnd-content Data Mining (DE-588)4428654-5 s DE-604 Lämmel, Uwe 1956- Verfasser (DE-588)111061334 aut Walter de Gruyter GmbH & Co. KG (DE-588)10095502-2 pbl Erscheint auch als Online-Ausgabe, PDF 978-3-11-067627-3 (DE-604)BV046950603 Erscheint auch als Online-Ausgabe, EPUB 978-3-11-067729-4 Überarbeitung von 2. Auflage 2016 978-3-11-045675-2 (DE-604)BV043486017 X:MVB http://www.degruyter.com/search?f_0=isbnissn&q_0=9783110676235&searchTitles=true Digitalisierung UB Regensburg - ADAM Catalogue Enrichment application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032348763&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis Digitalisierung UB Regensburg - ADAM Catalogue Enrichment application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032348763&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA Klappentext |
| spellingShingle | Cleve, Jürgen 1957- Lämmel, Uwe 1956- Data Mining Data Mining (DE-588)4428654-5 gnd |
| subject_GND | (DE-588)4428654-5 (DE-588)4123623-3 |
| title | Data Mining |
| title_auth | Data Mining |
| title_exact_search | Data Mining |
| title_exact_search_txtP | Data Mining |
| title_full | Data Mining Jürgen Cleve, Uwe Lämmel |
| title_fullStr | Data Mining Jürgen Cleve, Uwe Lämmel |
| title_full_unstemmed | Data Mining Jürgen Cleve, Uwe Lämmel |
| title_short | Data Mining |
| title_sort | data mining |
| topic | Data Mining (DE-588)4428654-5 gnd |
| topic_facet | Data Mining Lehrbuch |
| url | http://www.degruyter.com/search?f_0=isbnissn&q_0=9783110676235&searchTitles=true http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032348763&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=032348763&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT clevejurgen datamining AT lammeluwe datamining AT walterdegruytergmbhcokg datamining |