~2025-40735-15: keine Verbesserung, neue Quellen sind auch nur Lexika-Qulität

2025-12-14T15:22:13Z

keine Verbesserung, neue Quellen sind auch nur Lexika-Qulität

Neue Seite

'''Knowledge Discovery in Databases''' ('''KDD'''), auf Deutsch '''Wissensentdeckung in Datenbanken''', ergänzt das oft synonym gebrauchte [[Data-Mining]] um vorbereitende Untersuchungen und [[ETL-Prozess#Transformation|Transformationen]] auszuwertender Daten.

== Hintergrund ==
Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist großen Datenbeständen. In Abgrenzung zum Data-Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate.
Der Begriff KDD wurde in wissenschaftlichen Kreisen von [[Gregory Piatetsky-Shapiro]] geprägt, während in der Praxis der Begriff Data-Mining geläufiger ist, der in der Statistik jedoch traditionell negativ besetzt ist.
Die Teilschritte des KDD-Prozesses sind:
# Bereitstellung von ''[[Hintergrundwissen]]'' für den jeweiligen Fachbereich
# Definition der ''Ziele'' der Wissensfindung
# Datenauswahl
# [[Datenbereinigung]]
# Datenreduktion (z. B. durch Transformationen)
# Auswahl eines ''Modells'', in dem das gefundene [[Wissen]] repräsentiert werden soll
# [[Data-Mining]], die eigentliche Datenanalyse
# [[Interpretation]] der gewonnenen [[Erkenntnis]]se

Üblicherweise werden diese Schritte mehrfach durchlaufen. Ein verbreitetes Vorgehensmodell ist der ''Cross-Industry Standard Process for Data-Mining (CRISP-DM)''.

== Software ==
* [[Environment for DeveLoping KDD-Applications Supported by Index-Structures|ELKI]] ist ein Forschungsprojekt der [[Ludwig-Maximilians-Universität München]], das zahlreiche Data-Mining-Algorithmen enthält (vor allem zur [[Clusteranalyse]] und [[Ausreißer|Outlier]]-Erkennung, aber auch [[Indexstruktur]]en), zur Verwendung in Lehre und Forschung.
* [[KNIME]] ist ein frei erhältliches Open Source Tool für die interaktive [[Datenanalyse]] und [[Data-Mining]].
* [[Ontop]] ist ein frei erhältliches Open Source Virtual Knowledge Graph System.
* [[RapidMiner]] ist ein frei erhältliches Open Source Tool für [[Maschinelles Lernen]], [[Data-Mining]] und [[Predictive analytics]], das alle Schritte des Wissensentdeckungsprozesses von der Datenauswahl, Datenbereinigung, Datenreduktion und -transformation über die Modellbildung und Validierung bis zur Visualisierung und dem Deployment unterstützt.
* [[Splunk]] ist eine Softwareplattform für Textdaten. Die kostenlose Version ist auf die Indexierung von 500 MB pro Tag beschränkt, und wesentliche Analysen wie Cluster-Analyse sind der kommerziellen Version vorbehalten.
* [[Waikato Environment for Knowledge Analysis|Weka]] ist ein Open Source Tool, welches von der Universität von Waikato entwickelt wurde. Es enthält eine umfangreiche Sammlung von Algorithmen zur Knowledge Discovery in Databases.
* [[Wolfram Alpha]] ist eine kostenlos nutzbare Wissensdatenbank, mit der auch etwas [[Datenanalyse]] möglich ist.

== Literatur ==
* {{Literatur
|Autor=Martin Ester, Jörg Sander
|Titel=Knowledge Discovery in Databases: Techniken und Anwendungen
|Verlag=Springer
|Ort=Berlin
|Datum=2000
|ISBN=3-540-67328-8}}
* Fayyad, Usama; Piatetsky-Shapiro, Gregory und Smyth Padhraic (1996), ''From Data Mining to Knowledge Discovery in Databases'', AI Magazine, American Association for Artificial Intelligence, California, USA, Seite 37–54.
* Alpar, Paul und Niederreichholz, Joachim (2000), ''Data Mining im praktischen Einsatz: Verfahren und Anwendungsfälle für Marketing, Vertrieb, Controlling und Kundenunterstützung'', Vieweg Verlag, Wiesbaden, Deutschland.

[[Kategorie:Data-Mining| Knowledge Discovery in Databases]]
[[Kategorie:Dokumentation]]

Knowledge Discovery in Databases - Versionsgeschichte

~2025-40735-15: keine Verbesserung, neue Quellen sind auch nur Lexika-Qulität