Ansprechpartner:

Prof. Dr. Hartmut Noltemeier
Dipl.-Inform. Dirk Schäfer

Themenübersicht:

1. Data Mining

   1.	Mining von Assoziationsregeln
   	Lit.: Fukuda, T. and Morimoto, Y.: Mining Optimized Association Rules for Numeric Attributes. Journal of Computer and System Sciences 58, 1-12, 1999.
   2.	Mining Geometrischer Assoziationsregeln
   	Lit.: Fukuda, T. and Morimoto, Y.: Data Mining with Optimized Two-dimensional Association Rules. ACM Transactions on Database Systems 26, 179-213, 2001.
   3.	Robustes Clustern beim Spatial Data Mining in hochdimensionalen Multimedia-Datenbanken: k-Means und k-Mediod-Problem, TB Heuristik
   	Lit.: Estivill-Castro, V. and Houle, M.E.: Robust Distance-Based Clustering with Applications to Spatial Data Mining. Algorithmica 30, 216-225, 2001.
   4.	Robustes Clustern beim Spatial Data Mining in hochdimensionalen Multimedia-Datenbanken: Spatial Data Mining
   	Lit.: Estivill-Castro, V. and Houle, M.E.: Robust Distance-Based Clustering with Applications to Spatial Data Mining. Algorithmica 30, 225-237, 2001.
   5.	Mathematische Programmierung für Data Mining: Stützvektor-Methoden
   	Lit.: (1) Joachims, T.: A Statistical Learning Model of Text Classification for Support Vector Machines. SIGIR '01, ACM, 2001. (2) Bradley, P.S., Fayyad, U.M., Mangasarian, O.L.: Mathematical Programming for Data Mining: Formulations and Challenges. Journal of Computing, Special Issue on Data Mining, January 1998.
   6.	Lernen induktiver Regeln mit dem Hellinger Maß
   	Lit.: (1) Lee, C.-H., Shin, D.-G.: A Multistrategy Approach to Classification Learning in Databases. Data & Knowledge Engineering 31, 67-93, 1999. (2) Lee, C.-H.: Learning Inductive Rules using Hellinger Measure. Applied Artificial Intelligence 13, 743-762, 1999.
   7.	Data Mining - Tools zweier Anbieter (IBM, SAS): Einführung und Gegenüberstellung von IBM/Intelligent Miner und SAS/Treedisc

    

2. Lernen mittels Entscheidungsbäumen

   8.	Effiziente inkrementelle Induktion von Entscheidungsbäumen
   	Lit.: Kalles, D., Morris, T.: Efficient Incremental Induction of Decision Trees. Machine Learning 24, 231-242, 1996.
   9.	Unbalancierte Datenmengen
   	Lit.: Batista, G., Carvalhi, A., Monard, M.C.: Applying One-Sided Selection to Unbalanced Datasets. O. Cairo, L.E. Sucar, F.J. Cantu (Eds.): MICAI 2000, LNAI 1793, 315-325, 2000.
   10.	Pruning von Entscheidungsbäumen
   	Lit.: (1) Fournier, D., Crémilleux, B.: A Quality Index for Decision Tree Pruning. Knowledge-Based Systems 15, 37-43, 2002. (2) Bohanec, M., Bratko, J.: Trading Accurancy for Simplicity in Decision Trees. Machine Learning 15, 223-250, 1994.
   11.	Lernen von Bewertungsfunktionen
   	Lit.: Heinz, A.P., Hense, C.: Bootstrap Learning of Alpha-Beta-Evaluation Functions.
   12.	PAC-Lernen von Entscheidungsbäumen für Boole'sche Funktionen
   	Lit.: Kearns, M., Mansour, Y.: On the Boosting Ability of Top-Down Decision Tree Learning Algorithms. Journal of Computer and System Sciences 58, 109-128, 1999.

    

3. Wissenserwerb

   13.	Wissensaquisition aus dem WWW
   	Lit.: Craven, M., Mitchell, T. et al: Learning to Construct Knowledge Bases from the World Wide Web. Artificial Intelligence, Elsevier 1999.
   14.	Konzeptionelles Clustern und ausgewählte Verfahrensvergleiche (CN2, AQ, ID3)
   	Lit.: Clark, P., Niblett, T.: The CN2 Induction Algorithm. Machine Learning 3, 261-283, 1989.
   15.	Ranking von Webseiten
   	Lit.: Page, I., Brin, S., Motwani, R., Winograd, T.: The PageRank Citation Ranking: Bringing Order to the Web. Stanford, TR, 1998.
   16.	Gute Touren beim Travelling Salesman Problem
   	Lit.: Applegate, D., Bixby, R., Chvatal, V., Cook, W.: Finding Tours in the TSP. RICE, TR, 1998.
   17.	Fahrer-Informationssysteme

Vortragstermine: