Advertisement

Datenanalyse

Chapter
  • 2.6k Downloads

Zusammenfassung

Die Datenanalyse spielt in unterschiedlichen Ausprägungen und Facetten in viele der am Fraunhofer ITWM bearbeiteten Problemstellungen aus der Praxis hinein. Der vorliegende Beitrag gibt einen Einblick zu resultierenden Datenanalysefragestellungen und der hierfür eingesetzten Verfahren. Der Fokus liegt auf dem Anwendungsbezug und der Darstellung von Methoden die sich in unserer Arbeit bewährt haben, nicht auf einem vollständigen Methodenüberblick. Es wird zunächst auf direkt die Daten betreffende Aspekte wie Datenquellen, Datenqualität und Informationsgehalt, sowie Datenintegration und Datenvorverarbeitung eingegangen. Daran anschließend stehen dann Methoden zur datenbasierten Modellierung aus dem Data Mining und Machine Learning im Fokus. Die Methoden werden aus dem Blickwinkel der statistischen Lerntheorie betrachtet und immer auch wieder in Bezug zu praktischen Fragestellungen gesetzt.

Literaturverzeichnis

  1. 1.
    Bishop, C.M.: Pattern Recognition and Machine Learning. Information Science and Statistics. Springer, Berlin (2008) Google Scholar
  2. 2.
    Breiman, L., Friedman, J., Stone, C.J., Olshen, R.A.: Classification and Regression Trees. CRC Press, Boca Raton (1984) zbMATHGoogle Scholar
  3. 3.
    Györfy, L., Kohler, M., Krzyźak, A., Walk, H.: A Distribution-Free Theory of Nonparametric Regression. Springer, Berlin (2002) CrossRefGoogle Scholar
  4. 4.
    Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning, Data Mining, Inference, and Prediction. 2. Aufl. Springer, Berlin (2008) Google Scholar
  5. 5.
    Haykin, S.: Neural Networks: a Comprehensive Foundation. Prentice Hall, New York (1999) zbMATHGoogle Scholar
  6. 6.
    Härdle, W.: Applied Nonparametric Regression. Cambridge University Press, Cambridge (1990) CrossRefzbMATHGoogle Scholar
  7. 7.
    Kantz, H., Schreiber, T.: Nonlinear Time Series Analysis. Cambridge University Press, Cambridge (1997) zbMATHGoogle Scholar
  8. 8.
    Knaf, H.: Distanzen zwischen Partitionen – zur Anwendung und Theorie. Technical Report 226, Fraunhofer ITWM, Kaiserslautern (2013) Google Scholar
  9. 9.
    Lee, T.W.: Independent Component Analysis: Theory and Applications. Kluwer Academic, Norwell (2000) Google Scholar
  10. 10.
    Linton, O., Härdle, W.: Nonparametric regression. In: Banks, D., Kotz, S. (eds.) Encyclopedia of Statistical Science, vol. X. Wiley, New York (1998) Google Scholar
  11. 11.
    Meila, M.: Comparing clusterings – an axiomatic view. In: Proceedings of the 22nd International Conference on Machine Learning, vol. 84, pp. 1003–1013 (2005) Google Scholar
  12. 12.
    Montavon, G., Orr, G., Müller, K.R.: Neural Networks: Tricks of the Trade. 2nd edn. Lecture Notes in Computer Science, vol. 7700. Springer, Berlin (2012) Google Scholar
  13. 13.
    Silverman, B.: Spline smoothing: the equivalent variable kernel method. Ann. Stat. 12, 898–916 (1984) CrossRefzbMATHGoogle Scholar
  14. 14.
    Vapnik, V.N.: Statistical Learning Theory. Adaptive and Learning Systems for Signal Processing, Communications and Control. Wiley, New York (1998) zbMATHGoogle Scholar
  15. 15.
    White, H.: Some asymptotic results for learning in single hidden-layer feedforward network models. J. Am. Stat. Assoc. 84, 1003–1013 (1989) CrossRefzbMATHGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2015

Authors and Affiliations

  1. 1.KaiserslauternDeutschland

Personalised recommendations