Verfügbarkeit: Data mining | Technische Universität München

Data mining: praktische Werkzeuge und Techniken für das maschinelle Lernen

Gespeichert in:

Bibliographische Detailangaben
Beteiligte Personen:	Witten, Ian H. 1947- (VerfasserIn), Frank, Eibe (VerfasserIn)
Format:	Buch
Sprache:	Deutsch Englisch
Veröffentlicht:	München [u.a.] Hanser 2001
Schlagwörter:	Java > Programmiersprache Data Mining Maschinelles Lernen Weka 3 Java
Links:	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
Beschreibung:	Literaturverzeichnis Seite [369]-379
Umfang:	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
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
943	1		\|a oai:aleph.bib-bvb.de:BVB01-009222713

Datensatz im Suchindex

DE-BY-TUM_call_number	0040 09.2003 A 156 0102 DAT 703f 2001 A 35962 0303 DAT 450 L 7316 1002 DAT 450f 10.2001 A 295
DE-BY-TUM_katkey	1185599
DE-BY-TUM_location	LSB 01 03 10
DE-BY-TUM_media_number	040020083203 040020126874 040070965705 040070965658 040070965647 040070965636 040070965716 040070965727 040070965487 040070965498 040070965501 040070965476 040070965512 040004136850
_version_	1821931276369657856
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>02790nam 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="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><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-009222713</subfield></datafield></record></collection>
geographic	Java (DE-588)4028527-3 gnd
geographic_facet	Java
id	DE-604.BV013509496
illustrated	Illustrated
indexdate	2024-12-20T10:48:34Z
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

Verfügbarkeit

Bestellen (Login erforderlich)

Inhaltsverzeichnis
Paper/Kapitel scannen lassen

Handapparate (nicht verfügbar)

Bestandsangaben von Handapparate (nicht verfügbar)
Signatur:	0040 09.2003 A 156 Lageplan
Exemplar 1	Ausleihbar Ausgeliehen – Rückgabe bis: 31.12.9999

Teilbibliothek Mathematik & Informatik

Bestandsangaben von Teilbibliothek Mathematik & Informatik
Signatur:	0102 DAT 703f 2001 A 35962 Lageplan
Exemplar 1	Ausleihbar Ausgeliehen – Rückgabe bis: 31.12.9999

Teilbibliothek Chemie, Lehrbuchsammlung

Bestandsangaben von Teilbibliothek Chemie, Lehrbuchsammlung
Signatur:	0303 DAT 450 L 7316 Lageplan
Exemplar 1	Ausleihbar Am Standort
Exemplar 2	Ausleihbar Am Standort
Exemplar 3	Ausleihbar Am Standort
Exemplar 4	Ausleihbar Am Standort
Exemplar 5	Ausleihbar Am Standort
Exemplar 6	Ausleihbar Am Standort
Exemplar 7	Ausleihbar Am Standort
Exemplar 8	Ausleihbar Am Standort
Exemplar 9	Ausleihbar Am Standort
Exemplar 10	Ausleihbar Am Standort
Exemplar 11	Ausleihbar Am Standort

Teilbibliothek Weihenstephan

Bestandsangaben von Teilbibliothek Weihenstephan
Signatur:	1002 DAT 450f 10.2001 A 295 Lageplan
Exemplar 1	Ausleihbar Am Standort