Search (67 results, page 1 of 4)

  • × theme_ss:"Data Mining"
  1. Hofstede, A.H.M. ter; Proper, H.A.; Van der Weide, T.P.: Exploiting fact verbalisation in conceptual information modelling (1997) 0.08 
    0.08260203 = product of:
  0.16520406 = sum of:
    0.10625607 = weight(_text_:van in 2908) [ClassicSimilarity], result of:
      0.10625607 = score(doc=2908,freq=2.0), product of:
        0.2463667 = queryWeight, product of:
          5.5765896 = idf(docFreq=454, maxDocs=44218)
          0.04417874 = queryNorm
        0.43129233 = fieldWeight in 2908, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          5.5765896 = idf(docFreq=454, maxDocs=44218)
          0.0546875 = fieldNorm(doc=2908)
    0.058947995 = sum of:
      0.017048731 = weight(_text_:der in 2908) [ClassicSimilarity], result of:
        0.017048731 = score(doc=2908,freq=2.0), product of:
          0.098685004 = queryWeight, product of:
            2.2337668 = idf(docFreq=12875, maxDocs=44218)
            0.04417874 = queryNorm
          0.17275909 = fieldWeight in 2908, product of:
            1.4142135 = tf(freq=2.0), with freq of:
              2.0 = termFreq=2.0
            2.2337668 = idf(docFreq=12875, maxDocs=44218)
            0.0546875 = fieldNorm(doc=2908)
      0.041899264 = weight(_text_:22 in 2908) [ClassicSimilarity], result of:
        0.041899264 = score(doc=2908,freq=2.0), product of:
          0.15470642 = queryWeight, product of:
            3.5018296 = idf(docFreq=3622, maxDocs=44218)
            0.04417874 = queryNorm
          0.2708308 = fieldWeight in 2908, product of:
            1.4142135 = tf(freq=2.0), with freq of:
              2.0 = termFreq=2.0
            3.5018296 = idf(docFreq=3622, maxDocs=44218)
            0.0546875 = fieldNorm(doc=2908)
  0.5 = coord(2/4)
    Source
    Information systems. 22(1997) nos.5/6, S.349-385
  2. Maaten, L. van den: Learning a parametric embedding by preserving local structure (2009) 0.03 
    0.026564017 = product of:
  0.10625607 = sum of:
    0.10625607 = weight(_text_:van in 3883) [ClassicSimilarity], result of:
      0.10625607 = score(doc=3883,freq=2.0), product of:
        0.2463667 = queryWeight, product of:
          5.5765896 = idf(docFreq=454, maxDocs=44218)
          0.04417874 = queryNorm
        0.43129233 = fieldWeight in 3883, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          5.5765896 = idf(docFreq=454, maxDocs=44218)
          0.0546875 = fieldNorm(doc=3883)
  0.25 = coord(1/4)
  3. Maaten, L. van den: Accelerating t-SNE using Tree-Based Algorithms (2014) 0.03 
    0.026564017 = product of:
  0.10625607 = sum of:
    0.10625607 = weight(_text_:van in 3886) [ClassicSimilarity], result of:
      0.10625607 = score(doc=3886,freq=2.0), product of:
        0.2463667 = queryWeight, product of:
          5.5765896 = idf(docFreq=454, maxDocs=44218)
          0.04417874 = queryNorm
        0.43129233 = fieldWeight in 3886, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          5.5765896 = idf(docFreq=454, maxDocs=44218)
          0.0546875 = fieldNorm(doc=3886)
  0.25 = coord(1/4)
  4. Keim, D.A.: Data Mining mit bloßem Auge (2002) 0.03 
    0.02538374 = product of:
  0.05076748 = sum of:
    0.036154285 = weight(_text_:h in 1086) [ClassicSimilarity], result of:
      0.036154285 = score(doc=1086,freq=2.0), product of:
        0.10975983 = queryWeight, product of:
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.04417874 = queryNorm
        0.32939452 = fieldWeight in 1086, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.09375 = fieldNorm(doc=1086)
    0.014613198 = product of:
      0.029226396 = sum of:
        0.029226396 = weight(_text_:der in 1086) [ClassicSimilarity], result of:
          0.029226396 = score(doc=1086,freq=2.0), product of:
            0.098685004 = queryWeight, product of:
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.04417874 = queryNorm
            0.29615843 = fieldWeight in 1086, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.09375 = fieldNorm(doc=1086)
      0.5 = coord(1/2)
  0.5 = coord(2/4)
    Source
    Spektrum der Wissenschaft. 2002, H.11, S.88-91
  5. Kruse, R.; Borgelt, C.: Suche im Datendschungel (2002) 0.03 
    0.02538374 = product of:
  0.05076748 = sum of:
    0.036154285 = weight(_text_:h in 1087) [ClassicSimilarity], result of:
      0.036154285 = score(doc=1087,freq=2.0), product of:
        0.10975983 = queryWeight, product of:
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.04417874 = queryNorm
        0.32939452 = fieldWeight in 1087, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.09375 = fieldNorm(doc=1087)
    0.014613198 = product of:
      0.029226396 = sum of:
        0.029226396 = weight(_text_:der in 1087) [ClassicSimilarity], result of:
          0.029226396 = score(doc=1087,freq=2.0), product of:
            0.098685004 = queryWeight, product of:
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.04417874 = queryNorm
            0.29615843 = fieldWeight in 1087, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.09375 = fieldNorm(doc=1087)
      0.5 = coord(1/2)
  0.5 = coord(2/4)
    Source
    Spektrum der Wissenschaft. 2002, H.11, S.80-81
  6. Wrobel, S.: Lern- und Entdeckungsverfahren (2002) 0.03 
    0.02538374 = product of:
  0.05076748 = sum of:
    0.036154285 = weight(_text_:h in 1105) [ClassicSimilarity], result of:
      0.036154285 = score(doc=1105,freq=2.0), product of:
        0.10975983 = queryWeight, product of:
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.04417874 = queryNorm
        0.32939452 = fieldWeight in 1105, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.09375 = fieldNorm(doc=1105)
    0.014613198 = product of:
      0.029226396 = sum of:
        0.029226396 = weight(_text_:der in 1105) [ClassicSimilarity], result of:
          0.029226396 = score(doc=1105,freq=2.0), product of:
            0.098685004 = queryWeight, product of:
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.04417874 = queryNorm
            0.29615843 = fieldWeight in 1105, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.09375 = fieldNorm(doc=1105)
      0.5 = coord(1/2)
  0.5 = coord(2/4)
    Source
    Spektrum der Wissenschaft. 2002, H.11, S.85-87
  7. Winterhalter, C.: Licence to mine : ein Überblick über Rahmenbedingungen von Text and Data Mining und den aktuellen Stand der Diskussion (2016) 0.02 
    0.022943463 = product of:
  0.045886926 = sum of:
    0.02410286 = weight(_text_:h in 673) [ClassicSimilarity], result of:
      0.02410286 = score(doc=673,freq=2.0), product of:
        0.10975983 = queryWeight, product of:
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.04417874 = queryNorm
        0.21959636 = fieldWeight in 673, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.0625 = fieldNorm(doc=673)
    0.021784069 = product of:
      0.043568138 = sum of:
        0.043568138 = weight(_text_:der in 673) [ClassicSimilarity], result of:
          0.043568138 = score(doc=673,freq=10.0), product of:
            0.098685004 = queryWeight, product of:
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.04417874 = queryNorm
            0.44148692 = fieldWeight in 673, product of:
              3.1622777 = tf(freq=10.0), with freq of:
                10.0 = termFreq=10.0
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.0625 = fieldNorm(doc=673)
      0.5 = coord(1/2)
  0.5 = coord(2/4)
    Abstract
    Der Artikel gibt einen Überblick über die Möglichkeiten der Anwendung von Text and Data Mining (TDM) und ähnlichen Verfahren auf der Grundlage bestehender Regelungen in Lizenzverträgen zu kostenpflichtigen elektronischen Ressourcen, die Debatte über zusätzliche Lizenzen für TDM am Beispiel von Elseviers TDM Policy und den Stand der Diskussion über die Einführung von Schrankenregelungen im Urheberrecht für TDM zu nichtkommerziellen wissenschaftlichen Zwecken.
    Source
    027.7 Zeitschrift für Bibliothekskultur. 4(2016), H.2
  8. Maaten, L. van den; Hinton, G.: Visualizing non-metric similarities in multiple maps (2012) 0.02 
    0.022769157 = product of:
  0.09107663 = sum of:
    0.09107663 = weight(_text_:van in 3884) [ClassicSimilarity], result of:
      0.09107663 = score(doc=3884,freq=2.0), product of:
        0.2463667 = queryWeight, product of:
          5.5765896 = idf(docFreq=454, maxDocs=44218)
          0.04417874 = queryNorm
        0.36967915 = fieldWeight in 3884, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          5.5765896 = idf(docFreq=454, maxDocs=44218)
          0.046875 = fieldNorm(doc=3884)
  0.25 = coord(1/4)
  9. Brückner, T.; Dambeck, H.: Sortierautomaten : Grundlagen der Textklassifizierung (2003) 0.02 
    0.021914361 = product of:
  0.043828722 = sum of:
    0.03408659 = weight(_text_:h in 2398) [ClassicSimilarity], result of:
      0.03408659 = score(doc=2398,freq=4.0), product of:
        0.10975983 = queryWeight, product of:
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.04417874 = queryNorm
        0.31055614 = fieldWeight in 2398, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.0625 = fieldNorm(doc=2398)
    0.009742132 = product of:
      0.019484265 = sum of:
        0.019484265 = weight(_text_:der in 2398) [ClassicSimilarity], result of:
          0.019484265 = score(doc=2398,freq=2.0), product of:
            0.098685004 = queryWeight, product of:
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.04417874 = queryNorm
            0.19743896 = fieldWeight in 2398, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.0625 = fieldNorm(doc=2398)
      0.5 = coord(1/2)
  0.5 = coord(2/4)
    Source
    c't. 2003, H.19, S.192-197
  10. Borgelt, C.; Kruse, R.: Unsicheres Wissen nutzen (2002) 0.02 
    0.021153118 = product of:
  0.042306237 = sum of:
    0.030128574 = weight(_text_:h in 1104) [ClassicSimilarity], result of:
      0.030128574 = score(doc=1104,freq=2.0), product of:
        0.10975983 = queryWeight, product of:
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.04417874 = queryNorm
        0.27449545 = fieldWeight in 1104, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.078125 = fieldNorm(doc=1104)
    0.012177665 = product of:
      0.02435533 = sum of:
        0.02435533 = weight(_text_:der in 1104) [ClassicSimilarity], result of:
          0.02435533 = score(doc=1104,freq=2.0), product of:
            0.098685004 = queryWeight, product of:
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.04417874 = queryNorm
            0.2467987 = fieldWeight in 1104, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.078125 = fieldNorm(doc=1104)
      0.5 = coord(1/2)
  0.5 = coord(2/4)
    Source
    Spektrum der Wissenschaft. 2002, H.11, S.82-84
  11. Lackes, R.; Tillmanns, C.: Data Mining für die Unternehmenspraxis : Entscheidungshilfen und Fallstudien mit führenden Softwarelösungen (2006) 0.02 
    0.019938312 = product of:
  0.07975325 = sum of:
    0.07975325 = sum of:
      0.043839592 = weight(_text_:der in 1383) [ClassicSimilarity], result of:
        0.043839592 = score(doc=1383,freq=18.0), product of:
          0.098685004 = queryWeight, product of:
            2.2337668 = idf(docFreq=12875, maxDocs=44218)
            0.04417874 = queryNorm
          0.44423765 = fieldWeight in 1383, product of:
            4.2426405 = tf(freq=18.0), with freq of:
              18.0 = termFreq=18.0
            2.2337668 = idf(docFreq=12875, maxDocs=44218)
            0.046875 = fieldNorm(doc=1383)
      0.035913654 = weight(_text_:22 in 1383) [ClassicSimilarity], result of:
        0.035913654 = score(doc=1383,freq=2.0), product of:
          0.15470642 = queryWeight, product of:
            3.5018296 = idf(docFreq=3622, maxDocs=44218)
            0.04417874 = queryNorm
          0.23214069 = fieldWeight in 1383, product of:
            1.4142135 = tf(freq=2.0), with freq of:
              2.0 = termFreq=2.0
            3.5018296 = idf(docFreq=3622, maxDocs=44218)
            0.046875 = fieldNorm(doc=1383)
  0.25 = coord(1/4)
    Abstract
    Das Buch richtet sich an Praktiker in Unternehmen, die sich mit der Analyse von großen Datenbeständen beschäftigen. Nach einem kurzen Theorieteil werden vier Fallstudien aus dem Customer Relationship Management eines Versandhändlers bearbeitet. Dabei wurden acht führende Softwarelösungen verwendet: der Intelligent Miner von IBM, der Enterprise Miner von SAS, Clementine von SPSS, Knowledge Studio von Angoss, der Delta Miner von Bissantz, der Business Miner von Business Object und die Data Engine von MIT. Im Rahmen der Fallstudien werden die Stärken und Schwächen der einzelnen Lösungen deutlich, und die methodisch-korrekte Vorgehensweise beim Data Mining wird aufgezeigt. Beides liefert wertvolle Entscheidungshilfen für die Auswahl von Standardsoftware zum Data Mining und für die praktische Datenanalyse.
    Content
    Modelle, Methoden und Werkzeuge: Ziele und Aufbau der Untersuchung.- Grundlagen.- Planung und Entscheidung mit Data-Mining-Unterstützung.- Methoden.- Funktionalität und Handling der Softwarelösungen. Fallstudien: Ausgangssituation und Datenbestand im Versandhandel.- Kundensegmentierung.- Erklärung regionaler Marketingerfolge zur Neukundengewinnung.Prognose des Customer Lifetime Values.- Selektion von Kunden für eine Direktmarketingaktion.- Welche Softwarelösung für welche Entscheidung?- Fazit und Marktentwicklungen.
    Date
    22. 3.2008 14:46:06
  12. Raan, A.F.J. van; Noyons, E.C.M.: Discovery of patterns of scientific and technological development and knowledge transfer (2002) 0.02 
    0.018974297 = product of:
  0.07589719 = sum of:
    0.07589719 = weight(_text_:van in 3603) [ClassicSimilarity], result of:
      0.07589719 = score(doc=3603,freq=2.0), product of:
        0.2463667 = queryWeight, product of:
          5.5765896 = idf(docFreq=454, maxDocs=44218)
          0.04417874 = queryNorm
        0.30806595 = fieldWeight in 3603, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          5.5765896 = idf(docFreq=454, maxDocs=44218)
          0.0390625 = fieldNorm(doc=3603)
  0.25 = coord(1/4)
  13. Maaten, L. van den; Hinton, G.: Visualizing data using t-SNE (2008) 0.02 
    0.018974297 = product of:
  0.07589719 = sum of:
    0.07589719 = weight(_text_:van in 3888) [ClassicSimilarity], result of:
      0.07589719 = score(doc=3888,freq=2.0), product of:
        0.2463667 = queryWeight, product of:
          5.5765896 = idf(docFreq=454, maxDocs=44218)
          0.04417874 = queryNorm
        0.30806595 = fieldWeight in 3888, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          5.5765896 = idf(docFreq=454, maxDocs=44218)
          0.0390625 = fieldNorm(doc=3888)
  0.25 = coord(1/4)
  14. Tiefschürfen in Datenbanken (2002) 0.02 
    0.018940158 = product of:
  0.037880316 = sum of:
    0.02410286 = weight(_text_:h in 996) [ClassicSimilarity], result of:
      0.02410286 = score(doc=996,freq=2.0), product of:
        0.10975983 = queryWeight, product of:
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.04417874 = queryNorm
        0.21959636 = fieldWeight in 996, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.0625 = fieldNorm(doc=996)
    0.013777455 = product of:
      0.02755491 = sum of:
        0.02755491 = weight(_text_:der in 996) [ClassicSimilarity], result of:
          0.02755491 = score(doc=996,freq=4.0), product of:
            0.098685004 = queryWeight, product of:
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.04417874 = queryNorm
            0.27922085 = fieldWeight in 996, product of:
              2.0 = tf(freq=4.0), with freq of:
                4.0 = termFreq=4.0
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.0625 = fieldNorm(doc=996)
      0.5 = coord(1/2)
  0.5 = coord(2/4)
    Abstract
    Ein Einkauf im Supermarkt, ein Telefongespräch, ein Klick im Internet: Die Spuren solcher Allerweltsaktionen häufen sich zu Datengebirgen ungeheuren Ausmaßes. Darin noch das Wesentlich - was immer das sein mag - zu finden, ist die Aufgabe des noch jungen Wissenschaftszweiges Data Mining, der mit offiziellem Namen "Wissensentdeckung in Datenbanken" heißt
    Source
    Spektrum der Wissenschaft. 2002, H.11, S.80-91
  15. Nohr, H.: Big Data im Lichte der EU-Datenschutz-Grundverordnung (2017) 0.02 
    0.018940158 = product of:
  0.037880316 = sum of:
    0.02410286 = weight(_text_:h in 4076) [ClassicSimilarity], result of:
      0.02410286 = score(doc=4076,freq=2.0), product of:
        0.10975983 = queryWeight, product of:
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.04417874 = queryNorm
        0.21959636 = fieldWeight in 4076, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.0625 = fieldNorm(doc=4076)
    0.013777455 = product of:
      0.02755491 = sum of:
        0.02755491 = weight(_text_:der in 4076) [ClassicSimilarity], result of:
          0.02755491 = score(doc=4076,freq=4.0), product of:
            0.098685004 = queryWeight, product of:
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.04417874 = queryNorm
            0.27922085 = fieldWeight in 4076, product of:
              2.0 = tf(freq=4.0), with freq of:
                4.0 = termFreq=4.0
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.0625 = fieldNorm(doc=4076)
      0.5 = coord(1/2)
  0.5 = coord(2/4)
    Abstract
    Der vorliegende Beitrag beschäftigt sich mit den Rahmenbedingungen für analytische Anwendungen wie Big Data, die durch das neue europäische Datenschutzrecht entstehen, insbesondere durch die EU-Datenschutz-Grundverordnung. Er stellt wesentliche Neuerungen vor und untersucht die spezifischen datenschutzrechtlichen Regelungen im Hinblick auf den Einsatz von Big Data sowie Voraussetzungen, die durch die Verordnung abverlangt werden.
  16. Lusti, M.: Data Warehousing and Data Mining : Eine Einführung in entscheidungsunterstützende Systeme (1999) 0.02 
    0.018859945 = product of:
  0.07543978 = sum of:
    0.07543978 = sum of:
      0.02755491 = weight(_text_:der in 4261) [ClassicSimilarity], result of:
        0.02755491 = score(doc=4261,freq=4.0), product of:
          0.098685004 = queryWeight, product of:
            2.2337668 = idf(docFreq=12875, maxDocs=44218)
            0.04417874 = queryNorm
          0.27922085 = fieldWeight in 4261, product of:
            2.0 = tf(freq=4.0), with freq of:
              4.0 = termFreq=4.0
            2.2337668 = idf(docFreq=12875, maxDocs=44218)
            0.0625 = fieldNorm(doc=4261)
      0.047884874 = weight(_text_:22 in 4261) [ClassicSimilarity], result of:
        0.047884874 = score(doc=4261,freq=2.0), product of:
          0.15470642 = queryWeight, product of:
            3.5018296 = idf(docFreq=3622, maxDocs=44218)
            0.04417874 = queryNorm
          0.30952093 = fieldWeight in 4261, product of:
            1.4142135 = tf(freq=2.0), with freq of:
              2.0 = termFreq=2.0
            3.5018296 = idf(docFreq=3622, maxDocs=44218)
            0.0625 = fieldNorm(doc=4261)
  0.25 = coord(1/4)
    Abstract
    Im Mittelpunkt dieses anwendungsbezogenen Lehrbuchs stehen Architekturen, Methoden und Werkzeuge entscheidungsunterstützender Systeme. Beispiele und Aufgaben ermöglichen die Entwicklung von Anwendungen mit der Demonstrationssoftware der CD-ROM. Eine interaktive Foliensammlung veranschaulicht den Buchtext und verweist auf zusätzliches Lernmaterial
    Date
    17. 7.2002 19:22:06
  17. Klein, H.: Web Content Mining (2004) 0.02 
    0.01691775 = product of:
  0.0338355 = sum of:
    0.01205143 = weight(_text_:h in 3154) [ClassicSimilarity], result of:
      0.01205143 = score(doc=3154,freq=2.0), product of:
        0.10975983 = queryWeight, product of:
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.04417874 = queryNorm
        0.10979818 = fieldWeight in 3154, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.03125 = fieldNorm(doc=3154)
    0.021784069 = product of:
      0.043568138 = sum of:
        0.043568138 = weight(_text_:der in 3154) [ClassicSimilarity], result of:
          0.043568138 = score(doc=3154,freq=40.0), product of:
            0.098685004 = queryWeight, product of:
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.04417874 = queryNorm
            0.44148692 = fieldWeight in 3154, product of:
              6.3245554 = tf(freq=40.0), with freq of:
                40.0 = termFreq=40.0
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.03125 = fieldNorm(doc=3154)
      0.5 = coord(1/2)
  0.5 = coord(2/4)
    Abstract
    Web Mining - ein Schlagwort, das mit der Verbreitung des Internets immer öfter zu lesen und zu hören ist. Die gegenwärtige Forschung beschäftigt sich aber eher mit dem Nutzungsverhalten der Internetnutzer, und ein Blick in Tagungsprogramme einschlägiger Konferenzen (z.B. GOR - German Online Research) zeigt, dass die Analyse der Inhalte kaum Thema ist. Auf der GOR wurden 1999 zwei Vorträge zu diesem Thema gehalten, auf der Folgekonferenz 2001 kein einziger. Web Mining ist der Oberbegriff für zwei Typen von Web Mining: Web Usage Mining und Web Content Mining. Unter Web Usage Mining versteht man das Analysieren von Daten, wie sie bei der Nutzung des WWW anfallen und von den Servern protokolliert wenden. Man kann ermitteln, welche Seiten wie oft aufgerufen wurden, wie lange auf den Seiten verweilt wurde und vieles andere mehr. Beim Web Content Mining wird der Inhalt der Webseiten untersucht, der nicht nur Text, sondern auf Bilder, Video- und Audioinhalte enthalten kann. Die Software für die Analyse von Webseiten ist in den Grundzügen vorhanden, doch müssen die meisten Webseiten für die entsprechende Analysesoftware erst aufbereitet werden. Zuerst müssen die relevanten Websites ermittelt werden, die die gesuchten Inhalte enthalten. Das geschieht meist mit Suchmaschinen, von denen es mittlerweile Hunderte gibt. Allerdings kann man nicht davon ausgehen, dass die Suchmaschinen alle existierende Webseiten erfassen. Das ist unmöglich, denn durch das schnelle Wachstum des Internets kommen täglich Tausende von Webseiten hinzu, und bereits bestehende ändern sich der werden gelöscht. Oft weiß man auch nicht, wie die Suchmaschinen arbeiten, denn das gehört zu den Geschäftsgeheimnissen der Betreiber. Man muss also davon ausgehen, dass die Suchmaschinen nicht alle relevanten Websites finden (können). Der nächste Schritt ist das Herunterladen der Websites, dafür gibt es Software, die unter den Bezeichnungen OfflineReader oder Webspider zu finden ist. Das Ziel dieser Programme ist, die Website in einer Form herunterzuladen, die es erlaubt, die Website offline zu betrachten. Die Struktur der Website wird in der Regel beibehalten. Wer die Inhalte einer Website analysieren will, muss also alle Dateien mit seiner Analysesoftware verarbeiten können. Software für Inhaltsanalyse geht davon aus, dass nur Textinformationen in einer einzigen Datei verarbeitet werden. QDA Software (qualitative data analysis) verarbeitet dagegen auch Audiound Videoinhalte sowie internetspezifische Kommunikation wie z.B. Chats.
    Series
    Fortschritte in der Wissensorganisation; Bd.7
    Source
    Wissensorganisation und Edutainment: Wissen im Spannungsfeld von Gesellschaft, Gestaltung und Industrie. Proceedings der 7. Tagung der Deutschen Sektion der Internationalen Gesellschaft für Wissensorganisation, Berlin, 21.-23.3.2001. Hrsg.: C. Lehner, H.P. Ohly u. G. Rahmstorf
  18. Drees, B.: Text und data mining : Herausforderungen und Möglichkeiten für Bibliotheken (2016) 0.02 
    0.015366272 = product of:
  0.030732544 = sum of:
    0.018077143 = weight(_text_:h in 3952) [ClassicSimilarity], result of:
      0.018077143 = score(doc=3952,freq=2.0), product of:
        0.10975983 = queryWeight, product of:
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.04417874 = queryNorm
        0.16469726 = fieldWeight in 3952, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.4844491 = idf(docFreq=10020, maxDocs=44218)
          0.046875 = fieldNorm(doc=3952)
    0.012655402 = product of:
      0.025310803 = sum of:
        0.025310803 = weight(_text_:der in 3952) [ClassicSimilarity], result of:
          0.025310803 = score(doc=3952,freq=6.0), product of:
            0.098685004 = queryWeight, product of:
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.04417874 = queryNorm
            0.25648075 = fieldWeight in 3952, product of:
              2.4494898 = tf(freq=6.0), with freq of:
                6.0 = termFreq=6.0
              2.2337668 = idf(docFreq=12875, maxDocs=44218)
              0.046875 = fieldNorm(doc=3952)
      0.5 = coord(1/2)
  0.5 = coord(2/4)
    Abstract
    Text und Data Mining (TDM) gewinnt als wissenschaftliche Methode zunehmend an Bedeutung und stellt wissenschaftliche Bibliotheken damit vor neue Herausforderungen, bietet gleichzeitig aber auch neue Möglichkeiten. Der vorliegende Beitrag gibt einen Überblick über das Thema TDM aus bibliothekarischer Sicht. Hierzu wird der Begriff Text und Data Mining im Kontext verwandter Begriffe diskutiert sowie Ziele, Aufgaben und Methoden von TDM erläutert. Diese werden anhand beispielhafter TDM-Anwendungen in Wissenschaft und Forschung illustriert. Ferner werden technische und rechtliche Probleme und Hindernisse im TDM-Kontext dargelegt. Abschließend wird die Relevanz von TDM für Bibliotheken, sowohl in ihrer Rolle als Informationsvermittler und -anbieter als auch als Anwender von TDM-Methoden, aufgezeigt. Zudem wurde im Rahmen dieser Arbeit eine Befragung der Betreiber von Dokumentenservern an Bibliotheken in Deutschland zum aktuellen Umgang mit TDM durchgeführt, die zeigt, dass hier noch viel Ausbaupotential besteht. Die dem Artikel zugrunde liegenden Forschungsdaten sind unter dem DOI 10.11588/data/10090 publiziert.
    Source
    Perspektive Bibliothek. 5(2016) H.1, S.49-73
  19. Hölzig, C.: Google spürt Grippewellen auf : Die neue Anwendung ist bisher auf die USA beschränkt (2008) 0.01 
    0.013687441 = product of:
  0.054749765 = sum of:
    0.054749765 = sum of:
      0.030807327 = weight(_text_:der in 2403) [ClassicSimilarity], result of:
        0.030807327 = score(doc=2403,freq=20.0), product of:
          0.098685004 = queryWeight, product of:
            2.2337668 = idf(docFreq=12875, maxDocs=44218)
            0.04417874 = queryNorm
          0.3121784 = fieldWeight in 2403, product of:
            4.472136 = tf(freq=20.0), with freq of:
              20.0 = termFreq=20.0
            2.2337668 = idf(docFreq=12875, maxDocs=44218)
            0.03125 = fieldNorm(doc=2403)
      0.023942437 = weight(_text_:22 in 2403) [ClassicSimilarity], result of:
        0.023942437 = score(doc=2403,freq=2.0), product of:
          0.15470642 = queryWeight, product of:
            3.5018296 = idf(docFreq=3622, maxDocs=44218)
            0.04417874 = queryNorm
          0.15476047 = fieldWeight in 2403, product of:
            1.4142135 = tf(freq=2.0), with freq of:
              2.0 = termFreq=2.0
            3.5018296 = idf(docFreq=3622, maxDocs=44218)
            0.03125 = fieldNorm(doc=2403)
  0.25 = coord(1/4)
    Content
    "Vor Google gibt es kein Entrinnen. Nun macht sich die größte Internetsuchmaschine daran, auch gefährliche Grippewellen in den USA vorauszusagen - und das schneller als die US-Gesundheitsbehörde. In den Regionen, in denen die Influenza grassiert, häufen sich erfahrungsgemäß auch die Online-Anfragen im Internet speziell zu diesem Thema. "Wir haben einen engen Zusammenhang feststellen können zwischen Personen, die nach themenbezogenen Informationen suchen, und Personen, die tatsächlich an der Grippe erkrankt sind", schreibt Google. Ein Webtool namens "Google Flu Trends" errechnet aus den Anfragen die Ausbreitung von Grippeviren. Auch wenn nicht jeder Nutzer erkrankt sei, spiegele die Zahl der Anfragen doch ziemlich genau die Entwicklung einer Grippewelle wider. Das belege ein Vergleich mit den Daten der US-Seuchenkontrollbehörde CDC, die in den meisten Fällen nahezu identisch seien. Die Internet-Suchmaschine könne anders als die Gesundheitsbehörde täglich auf aktuelle Daten zurückgreifen. Dadurch sei Google in der Lage, die Grippesaison ein bis zwei Wochen früher vorherzusagen. Und Zeit bedeutet Leben, wie Lyn Finelli sagt, Leiter der Abteilung Influenza der USSeuchenkontrollbehörde: "Je früher wir gewarnt werden, desto früher können wir handeln. Dies kann die Anzahl der Erkrankten erheblich minimieren." "Google Flu Trends" ist das erste Projekt, das Datenbanken einer Suchmaschine nutzt, um einen auftretenden Grippevirus zu lokalisieren - zurzeit nur in den USA, aber weltweite Prognosen wären ein folgerichtiger nächster Schritt. Philip M. Polgreen von der Universität von Iowa verspricht sich noch viel mehr: "Theoretisch können wir diese Flut an Informationen dazu nutzen, auch den Verlauf anderer Krankheiten besser zu studieren." Um das Grippe-Ausbreitungsmodell zu erstellen, hat Google mehrere hundert Milliarden Suchanfragen aus den vergangenen Jahren analysiert. Datenschützer haben den Internetgiganten bereits mehrfach als "datenschutzfeindlich" eingestuft. Die Anwender wüssten weder, was mit den gesammelten Daten passiere, noch wie lange gespeicherte Informationen verfügbar seien. Google versichert jedoch, dass "Flu Trends" die Privatsphäre wahre. Das Tool könne niemals dazu genutzt werden, einzelne Nutzer zu identifizieren, da wir bei der Erstellung der Statistiken lediglich anonyme Datenmaterialien nutzen. Die Muster, die wir in den Daten analysieren, ergeben erst in einem größeren Kontext Sinn." An einer echten Virus-Grippe - nicht zu verwechseln mit einer Erkältung - erkranken weltweit mehrere Millionen Menschen, mehr als 500 000 sterben daran."
    Date
    3. 5.1997 8:44:22
  20. Lischka, K.: Spurensuche im Datenwust : Data-Mining-Software fahndet nach kriminellen Mitarbeitern, guten Kunden - und bald vielleicht auch nach Terroristen (2002) 0.01 
    0.012859968 = product of:
  0.05143987 = sum of:
    0.05143987 = sum of:
      0.033483043 = weight(_text_:der in 1178) [ClassicSimilarity], result of:
        0.033483043 = score(doc=1178,freq=42.0), product of:
          0.098685004 = queryWeight, product of:
            2.2337668 = idf(docFreq=12875, maxDocs=44218)
            0.04417874 = queryNorm
          0.3392921 = fieldWeight in 1178, product of:
            6.4807405 = tf(freq=42.0), with freq of:
              42.0 = termFreq=42.0
            2.2337668 = idf(docFreq=12875, maxDocs=44218)
            0.0234375 = fieldNorm(doc=1178)
      0.017956827 = weight(_text_:22 in 1178) [ClassicSimilarity], result of:
        0.017956827 = score(doc=1178,freq=2.0), product of:
          0.15470642 = queryWeight, product of:
            3.5018296 = idf(docFreq=3622, maxDocs=44218)
            0.04417874 = queryNorm
          0.116070345 = fieldWeight in 1178, product of:
            1.4142135 = tf(freq=2.0), with freq of:
              2.0 = termFreq=2.0
            3.5018296 = idf(docFreq=3622, maxDocs=44218)
            0.0234375 = fieldNorm(doc=1178)
  0.25 = coord(1/4)
    Content
    "Ob man als Terrorist einen Anschlag gegen die Vereinigten Staaten plant, als Kassierer Scheine aus der Kasse unterschlägt oder für bestimmte Produkte besonders gerne Geld ausgibt - einen Unterschied macht Data-Mining-Software da nicht. Solche Programme analysieren riesige Daten- mengen und fällen statistische Urteile. Mit diesen Methoden wollen nun die For- scher des "Information Awaren in den Vereinigten Staaten Spuren von Terroristen in den Datenbanken von Behörden und privaten Unternehmen wie Kreditkartenfirmen finden. 200 Millionen Dollar umfasst der Jahresetat für die verschiedenen Forschungsprojekte. Dass solche Software in der Praxis funktioniert, zeigen die steigenden Umsätze der Anbieter so genannter Customer-Relationship-Management-Software. Im vergangenen Jahr ist das Potenzial für analytische CRM-Anwendungen laut dem Marktforschungsinstitut IDC weltweit um 22 Prozent gewachsen, bis zum Jahr 2006 soll es in Deutschland mit einem jährlichen Plus von 14,1 Prozent so weitergehen. Und das trotz schwacher Konjunktur - oder gerade deswegen. Denn ähnlich wie Data-Mining der USRegierung helfen soll, Terroristen zu finden, entscheiden CRM-Programme heute, welche Kunden für eine Firma profitabel sind. Und welche es künftig sein werden, wie Manuela Schnaubelt, Sprecherin des CRM-Anbieters SAP, beschreibt: "Die Kundenbewertung ist ein zentraler Bestandteil des analytischen CRM. Sie ermöglicht es Unternehmen, sich auf die für sie wichtigen und richtigen Kunden zu fokussieren. Darüber hinaus können Firmen mit speziellen Scoring- Verfahren ermitteln, welche Kunden langfristig in welchem Maße zum Unternehmenserfolg beitragen." Die Folgen der Bewertungen sind für die Betroffenen nicht immer positiv: Attraktive Kunden profitieren von individuellen Sonderangeboten und besonderer Zuwendung. Andere hängen vielleicht so lauge in der Warteschleife des Telefonservice, bis die profitableren Kunden abgearbeitet sind. So könnte eine praktische Umsetzung dessen aussehen, was SAP-Spreche-rin Schnaubelt abstrakt beschreibt: "In vielen Unternehmen wird Kundenbewertung mit der klassischen ABC-Analyse durchgeführt, bei der Kunden anhand von Daten wie dem Umsatz kategorisiert werden. A-Kunden als besonders wichtige Kunden werden anders betreut als C-Kunden." Noch näher am geplanten Einsatz von Data-Mining zur Terroristenjagd ist eine Anwendung, die heute viele Firmen erfolgreich nutzen: Sie spüren betrügende Mitarbeiter auf. Werner Sülzer vom großen CRM-Anbieter NCR Teradata beschreibt die Möglichkeiten so: "Heute hinterlässt praktisch jeder Täter - ob Mitarbeiter, Kunde oder Lieferant - Datenspuren bei seinen wirtschaftskriminellen Handlungen. Es muss vorrangig darum gehen, einzelne Spuren zu Handlungsmustern und Täterprofilen zu verdichten. Das gelingt mittels zentraler Datenlager und hoch entwickelter Such- und Analyseinstrumente." Von konkreten Erfolgen sprich: Entlas-sungen krimineller Mitarbeiter-nach Einsatz solcher Programme erzählen Unternehmen nicht gerne. Matthias Wilke von der "Beratungsstelle für Technologiefolgen und Qualifizierung" (BTQ) der Gewerkschaft Verdi weiß von einem Fall 'aus der Schweiz. Dort setzt die Handelskette "Pick Pay" das Programm "Lord Lose Prevention" ein. Zwei Monate nach Einfüh-rung seien Unterschlagungen im Wert von etwa 200 000 Franken ermittelt worden. Das kostete mehr als 50 verdächtige Kassiererinnen und Kassierer den Job.
    Jede Kasse schickt die Daten zu Stornos, Rückgaben, Korrekturen und dergleichen an eine zentrale Datenbank. Aus den Informationen errechnet das Programm Kassiererprofile. Wessen Arbeit stark Durchschnitt abweicht, macht sich verdächtig. Die Kriterien" legen im Einzelnen die Revisionsabteilungen fest, doch generell gilt: "Bei Auffälligkeiten wie überdurchschnittlichvielenStornierungen, Off nen der Kassenschublade ohne Verkauf nach einem Storno oder Warenrücknahmen ohne Kassenbon, können die Vorgänge nachträglich einzelnen Personen zugeordnet werden", sagt Rene Schiller, Marketing-Chef des Lord-Herstellers Logware. Ein Kündigungsgrund ist eine solche Datensammlung vor Gericht nicht. Doch auf der Basis können Unternehmen gezielt Detektive einsetzen. Oder sie konfrontieren die Mitarbeiter mit dem Material; woraufhin Schuldige meist gestehen. Wilke sieht Programme wie Lord kritisch:"Jeder, der in dem Raster auffällt, kann ein potenzieller Betrüger oder Dieb sein und verdient besondere Beobachtung." Dabei könne man vom Standard abweichen, weil man unausgeschlafen und deshalb unkonzentriert sei. Hier tut sich für Wilke die Gefahr technisierter Leistungskontrolle auf. "Es ist ja nicht schwierig, mit den Programmen zu berechnen, wie lange beispielsweise das Kassieren eines Samstagseinkaufs durchschnittlich dauert." Die Betriebsräte - ihre Zustimmung ist beim Einsatz technischer Kon trolleinrichtungen nötig - verurteilen die wertende Software weniger eindeutig. Im Gegenteil: Bei Kaufhof und Edeka haben sie dem Einsatz zugestimmt. Denn: "Die wollen ja nicht, dass ganze Abteilungen wegen Inventurverlusten oder dergleichen unter Generalverdacht fallen", erklärt Gewerkschaftler Wilke: "Angesichts der Leistungen kommerzieller Data-Mining-Programme verblüfft es, dass in den Vereinigten Staaten das "Information Awareness Office" noch drei Jahre für Forschung und Erprobung der eigenen Programme veranschlagt. 2005 sollen frühe Prototypen zur Terroristensuche einesgetz werden. Doch schon jetzt regt sich Protest. Datenschützer wie Marc Botenberg vom Informationszentrum für Daten schutz sprechen vom "ehrgeizigsten öffentlichen Überwachungssystem, das je vorgeschlagen wurde". Sie warnen besonders davor, Daten aus der Internetnutzung und private Mails auszuwerten. Das Verteidigungsministerium rudert zurück. Man denke nicht daran, über die Software im Inland aktiv zu werden. "Das werden die Geheimdienste, die Spionageabwehr und die Strafverfolger tun", sagt Unterstaatssekretär Edward Aldridge. Man werde während der Entwicklung und der Tests mit konstruierten und einigen - aus Sicht der Datenschützer unbedenklichen - realen Informationen arbeiten. Zu denken gibt jedoch Aldriges Antwort auf die Frage, warum so viel Geld für die Entwicklung von Übersetzungssoftware eingeplant ist: Damit man Datenbanken in anderen Sprachen nutzen könne - sofern man auf sie rechtmäßigen Zugriff bekommt."

Authors

Years

Languages

  • d 37
  • e 30

Types

  • a 52
  • el 13
  • m 10
  • s 7
  • p 1
  • x 1
  • More… Less…

Themes

Subjects

Classifications