Search (2 results, page 1 of 1)

  • × year_i:[2020 TO 2030}
  • × theme_ss:"Data Mining"
  1. Mandl, T.: Text Mining und Data Mining (2023) 0.04 
    0.044913113 = product of:
  0.089826226 = sum of:
    0.089826226 = product of:
      0.17965245 = sum of:
        0.17965245 = weight(_text_:daten in 774) [ClassicSimilarity], result of:
          0.17965245 = score(doc=774,freq=8.0), product of:
            0.24402376 = queryWeight, product of:
              4.759573 = idf(docFreq=1029, maxDocs=44218)
              0.051270094 = queryNorm
            0.73620886 = fieldWeight in 774, product of:
              2.828427 = tf(freq=8.0), with freq of:
                8.0 = termFreq=8.0
              4.759573 = idf(docFreq=1029, maxDocs=44218)
              0.0546875 = fieldNorm(doc=774)
      0.5 = coord(1/2)
  0.5 = coord(1/2)
    Abstract
    Text und Data Mining sind ein Bündel von Technologien, die eng mit den Themenfeldern Statistik, Maschinelles Lernen und dem Erkennen von Mustern verbunden sind. Die üblichen Definitionen beziehen eine Vielzahl von verschiedenen Verfahren mit ein, ohne eine exakte Grenze zu ziehen. Data Mining bezeichnet die Suche nach Mustern, Regelmäßigkeiten oder Auffälligkeiten in stark strukturierten und vor allem numerischen Daten. "Any algorithm that enumerates patterns from, or fits models to, data is a data mining algorithm." Numerische Daten und Datenbankinhalte werden als strukturierte Daten bezeichnet. Dagegen gelten Textdokumente in natürlicher Sprache als unstrukturierte Daten.
  2. Wiegmann, S.: Hättest du die Titanic überlebt? : Eine kurze Einführung in das Data Mining mit freier Software (2023) 0.02 
    0.022456557 = product of:
  0.044913113 = sum of:
    0.044913113 = product of:
      0.089826226 = sum of:
        0.089826226 = weight(_text_:daten in 876) [ClassicSimilarity], result of:
          0.089826226 = score(doc=876,freq=2.0), product of:
            0.24402376 = queryWeight, product of:
              4.759573 = idf(docFreq=1029, maxDocs=44218)
              0.051270094 = queryNorm
            0.36810443 = fieldWeight in 876, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              4.759573 = idf(docFreq=1029, maxDocs=44218)
              0.0546875 = fieldNorm(doc=876)
      0.5 = coord(1/2)
  0.5 = coord(1/2)
    Abstract
    Am 10. April 1912 ging Elisabeth Walton Allen an Bord der "Titanic", um ihr Hab und Gut nach England zu holen. Eines Nachts wurde sie von ihrer aufgelösten Tante geweckt, deren Kajüte unter Wasser stand. Wie steht es um Elisabeths Chancen und hätte man selbst das Unglück damals überlebt? Das Titanic-Orakel ist eine algorithmusbasierte App, die entsprechende Prognosen aufstellt und im Rahmen des Kurses "Data Science" am Department Information der HAW Hamburg entstanden ist. Dieser Beitrag zeigt Schritt für Schritt, wie die App unter Verwendung freier Software entwickelt wurde. Code und Daten werden zur Nachnutzung bereitgestellt.

Authors