Knowledge discovery in databases auf der Grundlage dimensionshomogener Funktionen

Más información sobre el libro

Knowledge Discovery in Databases befasst sich mit der Entwicklung von Methoden zur Musterextraktion aus Daten. Im Gegensatz zur klassischen Datenanalyse nutzt es Data-Mining-Techniken, die für große Datenmengen geeignet sind. Ziel ist es, implizite Beziehungen in Datenbanken automatisch zu entdecken und verfügbar zu machen. Ein zentrales Problem ist die Transformation der Daten in eine kompakte, abstrahierte Form, die für Problemlösungen nützlich ist. Durch Abstraktion können gemeinsame Merkmale identifiziert und Daten verschiedenen Klassen zugeordnet werden, was den Suchraum verkleinert. Der Begriff der Ähnlichkeit spielt eine entscheidende Rolle bei der Entdeckung von Beziehungen in den Daten. Hierbei wird die Methode der Dimensionsanalyse aus der Physik verwendet, um Ähnlichkeit anhand dimensionsloser Kennzahlen zu definieren. Dadurch erfolgt die Analyse nicht im Raum der dimensionsbehafteten Problemausprägungen, sondern im Raum der dimensionslosen Kennzahlen. Die Identifikation von Beziehungen kann mittels fallbasierten Schließens erfolgen, dessen Mechanismus unter der Bedingung physikalischer Vollähnlichkeit formal begründet wird. Die methodische Vorgehensweise wird anhand von Beispielen illustriert. Zudem wird theoretisch dargelegt, wie fallbasiertes Schließen in technischen Problemstellungen durch dimensionshomogene Funktionen konsistent unterstützt wird, was eine umfassende theoretische Begründung des Ähnlichkeitsbegri