Neuronale Netze für Clustern und Vorhersage. Methodenvergleich und Tools

Inhaltsverzeichnis

• 1 Einführung
• 1.1 Problem
• 1.2 Ziel und Aufbau
• 2 Neuronale Netze
• 2.1 Hintergrund - Eine kurze Geschichte der Neuroinformatik
• 2.2 Betriebswirtschaftliche Anwendungen Neuronaler Netze
• 2.3 Grundlagen
• 2.4 Backpropagation-Netze
• 2.5 Eigenschaften
• 2.6 Einordnung
• 3 Cluster und Vorhersage als Bestandteile von Data Mining
• 3.1 Clusteranalyse
• 3.1.1 Einführung
• 3.1.2 Methodischer Hintergrund
• 3.1.2.1 K-Means-Verfahren
• 3.1.2.2 Kohonen Netze (SOM – Self-Organizing Feature Maps)
• 3.2 Vorhersage
• 3.2.1 Einführung
• 3.2.2 Methodischer Hintergrund
• 3.2.2.1 Box-Jenkins Technik
• 3.2.2.2 Backpropagation-Netze
• 3.3 Data Mining
• 3.3.1 Begriffsbestimmung
• 3.3.2 Konzeption des Data Mining
• 3.3.3 Phasenmodell des Data Mining-Prozesses
• 3.3.3.1 Problemdefinition
• 3.3.3.2 Datenaufbereitung
• 3.3.3.3 Data Mining-Analyse
• 3.3.3.4 Interpretation der Ergebnisse
• 4 Einsatz von Neuronalen Netzen in Software-Tools
• 4.1 Ausgangssituation
• 4.2 Eingesetzte Software
• 4.2.1 IBM Intelligent Miner
• 4.2.2 KnowledgeSTUDIO
• 4.2.3 NeuNet Pro
• 4.2.4 SPSS
• 4.2.5 SPSS Clementine
• 4.3 Vorgehensweise
• 4.3.1 Problemdefinition
• 4.3.2 Datenaufbereitung
• 4.3.3 Analyse Clusteranalyse
• 4.3.3.1 Trainieren des Kohonen-Netzes
• 4.3.3.2 Testen des KNN
• 4.3.3.3 Clustern der Versicherungsdaten
• 4.3.3.4 Vergleich mit dem K-Means-Verfahren
• 4.3.3.5 Zusammenfassung
• 4.3.4 Analyse - Prognose
• 4.3.4.1 Trainieren des Netzes
• 4.3.4.2 Testen des KNN
• 4.3.4.3 Prognose der Versicherungsdaten
• 4.3.4.4 Vergleich mit der Box-Jenkins-Technik
• 4.3.4.5 Zusammenfassung
• 5 Resümee und Ausblick

Zielsetzung und Themenschwerpunkte

Die vorliegende Diplomarbeit untersucht die Anwendung von Neuronalen Netzen im Bereich des Data Mining. Der Fokus liegt dabei auf den Verfahren der Clusteranalyse und Vorhersage. Ziel ist es, die Funktionsweise und Einsatzmöglichkeiten dieser Methoden in der Praxis aufzuzeigen und einen Vergleich mit traditionellen Verfahren durchzuführen. Die Arbeit beinhaltet eine detaillierte Erläuterung der Grundlagen Neuronaler Netze, eine Analyse der Methoden der Clusteranalyse und Vorhersage und die Evaluierung der Resultate von verschiedenen Software-Tools.

• Einsatz von Neuronalen Netzen im Data Mining
• Vergleich von Neuronalen Netzen mit traditionellen Verfahren
• Anwendungen der Clusteranalyse und Vorhersage
• Evaluierung von Software-Tools für Data Mining
• Analyse von Versicherungsdaten mit Neuronalen Netzen

Zusammenfassung der Kapitel

Kapitel 1 führt in das Thema der Arbeit ein und definiert das Problem sowie das Ziel der Untersuchung. Kapitel 2 beschäftigt sich mit den Grundlagen Neuronaler Netze, inklusive ihrer Geschichte, Einsatzmöglichkeiten und Eigenschaften. In Kapitel 3 werden die wichtigen Bereiche des Data Mining, Clusteranalyse und Vorhersage, anhand von verschiedenen Verfahren wie dem K-Means-Verfahren und den Kohonen-Netzen erläutert. Kapitel 4 untersucht den praktischen Einsatz von Neuronalen Netzen in Software-Tools und analysiert verschiedene Anwendungsbeispiele, insbesondere die Clusteranalyse und Prognose von Versicherungsdaten. Abschließend werden in Kapitel 5 die Ergebnisse der Arbeit zusammengefasst und ein Ausblick auf zukünftige Forschungsgebiete gegeben.

Schlüsselwörter

Neuronale Netze, Data Mining, Clusteranalyse, Vorhersage, K-Means-Verfahren, Kohonen Netze, Backpropagation-Netze, Box-Jenkins Technik, Software-Tools, IBM Intelligent Miner, KnowledgeSTUDIO, NeuNet Pro, SPSS, SPSS Clementine, Versicherungsdaten, Prognosemodelle.