Data Mining and KD an der TU München

Karteikarten und Zusammenfassungen für Data Mining and KD an der TU München

Arrow Arrow

Komplett kostenfrei

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs Data Mining and KD an der TU München.

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

Scales for numerical measurements

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

How do you represent data  when there is no feature vector for the objects

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

What does Fourier analysis allow us?

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

Fuzzy histogram

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

Histogram

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

Sammon mapping

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

MDS - what is it?

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:


Why do we need data transformation?


Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

Exponential filter

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

Asymmetric windows

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

Symmetric filtering

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

Inlier - how to detect?

Kommilitonen im Kurs Data Mining and KD an der TU München. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für Data Mining and KD an der TU München auf StudySmarter:

Data Mining and KD

Scales for numerical measurements

Ratio 

= > < + -  * /

21 years, 273 Kelvin

Generalized mean


Interval

= > < + - 
2015 A.D, 20 C 

Mean


Ordinal

> < = 

A,B,C,D,F

Median


Nominal

Alice, Bob, Carol

Mode

Data Mining and KD

How do you represent data  when there is no feature vector for the objects

the relation of all pairs of objects can often be quantified and written as a square matrix


Each relation may refer to a degree of:

  • similarity, dissimilarity,
  • compatibility, incompatibility, 
  • proximity or distance





Data Mining and KD

What does Fourier analysis allow us?

Given time series data, Fourier analysis allows us to compute the 

  • amplitude spectrum Y (y1....ym) and the 
  • phase spectrum P (p1....pm)


that represent the:

frequencies, amplitudes, and phase angles of the spectral components of the time series.

Data Mining and KD

Fuzzy histogram

  • partially counts data for several neighboring bins
  • For example, a number at the border between two bins may be counted as half for one and a half for the other bin

Data Mining and KD

Histogram

  • Equally sized intervals
  • The left and right borders of each bar represent the lower and upper limits of the corresponding data interval. 
  • The height of each bar

    represents the interval count.

Data Mining and KD

Sammon mapping

Idea: map a dataset X to a data set Y

like MDS,


it simply provides a measure of how well the result of a transformation reflects the structure present in the original dataset, in the sense described above.


In other words, we are attempting not to find an optimal mapping to apply to the original data, but rather to construct a new lower-dimensional dataset, which has structure as similar to the first dataset as possible.

Data Mining and KD

MDS - what is it?

MDS of a feature data set X yields the same results as PCA.


More than PCA:

produce an (approximate) feature space representation Y for relational data specified
by a Euclidean distance matrix D.

Data Mining and KD


Why do we need data transformation?


  • incorrect results may be obtained IF the ranges of the feature are so different
  • Also the choice of the feature units might be arbitrary. 

Data Mining and KD

Exponential filter


  • The exponential filter works best with slow changes of the filtered data
  • for time series
  • The current filter output is affected by each past filter output  with the multiplier so the filter exponentially forgets previous filter outputs, hence the name exponential filter.
  • The outlier suppression is much
    weaker than with the median filter




Data Mining and KD

Asymmetric windows

  • Even order
  • Asymmetric windows are also suitable for online filtering and are able to provide each filter output yk as soon as xk is known.

Data Mining and KD

Symmetric filtering

odd order q=(3; 5; 7.....)

Symmetric windows are only suitable for offline filtering when the future values of the series are already known

Data Mining and KD

Inlier - how to detect?


  • They are local outliers
  • Can be  detected when considering the differential change of subsequent values


Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für Data Mining and KD an der TU München zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang Data Mining and KD an der TU München gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur TU München Übersichtsseite

Blockchain

Cognitive System

Databases for modern CPU

Protein Prediction I

Data Analysis in R

18WS_Strategisches_IT_Management

Patterns

Softwaretechnik

Autonomous Driving

Requirements Engineering

Web Application Engineering

Business Analytics

Echtzeitsysteme

Patterns in Software Engineering

Principles of Economics

Data Mining and Knowledge Discovery

Introduction to Deep Learning

Visual data analytics

Security Engineering

SE betr Anw

Algorithmic Game Theory

Grundlagen der Künstlichen Intelligenz

Virtual Machines

SEBA Master

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für Data Mining and KD an der TU München oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards

So funktioniert's

Top-Image

Individueller Lernplan

StudySmarter erstellt dir einen individuellen Lernplan, abgestimmt auf deinen Lerntyp.

Top-Image

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus deinen Inhalten.

Top-Image

Erstelle Zusammenfassungen

Markiere die wichtigsten Passagen in deinen Dokumenten und bekomme deine Zusammenfassung.

Top-Image

Lerne alleine oder im Team

StudySmarter findet deine Lerngruppe automatisch. Teile deine Lerninhalte mit Freunden und erhalte Antworten auf deine Fragen.

Top-Image

Statistiken und Feedback

Behalte immer den Überblick über deinen Lernfortschritt. StudySmarter führt dich zur Traumnote.

1

Lernplan

2

Karteikarten

3

Zusammenfassungen

4

Teamwork

5

Feedback