Zusammenfassung
Die Analyse prozessgenerierter Daten (Salheiser und Thimm/Nehls/Peters, Kapitel 104 und 86, beide in diesem Band) und der dadurch erhoffte Einblick in die zugrundeliegenden Prozesse beflügelt die Fantasie der technischen Wissenschaften ebenso wie die der Sozialwissenschaften. Bevor „Data Science“ in aller Munde war, war es „Big Data“ (Trübner/Mühlichen, Kapitel 10 in diesem Band) und lange davor war die Rede vom „Data Mining“. All diesen Begriffen ist gemeinsam, dass sie prozessgenerierte Daten in den Vordergrund stellen und dass damit nicht die standardisierten Datensätze der Surveyforschung (Reinecke, Kapitel 62 in diesem Band) gemeint sind.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Similar content being viewed by others
Literatur
Bishop, Christopher M. (2006): Pattern Recognition and Machine Learning. New York: Springer. Online verfügbar über Microsoft Research Publications: https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf
Buitinck, L. et al. (2013): API Design for Machine Learning Software: Experiences from the Scikit-learn Project. In: ECML PKDD Workshop: Languages for Data Mining and Machine Learning. 108– 122.
Downey, Allen B. (2021): Think Bayes: Bayesian Statistics in Python. 2. Aufl. Beijing Boston Farnham Sebastopol Tokyo: O’Reilly Media. Online verfügbar über Green Tea Press: https://greenteapress.com/wp/think-bayes/
Fayyad, Usama/Piatetsky-Shapiro, Gregory/Smyth, Padhraic (1996): From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3), 37– 54
Han, Jiawei/Pei, Jian/Kamber, Micheline (2011): Data Mining: Concepts and Techniques. Elsevier
scikit-learn (2022): scikit-learn. Machine Learning in Python. https://scikit-learn.org/stable/unsupervised_learning.html
Wolberg, William H. Wolberg/Street, W. Nick/Mangasarian, Olvi L. (1995): Breast Cancer Wisconsin (Diagnostic) Data Set. In: Dua, D./Graff, C. (2019): UCI Machine Learning Repository. Irvine (CA): University of California, School of Information and Computer Science. https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+%28Diagnostic%29
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Riebling, J.R. (2022). Data Mining und maschinelles Lernen. In: Baur, N., Blasius, J. (eds) Handbuch Methoden der empirischen Sozialforschung. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-37985-8_122
Download citation
DOI: https://doi.org/10.1007/978-3-658-37985-8_122
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-37984-1
Online ISBN: 978-3-658-37985-8
eBook Packages: Social Science and Law (German Language)