Neue Herausforderungen für dichtebasiertes Clustering

dc.contributor.author	Kröger, Peer
dc.contributor.editor	Wagner, Dorothea
dc.date.accessioned	2017-09-22T20:42:42Z
dc.date.available	2017-09-22T20:42:42Z
dc.date.issued	2005
dc.description.abstract	Knowledge Discovery in Databases (KDD) ist der Prozess der semiautomatischen Extraktion von Wissen aus Datenbanken, das gültig, bisher unbekannt und potentiell nützlich für eine gegebene Anwendung ist. Clustering ist ein möglicher Teilschritt in diesem Prozess. Dabei sollen die Objekte einer Datenbank anhand ihrer Ähnlichkeit in Gruppen (Cluster) partitioniert werden. Das dichtebasierte Clustermodell ist unter einer Vielzahl anderer Clustering-Ansätze eine der erfolgreichsten Me- thoden zum Clustering. Dieser Beitrag befasst sich mit neuartigen Problemfeldern des Clusterings. Anhand aktueller Anwendungen werden neue Herausforderungen an den dichtebasierten Clustering-Ansatz identifiziert und innovative Lösungen dazu erarbeitet. Details zu den vorgestellten Techniken können in [Kr$\ddot o04$] gefunden werden.	de
dc.identifier.isbn	978-3-88579-409-8
dc.identifier.pissn	1617-5468
dc.identifier.uri	https://dl.gi.de/handle/20.500.12116/4493
dc.language.iso	de
dc.publisher	Gesellschaft für Informatik
dc.relation.ispartof	Ausgezeichnete Informatikdissertationen 2004
dc.relation.ispartofseries	Lecture Notes in Informatics (LNI) - Dissertations, Volume D-5
dc.title	Neue Herausforderungen für dichtebasiertes Clustering	de
gi.citation.endPage	94
gi.citation.publisherPlace	Bonn
gi.citation.startPage	85

Dateien

1 - 1 von 1