Die Eignung Neuronaler Netze fur die Mining-Funktionen Clustern und Vorhersage

Schnelles Wachstum gespeicherter Datenmengen in der Informationstechnik fuhrte in den vergangenen Jahren zu einem steigenden Interesse an Methoden, die in der Lage sind, nutzliches Wissen automatisch aus groen Datenbestanden zu filtern. Mit dem Ziel, solche Methoden zu entwickeln, hat sich inzwischen unter Synonymen wie Data Mining"e;, Knowledge Discovery in Databases"e; (KDD) oder Datenmustererkennung"e; eine neue Forschungsrichtung etabliert, die bislang isoliert arbeitende Einzeldisziplinen vereinigt. Zu nennen sind die Disziplinen Statistik, Datenbank- und Expertensystemforschung, automatischer Wissenserwerb, Maschinelles Lernen und Fuzzy-Datenanalyse. Die Literatur ber Data Mining"e; dokumentiert zahlreiche Versuche, aus verschiedenartigsten Datenbestnden neue Erkenntnisse zu gewinnen. Hierbei werden unterschiedliche Algorithmen des Data Mining"e; beschrieben. Ziel hierbei ist es, die Eignung Neuronaler Netze, oft auch als Knstliche Neuronale Netze bezeichnet, als Mining-Algorithmen fr die Mining-Funktionen Clustern und Vorhersage zu untersuchen. Dabei begrenzt sich die Sichtweise auf Backpropagation- und Kohonen-Netze, da diese Neuronalen Netze fr Clustern und Vorhersagen prdestiniert sind.