Grundlagen:

• Begriffsdefinition und Abgrenzung: Eine klare Definition relevanter Begriffe, um ein besseres Verständnis zu schaffen.
• Ziele und Aufgaben des Data Mining: Data Mining hat das Ziel, verborgene Muster und Zusammenhänge in Daten zu erkennen, um fundierte Entscheidungen zu ermöglichen und wertvolle Erkenntnisse zu gewinnen.
• Grundformen des Data-Mining: Mustererkennung zur Identifikation von verborgenen Zusammenhängen in Daten und Prognose zur Vorhersage zukünftiger Entwicklungen basierend auf bestehenden Datenmustern.
• Typische Anwendungsszenarien des Data Mining umfassen Bereiche wie Automatisierung,  und personalisierte Nutzererfahrungen.
• Verschiedene Formen von Eingabedaten.

Datenaufbereitung:

• Datenintegration: Die Zusammenführung und Harmonisierung von Daten aus verschiedenen Quellen, um eine einheitliche und zuverlässige Datenbasis zu schaffen.
• Datenbereinigung: Prozess der Entfernung oder Korrektur fehlerhafter, unvollständiger oder redundanter Daten in einem Datensatz, um die Datenqualität zu verbessern.
• Sampling: Auswahl einer repräsentativen Teilmenge aus einem größeren Datensatz, um Analysen schneller und effizienter durchzuführen.
• Datenaggregation: Zusammenfassung und Gruppierung von Daten, um aussagekräftige Statistiken oder Kennzahlen zu erstellen.
• Dimensionsreduzierung: Vereinfachung von Datensätzen durch Reduktion der Anzahl der Variablen, ohne wichtige Informationen zu verlieren.
• Datentransformation: Die Umwandlung und Anpassung von Daten in ein Format, das für die Analyse geeignet ist.

Ausgewählte Data-Mining-Verfahren:

• Assoziations-, Klassifikations- und Clusteranalyse.