G. Nakhaeizadeh, T. Reinartz, R. Wirth: Wissensentdeckung in Datenbanken und Data Mining: Ein Überblick.- C.A. Breitner, P.C. Lockemann, J.A. Schlösser: Die Rolle der Informationsverwaltung im KDD-Prozeß.- R. Engels, G. Lindner, R. Studer: Benutzerunterstützung für Wissensentdeckung in Datenbanken.- C. Borgelt, R. Kruse: Attributsauswahlmaße für die Induktion von Entscheidungsbäumen: Ein Überblick.- H. Kauderer, G. Nakhaeizadeh: Skalierung als alternative Datentransformation und deren Auswirkungen auf die Leistungsfähigkeit von Supervised Learning Algorithmen.- U. Grimmer, H.-J. Mucha: Datensegmentierung mittels Clusteranalyse.- F. Schwenker: Adaptive Verfahren der Clusteranalyse und der multidimensionalen Skalierung für die Analyse und Visualisierung hochdimensionaler Datenmengen.- P. Kischka: Kausale Interpretation von Graphen.- K.-P. Huber, M.R. Berthold: Datenbasierte Verhaltensanalyse mit Fuzzy Graphen.- H. v. Hasseln: IPF für bedingte Wahrscheinlichkeiten: Lernen in Probabilistischen Netzwerken.- P. Brockhausen, K. Morik: Wissensentdeckung in relationalen Datenbanken: Eine Herausforderung für das maschinelle Lernen.- S. Huschens: Konfidenzintervalle für den Value-at-Risk.- W. Jammernegg, M. Luptácik, G. Nakhaeizadeh, A. Schnabl: Ist ein fairer Vergleich von Data Mining Algorithmen möglich?- M. Müller, C. Hausdorf, J. Schneeberger: Zur Interessantheit bei der Entdeckung von Wissen in Datenbanken.- J. Utans: Modellselektion für Neuronale Netzwerke.- U. Anders: Die statistische Verteilung der Gewichte von neuronalen Netzen bei finiten Datenmengen.- J. Baetge, C. Uthoff: Entwicklung eines Bonitätsindexes auf der Basis von Wirtschaftsauskünften der Vereine Creditreform mit Künstlichen Neuronalen Netzen.- K. Bartlmae, T. Schneckenburger: Multi Task Learningzur Prognose von Aktienkursen unter Berücksichtigung der Integration von Finanzmarktdaten.- F.A. Rauscher: Neuronale Kointegration - Ein Anwendungsbeispiel zur Wechselkursprognose.- A. Szczesny: Risikomessung mit Shortfall-Maßen.

Die Extraktion von verwertbarem Wissen aus Daten ist ein Thema, das angesichts der Menge des zur Zeit verfügbaren Datenmaterials mehr und mehr an Aktualität gewinnt. Dieses Buch befaßt sich mit theoretischen und Anwendungsaspekten des Data Mining. Data Mining ist die Anwendung geeigneter Verfahren zur Wissensentdeckung in großen Datenbeständen und Kern eines Prozesses, der in der Literatur als "Knowledge Discovery in Databases" (KDD) beschrieben wird. Datei Mining und KDD haben sowohl interessante Forschungs- als auch Anwendungsaspekte. Sie bringen einerseits als interdisziplinäre Wissenschaft neue Herausforderungen für die Forschung auf Gebieten wie Statistik, maschinelles Lernen und Datenbanken. Andererseits sind sie für verschiedene praktische Anwendungen wie etwa Marketing, Logistik, Risikometrie, Qualitätssicherung, Konstruktion und Produktionsmanagement von großer Bedeutung. Die Beiträge dieses Buches sprechen diese beiden Aspekte an.