Kännetecken för rumsliga data
Spatial databaser och datalager
Kunskapsupptäckt i databaser
Mönster visualisering
Spatial prediktion (klassificering och regression)
Spatial segmentering och klustring
Spatiala trender
Spatiala associationer
Spatiala extremvärden
Spatio-temporala och rörliga objekt i databaser
Spatio-temporala och bana data mining
Nya trender inom rumslig data mining: arkitekturer och paradigm
Med den utbredda användningen av kommunikations-, computing-, mobil positionerings- (eller sensor) teknik har de stora och exponentiellt växande rumsliga datamängder som samlas in snabbt gjort rumslig data mining en viktig färdighet i vetenskapliga och industriella företag. Spatial data mining, som är i fokus för denna kurs, är den algoritmiska delen av en större, iterativ process som syftar till att upptäcka intressanta, användbara, icke-triviala, rumsliga mönster ((o)regelbundenheter / förhållanden) i stora rumsliga datamängder. Huvudsyftet med denna kurs är att lära eleverna om grundläggande data mining uppgifter, begrepp, metoder och verktyg. Studenterna kommer att tillämpa dessa på verkliga problem genom att med hjälp av stora datamängder i individuella terminsprojekt. Eleverna kommer att få möjlighet att 1) lära sig och diskutera väletablerade rumsliga data mining-metoder och verktyg (i föreläsningar), 2) presentera och diskutera state-of-the-art forskning inom området rumslig data mining (i seminarier), och 3) presentera (både muntligt och skriftligt) och diskutera hur de har tillämpat en viss rumslig data mining metod / verktyg för att lösa ett verkligt problem (genom terminsprojektet). Vid alltför låg efterfrågan (< 5 studenter), kommer kursen att ges i form av självstudier som bygger på litteraturstudier och den enskilda studentens terminsprojekt.
Efter genomgången kurs ska studenten kunna:
- definiera och karaktärisera de unika aspekter av rumslig data mining
- beskriva och differentiera mellan viktiga data mining uppgifter (regression, klassificering, klustring, association mining och outlier detection)
- beskriva och kritiskt värdera styrkan och svagheterna i olika databrytningsmetoder för en given data mining uppgift
- välja en existerande eller ta fram en ny data mining metod som är lämplig för ett valt verkliga data mining problem
- tillämpa vald / utarbetad metod till det valda problemet i ett individuellt terminsprojekt och presentera forskningsresultat både muntligt och skriftligt i form av ett kort papper eller affisch som uppfyller internationella normer för vetenskaplig publicering inom rumsliga data mining.