The present thesis deals with the technological problem of predicting fil-tration from an information technological point of view, by application of data mining methods. This work follows the CRISP-DM (Cross-Industry Standard Process for Data Mining) approach and base upon the analysis of the historic data (production and laboratory data of five years) of a Munich brewery. Within the DM process three sub tasks are carried out. Firstly, the filtra-tion are classified and evaluated by means of two approaches, differing by the type of data reduction. The resulting filtration classes, e.g. “good” or “poor”, are validated by the use of experts knowledge, showing the cor-rectness of the automatically revealed classes and their evaluation. This shows the aptitude of the applied methods. The second task is given by the analysis of the models input data, thus the laboratory data. This tasks aims at findings patterns within data. The results of these two tasks form the fundament for the third task, the prediction of filtration. Within this work the following methods are used: Cluster Analysis, Deci-sion Trees, Artificial Neural Networks, Fuzzy Logic, Expectation Maximisa-tion and Principal Components Analysis. The results and findings are vali-dated by splitting the data in two samples, one for training and one for evaluation, as well as by experts knowledge. Finally, this thesis demonstrates the aptitude of DM methods for analysis and knowledge discovery in the field of brewing technology. The prediction of filtration yields prediction rates of about 80%, depending on the applied modelling technique and data reduction. The variation of the different methods and types of data reduction indicates a lack of information. A fur-ther increase of prediction quality can not be enhanced by means of methods but by an extension of input data.     «

The present thesis deals with the technological problem of predicting fil-tration from an information technological point of view, by application of data mining methods. This work follows the CRISP-DM (Cross-Industry Standard Process for Data Mining) approach and base upon the analysis of the historic data (production and laboratory data of five years) of a Munich brewery. Within the DM process three sub tasks are carried out. Firstly, the filtra-tion are classified and evaluated by means of two...     »

In der vorliegenden Arbeit wird die Problematik der Filtrationsvorhersage aus informationstechnologischer Sicht, also unter Anwendung von Data Mining Verfahren, behandelt. Diese Arbeit folgt dem CRISP-DM (Cross-Industry Standard Process for Data Mining) Ansatz und basiert auf der Auswertung der historischen Daten einer Münchener Brauerei (Betriebs- und Labordaten der vergangenen 5 Jahre). Im Laufe des DM-Prozesses werden 3 Teilaufgaben bearbeitet. Als erstes ist dies die Klassifizierung und Bewertung der Filtration. Mit zwei Ansätzen, die sich in der Art der Datenreduktion der Filtrationskurven unterschieden, werden die Filtrationen der verschiedenen Biersorten der Brauerei unter-sucht, klassifiziert und bewertet, z.B. als „gut“ oder „schlecht“. Die so ge-funden Klassen werden mittels Expertenwissen validiert und es zeigt sich, dass die automatisch gefundenen und bewerteten Klassen korrekt sind. Dies verdeutlicht bereits die Eignung der angewendeten Verfahren. Die zweite Teilaufgabe stellt die Analyse der Eingangsdaten des Models dar, also der Labordaten der Filtrationsbiere. Hier geht es darum, Muster in den Daten aufzudecken, die für die dritte Teilaufgabe, die Vorhersage von Filtrationen basierend auf den Ergebnissen der ersten beiden Teilaufgaben, verwendet werden. Im Rahmen der Arbeit finden die folgenden Methoden Verwendung: Cluster Analyse, Entscheidungsbäume, künstliche Neuronale Netze, Fuzzy Logik, Erwartungs-Maximierung und Hauptkomponenten Analyse. Zur Va-lidierung der Ergebnisse und Erkenntnisse wird zum Einen die Datenmen-ge immer in Trainings- und Validierungsdaten aufgeteilt, zum Anderen werden die Ergebnisse Expertenwissen gegenübergestellt und so überprüft. Letztlich zeigt diese Arbeit die Eignung von DM-Methoden für die Analyse und Wissensgewinnung auch im Bereich der Brauereitechnologie. Die Vor-hersage von Filtrationen gelingt dabei mit einer Erfolgsrate von bis zu 80%, abhängig vom gewählten Model und der Datenaufbereitung und –reduktion. Die Variation von verschiedenen Verfahren und Datenaufberei-tungsarten zeigt, dass die Vorhersagequalität durch den Informationsge-halt der verwendeten Daten beschränkt ist. Eine weitere Steigerung der Vorhersagequalität ist nur durch eine Erweiterung der Datenbasis möglich.     «

In der vorliegenden Arbeit wird die Problematik der Filtrationsvorhersage aus informationstechnologischer Sicht, also unter Anwendung von Data Mining Verfahren, behandelt. Diese Arbeit folgt dem CRISP-DM (Cross-Industry Standard Process for Data Mining) Ansatz und basiert auf der Auswertung der historischen Daten einer Münchener Brauerei (Betriebs- und Labordaten der vergangenen 5 Jahre). Im Laufe des DM-Prozesses werden 3 Teilaufgaben bearbeitet. Als erstes ist dies die Klassifizierung und Bewe...     »