Datenreinigung
Beschreibung
Datenreinigung bezeichnet sowohl das Erkennen als auch das Korrigieren von Daten, die aus verschiedensten Gründen Fehler aufweisen, und somit geschäftskritische Analysen verfälschen. Typische Fehler sind Rechtschreibfehler, veraltete Daten (Adressen) und mehrfaches Auftreten eines Objekts (eines Kunden).
In diesem Seminar werden verschiedene Kernthemen der Datenreinigung sowohl aus Forschungssicht als auch aus Sicht der Industrie behandelt. Dazu gehören z.B. Data Profiling, das automatische Erkennen von Doubletten, oder das Zusammenführen von Doubletten.
Das Seminar richtet sich an Studenten im Masterstudiengang. Die Leistungserfassung besteht aus einem Seminarvortrag und einer Implementierung bzw. einer Ausarbeitung (themenabhängig) zu einem ausgewählten Thema.
Anmeldung und Themenvergabe:
- Anwesenheit am ersten Termin
- Geordnete Themenwunschliste bis spätestens 1.5.07 per mail an Frank.Kaufer(at)hpi.uni-potsdam.de mit mind. 2 Themen aus mind. 2 Themengebieten (siehe unten); Bei Implementierungsthemen bitte auch den Teampartner angeben.
- Vergabe der Themen am 2.5.07; Benachrichtigung per mail
Termine und Themenvergabe
| Termin | Thema | Vortragender |
| 24.4.07 | Einführung in die Datenreinigung und Themen | Jana Bauckmann, Melanie Weis, Alexander Albrecht, Jens Bleiholder |
| 12.6.07 | LateX Einführung, Latex Vorlage Bericht | Jens Bleiholder |
| 19.6.07 | Probabilistische Fusion: Partial Natural Outer Join | Andreas Meyer, Andreas Blueher |
| 26.6.07 | Data Profiling: Bellman | Tobias Vogel, Matthias Kunze |
| 3.7.07 | Doublettenerkennung: Sorted Neighborhood | Oliver Wonneberg, Robert Kunze |
| 10.7.07 | Demos |
Themen
Data Profiling
- Bellman: Erkennen von Strukturmerkmalen einer Datenbank mit Hilfe von "summaries" (Beschreibung des Systems, Anwendungsbericht) - Implementierung des Findens von Join-Pfaden
- Finden von mehrattributigen Inklusionsabhängigkeiten (INDs) mit Hilfe von Cliquen in Hypergraphen (Short Paper, Technical Report) - Implementierung des Findens von INDs mit mind. 3 Attributen
- TANE: Finden von Funktionalen Abhängigkeiten - Implementierung des Findens exakter FDs und Vergleich mit den kommerziellen Produkten IBM® WebSphere® Information Analyzer und Microsoft® SSIS
Doublettenerkennung
- Die Sorted Neighborhood Methode + Erweiterungen für Doublettenerkennung in relationalen Daten (Implementierung)
- Doublettenerkennung in Graph Daten (Implementierung)
- DELPHI und DogmatiX: Duplikaterkennung in hierarchischen relationalen und XML Daten (Ausarbeitung)
Datenfusion
- Probabilistische Fusion: Partial Natural Outer Join (Implementierung)
- Subsumption als Fusion: Full Disjunction (Implementierung)
- TSIMMIS und Hermes, 2 Fusionssysteme (Ausarbeitung)
- Consistent Query Answering (Theorie / Systeme) (Ausarbeitung)
Datenreinigungssysteme
- Data-Cleaning Konzepte und Methoden kommerzieller Produkte, z.B. IBM® WebSphere® QualityStage und Microsoft® SSIS Einordnung und Bewertung (Implementierung)
- Deklaratives Data Cleaning in relationalen un XML Daten, z.B. AJAX vs. XClean (Ausarbeitung)