Graph Pattern Mining: Von der Theorie zur Praxis

Die Analyse von Graphdaten gewinnt zunehmendes Interesse in der IT-Welt. Neben der effizienten Abfrage von Pfaden und komplexen Mustern bietet das Graphmodell auch neue Möglichkeiten des Data Mining. Als Doktorand habe ich unter anderem einen Algorithmus zur Suche von häufigen Mustern in Graphdaten an die Bedürfnisse von Data-Science-Anwendungen angepasst, implementiert und an einem Security Use Case bei der Siemens AG evaluiert.

Im Vortrag motiviere ich geeignete Anwendungsfälle von Graph Pattern Mining an den Beispielen Prozessanalyse, Betrug und Gefahrenabwehr. Zudem berichte ich über meine Erfahrungen in Bezug auf Implementierung und Praxistauglichkeit. Dabei werde ich auch erklären, warum diese Klasse von Algorithmen nur bedingt von Hadoop profitieren kann.

Vorkenntnisse
* Datenbanken
* Datenmodellierung
* Datenanalyse
* Data Warehouse
* Data Mining
(jeweils Grundkenntnisse)

Lernziele
* Mehrwert des Graphmodells für die Datenanalyse
* Frequent Pattern Mining im Kontext des Graphmodells
* Verständnis der technischen Herausforderungen
* Übertragen des abstrakten Modells auf reale Anwendungsfälle

// André Petermann

ist als Software Architect tätig und untersuchte zuvor als Doktorand an der Universität Leipzig die Nutzung von Graphmodellen für Business Intelligence. Die Motivation hierfür entstand während seiner mehrjährigen Tätigkeit als Data-Warehouse-Entwickler. Seine Forschungsergebnisse hat er im Rahmen von zwei Open-Source-Projekten implementiert.