Seminarleiter

Prof. Dr. Hans-Joachim Zwiesler
Prof. Dr. Gholamreza Nakhaeizadeh
Prof. Dr. Evgeny Spodarev

Zeit und Ort

Themenvergabe: Mittwoch, 15. Oktober 2008, 14-15 Uhr in Raum E20, Helmholtzstraße 18 (Mathegebäude).

Blockveranstaltung: An einem Tag im Januar werden 6 Vorträge präsentiert.

Die Blockveranstaltung findet am 30. Januar 2009 im E60 statt.

Zeitplan:

9:00 - 9:45
Data Mining Preprocessing and Model Evaluation (Nian Guochen)

10:00 - 10:45
Data Mining Algorithms (Katrin Heim)

11:00 - 11:45
Association Mining (Shanshan Zhang)

-- Mittagspause --

13:00 - 13:45
Applying Data Mining Techniques in Property/Casualty Insurance (Martin Rottmar)

14:00 - 14:45
Probabilistic Estimation Based Data Mining for Discovering Insurance Risks (Ina Gassner)

15:00 - 15:45
Enhancing Generalised Linear Models with Data Mining (Peter Schlosser)

Umfang

1 Blockveranstaltung mit 6 Vorträgen (und eine Vorbesprechung)

Voraussetzungen

Stochastik-Vorlesungen

Zielgruppe

WiMa- und Mathe-Studenten

Inhalt

• Statistische Data Mining-Methoden
• Ihre versicherungstechnische Anwendungen bei
  • Beschreibung des Datenbestands
  • Homogenisierung des Portfolios
  • Gruppierung der Daten
  • Prämienberechnung

Kriterien zur Erlangung des Seminarscheins

Der Seminarschein wird für einen inhaltlich korrekten, gut strukturierten und verständlich präsentierten Vortrag mit zugehöriger Ausarbeitung in Textform vergeben.

Vorträge

• Data Mining Process: Data Pre-processing, Model Evaluation
• Association Mining: Mining frequent Patterns, Association Rules
• Data Mining Algorithms: Supervised and Unsupervised Learning, Classification, Prediction and Clustering Methods
• Applying data mining techniques in property/casualty insurance
• Versicherungsmathematische Anwendungen in der Praxis mit Schwerpunkt Kraftfahrt und Allgemeine Haftpflicht
• A comparison of soft computing and traditional approaches for risk classification and claim cost prediction in the automobileinsurance industry

Literatur

• C. Apte, E. Grossmann, E. Pednault, B. Rosen, F. Tipu, B. White
  Probabilistic estimation-based data mining for discovering insurance risks
  in: IEEE Intelligent Systems, 14. Jahrgang, Heft 6, S. 49-58, 1999
• M. Brooks, K.A. Smith, R.J. Willis, A.C. Yeo
  A comparison of soft computing and traditional approaches for risk classification and claim cost prediction in the automobileinsurance industry
  in V. Kreinovich, L. Reznik Soft Computing in Measurement and Information Acquisition: Studies in Fuzziness and Soft Computing,
  Springer Verlag, Heidelberg, S. 249-251, 2003
• L. Guo
  Applying data mining techniques in property/casualty insurance
  in: Casualty Actuarial Society Forum, Winter 2003, S. 1-25, 2003
• M. Heep-Altiner, M. Klemmstein
  Versicherungsmathematische Anwendungen in der Praxis mit Schwerpunkt Kraftfahrt und Allgemeine Haftpflicht
  Verlag Versicherungswirtschaft, Karlsruhe, 2001
• Jiawei Han, Micheline Kamber
  Data Mining : Concepts and Techniques
  2nd edition
  Morgan Kaufmann, ISBN 1558609016, 2006
• I. Kolyshkina, S. Lim, S. Wong
  Enhancing Generalized Linear Models with Data Mining
  in: Discussion Paper Program 2004 - Applying and Evaluating Generalized Linear Models, S. 279-290, 2004
• Pang-Ning Tan, Michael Steinbach, Vipin Kumar
  Introduction to Data Mining
  Pearson Addison wesley (May, 2005). Hardcover: 769 pages. ISBN: 0321321367
• http://www.faqs.org/faqs/ai-faq/neural-nets/part3/section-12.html
• http://robotics.stanford.edu/~ronnyk/accEst.ps
• http://www.cs.cmu.edu/~rahuls/nips2000/
• http://msdn2.microsoft.com/en-us/library/ms174493.aspx