Im Rahmen des Data Mining und Warehousing Praktikums wird das theoretische Wissen aus der Vorlesung Data Warehousing und Mining mit Hilfe marktüblicher Tools praktisch vertieft. Die Veranstaltung teilt sich in einen Block zum Thema Data Warehousing und einen Block zum Data Mining. Beide Blöcke unterteilen sich wiederum in mehrere Lerneinheiten. Jede Lerneinheit besteht aus einer Vorlesung mit einer Einführung in die notwendigen Funktionen des Tools, sowie einer Phase, in welcher selbstständig eine Aufgabe gelöst wird. Am Ende einer Lerneinheit wird der Lernfortschritt durch einen Tutor abgeprüft.
Im Rahmen des Blocks Data Warehousing wird zunächst auf das Erstellen eines Data Warehouses eingegangen. Anschliessend werden auf dem Data Warehouse Anfragen gestellt. Im Block Data Mining wird unter Anlehnung an den KDD Prozess ein Anwendungsbeispiel für die Wissensgewinnung in einem Unternehmen durchgespielt. Hierbei werden die verschiedenen Data Mining Verfahren näher beleuchtet. Der Fokus liegt dabei auf Verfahren zum Clustering, der Klassifikation sowie der Bestimmung von Frequent Itemsets und Association Rules.

• J. Han und M. Kamber: "Data Mining: Concepts and Techniques", Morgan Kaufmann, 2006.
• I. H. Witten und E. Frank: "Data Mining - Practical Machine Learning Tools and Techniques", Morgan Kaufmann, 2005.
• D. Hand, H. Mannila und P. Smyth: "Principles of Data Mining", MIT Press, 2001.
• L. I. Kuncheva: "Combining Pattern Classifiers", Wiley-Interscience, 2004.
• A. Bauer, H. Günzel: "Data Warehouse Systeme – Architektur, Entwicklung, Anwendung", dpunkt.verlag, 2004.
• T. Mitchell: "Machine Learning", McGraw Hill, 1997.