Learning Analytics erste Ergebnisse Prof. Dr. Dr. Heribert Popp, TH Deggendorf. innovativ & lebendig Bildungsregion DonauWald

Größe: px
Ab Seite anzeigen:

Download "Learning Analytics erste Ergebnisse Prof. Dr. Dr. Heribert Popp, TH Deggendorf. innovativ & lebendig Bildungsregion DonauWald"

Transkript

1 Learning Analytics erste Ergebnisse Prof. Dr. Dr. Heribert Popp, TH Deggendorf innovativ & lebendig Bildungsregion DonauWald

2 Agenda E-Learning an TH Deggendorf ist Basis für Learning A. Definition Learning Analytics Adaptivität Leuchturmprojekte Technologien des Data Mining für Learning Analytics Was kann man damit machen? Erste Ergebnisse 1. Semester Mathematik über vhb Studenten-Cockpit

3 Technische Hochschule Deggendorf Gegründet: Fakultäten 15 Bachelorstudiengänge, 7 Masterstudiengänge 8 Weiterbildungs-Master 4900 Studierende 100 Professoren

4 TH Deggendorf und Seit 1998 Fernsehvorlesungen (Mo.-Fr. von Uhr) auf BR- Alpha mit Weiterbildungsprüfungen für 2002 Die ersten akademischen Absolventen Deutschlands (Ba. WI), die ca. 50 % virtuell studiert 11 Mal erfolgreicher Durchgang eines dualen (berufsbegleitender) Ba. WI mit ca. 45% Ein kleiner Teil der Professoren substituieren bis zu 50% ihrer Lehre durch virtuelle 22% der Studierenden nutzen virtuelle Hochschule Bayern (vhb) (1. Platz in Bayern) Seite 4

5 Virtuellen Hochschule Bayern (www.vhb.org) Kostenlos für alle bayerischen Studierenden Mehr als 300 virtuelle Kurse mit Belegungen je Sem. Beispiele der Deggendorfer Nutzung - Statistik (HS München) - Operations Research (HS Augsburg) - Internet für Anwender (HS Regensburg) - Datenbanken (Uni Bayreuth) - M-Business (Uni Erlangen-Nürnberg) Benutzerdaten sind hier in den Anbieter LMS!!! Seite 5

6 Messen der Effizienz des Einsatzes von E-Learning Notendurchschnitt eines ganzen Sem. in Mathematik im Studiengang BWL Präsenz Virtuell Lernen Blended Learning Blended Learning +Wissensm. 3,6 3,5 3,1 2,7-2,9 Messen und Prognose ist der Kern von Learning Analytics Seite 6

7 Definition Learning Analytics Learning Analytics bezeichnet die Sammlung, Auswertung und Interpretation verschiedenster Daten, die von Studierenden produziert oder für sie erhoben werden, um Lernfortschritte zu messen, zukünftige Leistungen vorauszuberechnen und potenzielle Problembereiche aufzudecken. Learning Analytics bedeutet - Daten generieren und sammeln - Analysieren - Verhalten der Studenten verstehen - Daten anderen zugänglich machen und Reports erstellen - Maßnahmen einleiten, und zwar auf Level des Individuums, des Kurses, der Abteilung oder der Institution. Datenquellen: Explizite Handlungen der Studierenden Seminararbeiten, Prüfungen Verhalten im LMS (Benutzung virtueller Materialien) Implizite Handlungen wie soziale Interaktionen Einträge in Diskussionsforen Notenblatt mit Prüfungsversuchen

8 Adaptivität

9 Ort/ Name des Projektes (Quelle ) Institution (Verantwor tlicher ) Ziel: Notenprognose University of Minnesota Grade Discrepancy Project (Johnson et al. 2012, S. 25) Capella University (seit 2002) Action Analytics (Norris 2011, S. 2; Jankowski 2011, S. 2) Grand Canyon Loud Analytics University (Morrison, 2012) Modelle mit Fokus auf Echtzeit-Feedback Copenhagen Teaching Analytics (Brown 2011, S. 3) Business School (Ravi Vatrapu) University of Córdoba Classification via Clustering (López et al.2012 S. 148) und WEKA (Zafra 2011, S. 193) University of Maryland, Baltimore Country Check My Activity (Johnson et al. 2012, S. 23) Lousiana State University LA- Werkzeug, welches mittels Noten Prognosen erstellt (Norris 2011, S. 2) Mazur Group und Harvard University Learning Catalytics (Johnson et al. 2012, S. 25; Learning Catalytics LLC 2012) Ziel: Gefährdete Studenten erkennen Rio Salado PACE (Progress and Course Engagement) College in (Cottam 2011, S. 1 ff.) Arizona Purdue University (2007 gestartet) Projekt Signals für Academic Analytics (Johnson et al. 2012, S. 23) Modelle mit Fokus auf die Lerninhalte University of Lecture-capture System Saskatchewan (Brown 2011, S. 3) (Chris Brooks) Open University (Simon Buckingham Shum) Bonn (Katja Niemann) Using LA to identify exploratory dialogue (Brown 2011, S. 3) Empfehlungen für nächstes Lern-Objekt machen (Brown 2011, S. 3)

10 Praxisbeispiel von Learning Analytics - Pace Einsatz: Rio Salado College (Arizona) mit Studierenden Kann gefährdete Studenten bereits nach einer Woche Kursdauer mit einer sehr hohen Wahrscheinlichkeit erkennen Die studentische Entwicklung wird verfolgt und, wenn nötig, werden Interventionen ermöglicht. Die Reports werden mittels Ampelfarben visualisiert. Ziel ist es herauszufinden, welches Verhalten die erfolgreichen Studenten von den nicht so erfolgreichen unterscheidet. Haupteinflussfaktoren auf den studentischen Erfolg sind: Die Frequenz, wie oft sich ein Student im Kurs anmeldet, das Engagement im Kurs (gemessen am lesenden oder auch schreibenden Zugriff und der Teilnahme an Übungen) und wie viele Punkte ein Studierender bei den online-tests bekommt. Das System kann nach acht Kurstagen schon mit einer Wahrscheinlichkeit von 70% vorhersagen, ob der jeweilige Student den Kurs erfolgreich (mindestens befriedigend) absolvieren wird. Diese Prognosen werden wöchentlich wiederholt. Gefährdete Studenten werden bspw. angerufen, um die Gründe herauszufinden, warum sie Schwierigkeiten haben und, um Lösungswege zu gestalten. Manchmal bewirkt dieser Kontakt einen große Veränderung im Lernverhalten, manchmal aber auch nicht.

11 Data Mining Unter Educational Data Mining (EDM) verstehen wir automatische Verfahren zur Analyse sehr großer Datenbestände, die aus der unübersehbaren Fülle von Details bisher unbekannte Strukturen und Zusammenhänge herausfiltern und diese Informationen so aufbereiten und bewerten, dass sie eine wertvolle Basis zum Verständnis der Studierenden und deren Lernumgebungen darstellen. Business Intelligence 11

12 Vereinfachter Data Mining Prozess Business Intelligence 12

13 Datenquellen Informationen, die über Log-Daten direkt erfasst werden können Name oder Matrikelnummer des Studierenden Anzahl der Log-ins komplette Zeit (Beginn und Ende), um daraus die Zeitspanne zu errechnen, die sich ein Student im System aufhält Teilnahme an bestimmten Aktivitäten (Tests, Diskussionen etc.) Zeit, die für eine Datei aufgewendet wird Quellen, die heruntergeladen werden Bewertung der Aktion (Frage gestellt, Antwort gegeben, falsche Vorstellungen) Niveau des abgelegten Tests/ Wissenskomponente (wenn Student eine Frage beantwortet oder Tests absolviert) Indirekte Informationen, die LMS liefert Anzahl und Frequenz der Posts in Blogs und Diskussionsforen und der Input, den der Student dazu liefert Kontext (andere beteiligte Studenten) und Zuhörerschaft und die Zeit, in der Studierender mit anderen interagiert Social network analysis, um Beziehungen zwischen den Studierenden und dem Lehrenden zu erkennen Art und Weise, mit der um Hilfe gefragt wird Clickstreams (Abfolge der Seitenaufrufe), ggf. Herkunftslink und Though clicks, um Sequenzen und Ziel des Websitebesuchs zu erkennen Allgemeine Informationen Quellen außerhalb des LMS Attention/ Focus Heat-Maps (s. Anhang 5) Standort und eventuell verwendetes Endgerät (Handy, Laptop, PC der HDU) Version von Browser und Betriebssystem Sprache Bildschirmauflösung (mittels JavaScript) installierte Plugins (mittels Java Script) Lebenslauf/ Profil des Studierenden Notenspiegel und OPAC-Daten Befragung der Studenten über Wirksamkeit der Lernmethoden Interesse am Material/ Qualität des Materials Anwesenheit im Kurs Noten der Tests und Klausuren Beurteilung unter Gleichrangigen eingereichte Studienarbeiten

14 Log-Datei des LMS Moodle 36245x10 view view.php?id=460 course XXX : x10 view view.php?id=9178 folder XXX : x10 view all index.php?id=460 user XXX : x10 view all index.php?id=460 user XXX : x10 view all index.php?id=460 user XXX : x10 view index.php? entryid=&tagid=&tag= blog XXX : x10 view index.php? entryid=&tagid=&tag= blog XXX : x10 view all index.php?id=460 user XXX : x10 view view.php?id=9178 folder XXX : x10 view view.php?id=9176 page XXX : x10 view view.php?id=9176 page XXX : x10 view view.php?id=9176 page XXX : x10 view view.php?id=9177 folder XXX : x10 view view.php?id=9178 folder XXX : x10 view view.php?id=9179 url XXX : x10 view view.php?id=9181 resource XXX : x10 view view.php?id=9183 url XXX : x10 view view.php?id=9184 folder XXX : x10 view view.php?id=460 course XXX :30

15 Statistische Verfahren Die in Log-Dateien aufgezeichneten Daten, werden mit Hilfe von statistischen Tools und OLAP (Online Analytical Processing) ausgewertet. Folgende Daten können mittels statistischer Analyse erhoben werden: - Welche Seite wurde besucht? - Wie oft wurde diese Seite besucht? (Frequenz) - Wie lange wurde die Seite besucht? (Dauer insgesamt und pro Besuch) Aus diesen Daten werden dann Patterns und Trends über den Zeitverlauf ausgewertet. Da die Nutzer mittels Log-In identifizierbar sind, können verschiedene Nutzer oder Nutzer-Gruppen auch miteinander verglichen werden. Zu den statistischen Verfahren gehören - Korrelationsanalysen wie lineare Korrelation und Chi-Quadrat- Unabhängigkeitstest. (ist als Zielgröße z. B. das Bestehen der Klausur definiert, so werden die Hauptbeeinflusser Online-Tests, Diskussionen, Lesen der Skripte identifiziert) - Regressionsverfahren (lineare Regression, neuronale Netze und radiale Basisfunktionen)

16 Statistische Verfahren - Regressionsbeispiel Streudiagramm zwischen Zeit, die ein Student im LMS verbringt und den absolvierten online-tests (links), rechts zusätzlich mit Regressionsgerade Annahme: Anzahl der online-tests, die ein Student ablegt, hängt nur von der verbrachten Zeit im LMS-System ab 16

17 Statistische Verfahren Recommender Agent Click-Stream Vergleich

18 Klassifikation Bei der Klassifikation wird nach gleichen Mustern bestimmter Attribute gesucht, so dass ein neues Objekt einer bestehenden Gruppe zugeordnet werden kann. Gegeben ist eine Klasseneinteilung einer Objektmenge Technik: Trainingsmenge mit gegebener Klasseneinteilung Verfahren (u.a. Entscheidungsbaum) Entscheidungsbäume leiten aus einer gegebenen Datenmenge einen Satz von Regeln ab, um unbekannte Objekte zu klassifizieren. Entscheidungsbäume sind intuitiv verständlich und schnell zu erstellen. Sie reagieren aber empfindlich auf inkonsistente und fehlende Daten

19 Klassifikationsverfahren: Entscheidungsbäume Folie zeigt einen Entscheidungsbaum, wie er im Rahmen der Learning Analytics verwendet werden könnte. Es wurde eine Hierarchie erstellt: Als oberstes Entscheidungskriterium steht der lesende Zugriff im LMS, gefolgt vom schreibenden Zugriff im LMS, also ob der Student bspw. das Forum verwendet. Ziel dieses Entscheidungsbaumes könnte es sein, eine Prognose zu geben, mit welcher Wahrscheinlichkeit der Studierende die Klausur am Ende des Kurses bestehen wird. Business Intelligence 19

20 Clusterbildung/Segmentierung o o o o Einteilung von Objekten in anwendungsbezogene interessante Teilmengen (Cluster) Alle Objekte eines Cluster haben gemeinsame Eigenschaften Ergebnisse: Auflistung der Objekte der Cluster, Beschreibung der Cluster Methoden, mit deren Hilfe Clusterverfahren durchgeführt werden o hierarchische und partitionierende Verfahren o neuronale Netze o k-means-algorithmen o Fuzzy c-means, Kohonen Self-Organizing Maps und Generative Topographic Mapping (selten in LA verwendet) Clusterverfahren können bei E Learning ähnliches Lernmaterial in Gruppen einteilen. So können Verbindungen zwischen verschiedenen Dokumenten erkannt werden und dem Lernenden neue Links zu verwandten Themen gegeben werden. Studenten können, abhängig von ihrem Wissen, in Cluster eingeteilt werden, um dann festzustellen, welches Wissen einer jeden Gruppe noch zu vermitteln ist. Business Intelligence 20

21 Clusterverfahren Anwendung: vhb Mathematik (Erstkurs Passau) Die Studenten wurden in Klassen eingeteilt: Klasse 1: 1,0 bis 3,0 ist gut bestanden Klasse 2: 3,3 bis 4,0 ist bestanden Klasse 3: 5,0 ist nicht bestanden um in den kommenden Semestern, anhand des online-verhaltens der Studierenden, eine Prognose geben zu können wer sicher besteht (Klasse 1), - wer wahrscheinlich besteht, aber Unterstützung braucht (Klasse 2), - wer mit großer Wahrscheinlichkeit nicht besteht und daher Unterstützung braucht (Klasse 3). 0 ressource course quiz forum user chat podcast blog gut bestanden bestanden nicht bestanden Quiz: jeweils Faktor 1,6 mehr Kurs-ID (course) spürbar

22 Clusterverfahren: vhb-kurs Mathematik (Erstkurs Hof) Teilnahme an Klausur Durchschni<snote Std.abweichung Cluster 1 38,2% 4,05 0,97 Cluster 2 80,4% 2,93 1,05 Cluster 3 100% 1,77 1,08

23 Clusterverfahren Anwendung: vhb Mathematik (Wiederholung Passau) ZeilenbeschriFungen cluster0 cluster1 cluster2 (Leer) Gesamtergebnis Mi<elwert von Note mipel 3, akrven 3, sehr akrv wenig 3, akrven 3,

24 Visualisierung Der Benutzer kann mit Hilfe von Visualisierungen besser und schneller die Aussagen verstehen, als bei bloßer zur Verfügung-Stellung der Daten (z.b. Abhängigkeiten) Hier können einfache Visualisierungswerkzeuge schon sehr nützlich sein, um Probleme zu identifizieren. Mögliche Visualisierungstypen sind Tabellen, Charts, Säulendiagramme, Histogramme, Kastendiagramme, Streudiagramme, Netze und Dashboards, die eine Zusammenfassung darstellen Beispiel Netze

25 Visualisierung: Beispiel Kommunikationsnetz

26 Dashboard Dashboard mit Ampelfarben aus dem Projekt Signals der Purdue University

27 Dashboard: Aktivitäten im Zeitablauf (Anzahl Mausclicks) Klasse 3 (unten) wird signifikant später im vhb- Kurs aktiv. Erst am ist eine erste online-aktivität zu verzeichnen, während Klasse 1 (oben) schon am aktiv wird

28 Aus Dashboard interpretiert Es lässt sich ein direkter Zusammenhang erkennen zwischen dem erfolgreichen Absolvieren einer Klausur und - Der Summe der online-aktivitäten, d. h. wie viele Seiten, Tests etc. online besucht werden (WAS?) - Dem Beginn dieser Aktivitäten (WANN?) - Die Zeit, die für diese Aktivitäten aufgewendet wird (WIE LANGE?)

29

30 Stolpersteine Die Frage des Datenschutzes muss diskutiert werden nicht zuletzt mit den Studierenden. Welche Daten müssen erfasst werden? Welche Datenerfassung ist überflüssig? Welche Daten besitzen pädagogische Relevanz? Fraglich ist, wie sich eine unmittelbare Reaktion auf Daten im Lehr-/ Lernprozess realisieren lässt. Im individuellen Lernprozess spielen so viele unterschiedlichen Faktoren eine Rolle, dass es unmöglich erscheint, aus automatisch generierten Daten und einer automatischen Datenauswertung die optimalen Maßnahmen für einen Lernenden abzuleiten. Bisher liegt der Hauptfokus des Learning Analytics -Ansatzes auf der Methodik der Datenerfassung und -auswertung, und weniger auf Ansätzen der Anwendung im realen Hochschulkontext. Die Datenerfassung setzt voraus, dass die verwendeten Werkzeuge zentral vorgegeben sind. Allerdings nutzen Studierende vermehrt auch webbasierte Werkzeuge oder Apps, für die sie sich individuell entscheiden. Dann gestaltet sich auch die Datenerfassung rund um den Lernprozess schwierig.

31 Literatur Ferguson, R. (2012). The State Of Learning Analytics in 2012: A Review and Future Challenges. Technical Report KMI-12-01, Knowledge Media Institute, The Open University, UK. Johnson, L., Adams, S., & Cummins, M. (2012). The NMC Horizon Report: 2012 Higher Education Edition. Austin, Texas: The New Media Consortium. Elisabeth Schlierf: (2013) Methoden der Wissensgenerierung bei den Learning Analytics, Bachelorarbeit, HDU Deggendorf Beer, R. (2014). Cockpit für Learning Analytics Implementierung der Methoden und ihre Anwendungen. Bachelorarbeit TH Deggendorf (in Arbeit)

32 Vielen Dank für Ihre Aufmerksamkeit deggendorf.de

Big und Smart Data für Hochschulforschung und Hochschulmanagement

Big und Smart Data für Hochschulforschung und Hochschulmanagement Big und Smart Data für Hochschulforschung und Hochschulmanagement Möglichkeiten und Grenzen Struktur des Vortrags 1. Thema 2. Educational Data Mining für Hochschulmanagement 3. Educational Data Mining

Mehr

Learning Analytics und das LeMo-Tool

Learning Analytics und das LeMo-Tool Learning Analytics und das LeMo-Tool Prof. Dr. Margarita Elkina HWR Berlin margarita.elkina@hwr-berlin.de Forum elearning Technische Hochschule Wildau 13. Januar 2015 1 Agenda Learning Analytics LeMo-Tool

Mehr

Learning Analytics und Foren

Learning Analytics und Foren Learning Analytics und Foren Agathe Merceron Beuth Hochschule für Technik Berlin Margarita Elkina Hochschule für Wirtschaft und Recht Berlin Albrecht Fortenbacher Hochschule für Technik und Wirtschaft

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne

Mehr

Data Mining Anwendungen und Techniken

Data Mining Anwendungen und Techniken Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses

Mehr

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?

Mehr

MS SQL Server 2012 (4)

MS SQL Server 2012 (4) MS SQL Server 2012 (4) Data Mining, Analyse und multivariate Verfahren Marco Skulschus Jan Tittel Marcus Wiederstein Webseite zum Buch: http://vvwvv.comelio-medien.com/buch-kataiog/ms sql_server/ms sql

Mehr

Learning Analytics: Einsatzszenarien und erste Erfahrungen Workshop zu Learning Analytics DeLFi 2013

Learning Analytics: Einsatzszenarien und erste Erfahrungen Workshop zu Learning Analytics DeLFi 2013 Learning Analytics: Einsatzszenarien und erste Erfahrungen Workshop zu Learning Analytics DeLFi 2013 A. Baumann & H. Pongratz Bremen, 8.9.2013 Die Technische Universität München Die TUM in Zahlen 13 Fakultäten

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen

Mehr

Vorteile: Lernen wird flexibler gestaltet, Austausch und Zugriff auf Inhalte jederzeit möglich

Vorteile: Lernen wird flexibler gestaltet, Austausch und Zugriff auf Inhalte jederzeit möglich was ist das? E-Learning: digitale Medien unterstützen Lernen Blended Learning: Mischform aus Präsenzseminaren und E-Learning, computergestütztes Lernen von zuhause aus, Austausch trotz räumlicher Entfernung

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche

Mehr

Anwendung der Predictive Analytics

Anwendung der Predictive Analytics TDWI Konferenz mit BARC@TDWI Track 2014 München, 23. 25. Juni 2014 Anwendung der Predictive Analytics Prof. Dr. Carsten Felden Dipl. Wirt. Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg

Mehr

13 Lernorganisation 28.01.2013. mediendidaktik.de. Rahmenmodell der Didaktik. Lernorganisation. zeitlich räumlich sozial

13 Lernorganisation 28.01.2013. mediendidaktik.de. Rahmenmodell der Didaktik. Lernorganisation. zeitlich räumlich sozial mediendidaktik.de Duisburg Learning Lab 13 Lernorganisation Michael Kerres lehrbuch.mediendidaktik.de Rahmenmodell der Didaktik nach Paul Heimann Lernorganisation zeitlich räumlich sozial 1 Lernzeit Schulzeit

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

Data-Mining: Ausgewählte Verfahren und Werkzeuge

Data-Mining: Ausgewählte Verfahren und Werkzeuge Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den

Mehr

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note:

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note: Fakultät für Wirtschaftswissenschaft Matrikelnr: Name: Vorname: : Modul 32711 Business Intelligence Termin: 28.03.2014, 9:00 11:00 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

Erfolgreiches Talentmanagement mit Totara

Erfolgreiches Talentmanagement mit Totara Erfolgreiches Talentmanagement mit Totara Tobias Hauser Thomas Kraehe Arrabiata Solutions GmbH Arrabiata Solutions GmbH 1 UNSER HINTERGRUND Arrabiata Solutions GmbH Full Service E-Learning Agentur 8 Jahre

Mehr

Aktivierende Online-Lehre in der Mathematik mit Moodle, Clicker und LON-CAPA

Aktivierende Online-Lehre in der Mathematik mit Moodle, Clicker und LON-CAPA Aktivierende Online-Lehre in der Mathematik mit Moodle, Clicker und LON-CAPA Stefan Bisitz, Nils Jensen Zentrum für erfolgreiches Lehren und Lernen, Ostfalia DeLFI 2012 ZeLL Zentrum für erfolgreiches Lehren

Mehr

Social Monitoring. HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014

Social Monitoring. HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014 HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014 Abdul-Wahed Haiderzadah abdul-wahed.haiderzadah@haw-hamburg.de Betreuer:

Mehr

Herausforderungen bei der Nutzung von Tablets im Studium: Zur Relevanz der Gestalt der PLE, Lernverständnis und Entgrenzung

Herausforderungen bei der Nutzung von Tablets im Studium: Zur Relevanz der Gestalt der PLE, Lernverständnis und Entgrenzung Herausforderungen bei der Nutzung von Tablets im Studium: Zur Relevanz der Gestalt der PLE, Lernverständnis und Entgrenzung Dipl.-Päd. Patrick Bettinger, Dr. Frederic Adler, Prof. Dr. Kerstin Mayrberger,

Mehr

Dominik Pretzsch TU Chemnitz 2011

Dominik Pretzsch TU Chemnitz 2011 Dominik Pretzsch TU Chemnitz 2011 Wir leben im Informationszeitalter und merken es daran, dass wir uns vor Information nicht mehr retten können. Nicht der überwältigende Nutzen der Information, sondern

Mehr

Fachhochschule Bielefeld University of Applied Sciences. Agenda

Fachhochschule Bielefeld University of Applied Sciences. Agenda easy learning Wie kommt die Bibliothek in den virtuellen Lernraum? Dr. Antje Kellersohn, Fachhochschule Bielefeld 7. AGFN-Fortbildungstreffen, 25. September 2007, Berlin Agenda Definition: Was ist elearning?

Mehr

Mahara für Hochschulen

Mahara für Hochschulen Mahara für Hochschulen Campus Source Tagung Münster 12.03.2015 Dipl.-Inf. Brigitte Kreplin brigitte.kreplin@fernuni-hagen.de 02331-987-4322 Zentrum für Medien & IT Abteilung Medienberatung 1. Einführung

Mehr

Data Mining - Clustering. Sven Elvers

Data Mining - Clustering. Sven Elvers Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 2 Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 3 Data Mining Entdecken versteckter Informationen, Muster und Zusammenhänge

Mehr

Business Intelligence. Business Intelligence Seminar, WS 2007/08

Business Intelligence. Business Intelligence Seminar, WS 2007/08 Business Intelligence Seminar, WS 2007/08 Prof. Dr. Knut Hinkelmann Fachhochschule Nordwestschweiz knut.hinkelmann@fhnw.ch Business Intelligence Entscheidungsorientierte Sammlung, Aufbereitung und Darstellung

Mehr

Einführung in die Wissensverarbeitung und Data Mining

Einführung in die Wissensverarbeitung und Data Mining Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Vorbesprechung Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2015 Vorbesprechung, SS 2015 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source:

Mehr

Was ist Data Mining... in der Fundraising Praxis?

Was ist Data Mining... in der Fundraising Praxis? Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

E-Learning in der Erwachsenenbildung: Herausforderungen. Claudia Bremer, studiumdigitale, Universität Frankfurt

E-Learning in der Erwachsenenbildung: Herausforderungen. Claudia Bremer, studiumdigitale, Universität Frankfurt E-Learning in der Erwachsenenbildung: Szenarien, Chancen, Trends und Herausforderungen Claudia Bremer, studiumdigitale, Universität Frankfurt 1 2 Trends im elearning Horizon Report Quelle: New Media Consortium

Mehr

Data Mining-Modelle und -Algorithmen

Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,

Mehr

Sichere Digitale Soziale Netzwerke

Sichere Digitale Soziale Netzwerke Sichere Digitale Soziale Netzwerke Eine Chance für E-Learning? LifeSocial - www.lifesocial.org E-Learning QuaP2P Improving the Quality of P2P Systems DFG research group 733 Dr.Ing. Kalman Graffi Kalman.Graffi@KOM.tu-darmstadt.de

Mehr

LiLa Portal Leitfaden für Dozierende

LiLa Portal Leitfaden für Dozierende Library of Labs Lecturer s Guide LiLa Portal Leitfaden für Dozierende Meist werden Dozierende die Lerninhalte ihrer Studierenden festlegen und aus der großen Auswahl von LiLa Experimenten diejenigen auswählen,

Mehr

Literalität in Alltag und Beruf LAB 7. Juni 2013. Pädagogische Hochschule FHNW Universität Bern 1

Literalität in Alltag und Beruf LAB 7. Juni 2013. Pädagogische Hochschule FHNW Universität Bern 1 Das Warehouse ilias.leap.ch Bisherige Entwicklungen und Perspektiven Abschlusskolloquium «Literalität in Alltag und Beruf LAB» Thomas Sommer Bern, 7. Juni 2013 Übersicht 1. Ein «Warehouse» ist mehr als

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Webanalyse. Definitionen, Verfahren und Unterschiede. Stefan Keil, DIPF. Frankfurt, 23.10.2014 Stefan Keil IWWB-Herbstworkshop 2014 Webanalyse

Webanalyse. Definitionen, Verfahren und Unterschiede. Stefan Keil, DIPF. Frankfurt, 23.10.2014 Stefan Keil IWWB-Herbstworkshop 2014 Webanalyse Webanalyse Definitionen, Verfahren und Unterschiede Stefan Keil, DIPF Frankfurt, 23.10.2014 Stefan Keil IWWB-Herbstworkshop 2014 Webanalyse 1 Agenda 1. Einleitung a. Erhebungsmethoden 2. Definitionen verschiedener

Mehr

Berufsbegleitend zum Wirtschaftsingenieur-Bau. Technische Hochschule Ingolstadt 10.02.2014

Berufsbegleitend zum Wirtschaftsingenieur-Bau. Technische Hochschule Ingolstadt 10.02.2014 Berufsbegleitend zum Wirtschaftsingenieur-Bau Technische Hochschule Ingolstadt 10.02.2014 Agenda Geplanter berufsbegleitender Bachelorstudiengang Wirtschaftsingenieur-Bau Wie funktioniert ein berufsbegleitender

Mehr

Open Online Courses als Kursformat? Konzept und Ergebnisse des Kurses. Claudia Bremer, Goethe-Universität Frankfurt

Open Online Courses als Kursformat? Konzept und Ergebnisse des Kurses. Claudia Bremer, Goethe-Universität Frankfurt Open Online Courses als Kursformat? Konzept und Ergebnisse des Kurses Zukunft des Lernens 2011 Claudia Bremer, Goethe-Universität Frankfurt OpenCourse Zukunft des Lernens Offener Kurs im Netz 2.5. - 10.7.2011

Mehr

Wie kann das IT-Servicemanagement vom Social Media Monitoring profitieren?

Wie kann das IT-Servicemanagement vom Social Media Monitoring profitieren? Wie kann das IT-Servicemanagement vom Social Media Monitoring profitieren? Th. Wenk Wie kann das IT-Servicemanagement vom Social Media Monitoring profitieren? Seite 1 Agenda Themeneinführung Social Media

Mehr

Konzeption des vhb-lernsystems und Ziele des Workshops. Prof. Dr. O.K. Ferstl Universität Bamberg vhb Kommission Angebote 26.4.

Konzeption des vhb-lernsystems und Ziele des Workshops. Prof. Dr. O.K. Ferstl Universität Bamberg vhb Kommission Angebote 26.4. Konzeption des vhb-lernsystems und Ziele des Workshops Prof. Dr. O.K. Ferstl Universität Bamberg vhb Kommission Angebote 26.4.2002 2 Stand Mai 2000 Zugang Übersicht Freigabe Zugang zum Bibliotheksangebot

Mehr

Virtuelles Lernen in Berufsschulen. Best Practice Beispiel Adolf-Reichwein-Schule, Limburg. mit dem Learn-Content-Management-System

Virtuelles Lernen in Berufsschulen. Best Practice Beispiel Adolf-Reichwein-Schule, Limburg. mit dem Learn-Content-Management-System Virtuelles Lernen in Berufsschulen mit dem Learn-Content-Management-System Best Practice Beispiel Adolf-Reichwein-Schule, Limburg http://www.ars-limburg.de/moodlears/ Virtuelles Lernen an der ARS - Historie

Mehr

Mobile Lernstrategien mit Moodle

Mobile Lernstrategien mit Moodle Mobile Lernstrategien mit Moodle Tobias Hauser Thomas Kraehe Arrabiata Solutions GmbH Arrabiata Solutions GmbH 1 UNSER HINTERGRUND Arrabiata Solutions GmbH Full Service E-Learning Agentur 8 Jahre Moodle

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media

Mehr

Referate-Seminar zur Wirtschaftsinformatik WS 05/06. Thema 1: E-Learning Definition und Begriffsabgrenzung

Referate-Seminar zur Wirtschaftsinformatik WS 05/06. Thema 1: E-Learning Definition und Begriffsabgrenzung Referate-Seminar zur Wirtschaftsinformatik WS 05/06 E-Learning am Fachbereich Wirtschaftswissenschaften der JLU Gießen: Theorie und praktische Umsetzung Thema 1: E-Learning Definition und Begriffsabgrenzung

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

Mehr

Effizienter Einsatz von IT-gestützter Lehre

Effizienter Einsatz von IT-gestützter Lehre Effizienter Einsatz von IT-gestützter Lehre Prof. Dr. Dr. Heribert Popp Hochschule für angewandte Wissenschaften - Fachhochschule Deggendorf, Fak. BWL/WI 1 Gliederung - Effizienter Einsatz von IT-gestützter

Mehr

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih Data Mining mit Rapidminer im Direktmarketing ein erster Versuch Hasan Tercan und Hans-Peter Weih Motivation und Ziele des Projekts Anwendung von Data Mining im Versicherungssektor Unternehmen: Standard

Mehr

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

Mehr

Master Logistik. Modultitel / Bezeichnung der Lehrveranstaltung Vertiefungsmodul Verfahren und IT-Systeme 1-3. Anzahl der SWS.

Master Logistik. Modultitel / Bezeichnung der Lehrveranstaltung Vertiefungsmodul Verfahren und IT-Systeme 1-3. Anzahl der SWS. Modulnummer 8 a 8 c Modultitel / Bezeichnung der Lehrveranstaltung Vertiefungsmodul Verfahren und IT-Systeme 1-3 Kurzbezeichnung Semeste Anzahl der SWS Häufigkeit des - r 12 Angebots 1 oder 2 jedes Semester/jedes

Mehr

Trends im elearning: Massive Open Online. Claudia Bremer, studiumdigitale, Universität Frankfurt

Trends im elearning: Massive Open Online. Claudia Bremer, studiumdigitale, Universität Frankfurt Trends im elearning: Massive Open Online Courses (MOOCS) und mobiles Lernen Claudia Bremer, studiumdigitale, Universität Frankfurt 1 Trends im elearning Horizon Report New Media Consortium (NMC) und EDUCAUSE

Mehr

Der berufsbegleitende Master an der heilbronn business school

Der berufsbegleitende Master an der heilbronn business school Herzlich Willkommen Welcome Der berufsbegleitende Master an der heilbronn business school Startschuss Bachelor 28. März 2009 Prof. Dr. Jochen Deister Herzlich Willkommen Welcome Vision und Ziele der heilbronn

Mehr

Datenschutzgerechtes Data Mining

Datenschutzgerechtes Data Mining Datenschutzgerechtes Data Mining Seminarvortrag von Simon Boese Student der Wirtschaftsinformatik Wissensgewinnung Rohdaten aus DataWarehouse / OLAP Klassifikation / Assoziation Neue Infos: allgemeine

Mehr

Themenvorstellung für Seminare im Sommersemester 2014

Themenvorstellung für Seminare im Sommersemester 2014 Themenvorstellung für Seminare im Sommersemester 2014 Agenda Organisatorisches & Termine Vorstellung der Seminarthemen für Automotive Software Engineering (Bereich SWT) Software Engineering verteilter

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

Data Mining (ehem. Entscheidungsunterstützungssysteme) Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 1 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNG UND ENTSCHEIDUNGSTHEORIE

Mehr

3-Säulen Modell für eportfolios in Lehrgängen der Erwachsenenbildung. Das elearning-modell für Masterstudien an der

3-Säulen Modell für eportfolios in Lehrgängen der Erwachsenenbildung. Das elearning-modell für Masterstudien an der 3-Säulen Modell für eportfolios in Lehrgängen der Erwachsenenbildung Das elearning-modell für Masterstudien an der Peter Groißböck, 2013 Ausgangssituation BMUKK vergibt an PH-NÖ den Masterstudiengang Mentoring

Mehr

Social Learning. Vortrag AW 1. Florian Forsthuber. Hochschule für Angewandte Wissenschaften Hamburg. Master Informatik

Social Learning. Vortrag AW 1. Florian Forsthuber. Hochschule für Angewandte Wissenschaften Hamburg. Master Informatik Florian Forsthuber Social Learning 1 Social Learning Vortrag AW 1 Florian Forsthuber Hochschule für Angewandte Wissenschaften Hamburg Master Informatik Florian Forsthuber Social Learning 2 Agenda Motivation

Mehr

Exploration und Klassifikation von BigData

Exploration und Klassifikation von BigData Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)

Mehr

vinsight BIG DATA Solution

vinsight BIG DATA Solution vinsight BIG DATA Solution München, November 2014 BIG DATA LÖSUNG VINSIGHT Datensilos erschweren eine einheitliche Sicht auf die Daten...... und machen diese teilweise unmöglich einzelne individuelle Konnektoren,

Mehr

megadigitale media based teaching and learning at the Goethe-Universität Frankfurt Project to implement the elearning-strategie studiumdigitale

megadigitale media based teaching and learning at the Goethe-Universität Frankfurt Project to implement the elearning-strategie studiumdigitale megadigitale media based teaching and learning at the Goethe-Universität Frankfurt Project to implement the elearning-strategie studiumdigitale elene Forum 17.4.08 Preparing universities for the ne(x)t

Mehr

Wegweiser zur Berechnung des studentischen Arbeitsaufwands (Workload)

Wegweiser zur Berechnung des studentischen Arbeitsaufwands (Workload) Wegweiser zur Berechnung des studentischen Arbeitsaufwands (Workload) Version 1, Stand September 2010 Hochschulreferat Studium und Lehre/September 2010 1 Vorwort Sehr geehrte Damen und Herren, liebe Kolleginnen

Mehr

Big & Smart Data. bernard.bekavac@htwchur.ch

Big & Smart Data. bernard.bekavac@htwchur.ch Big & Smart Data Prof. Dr. Bernard Bekavac Schweizerisches Institut für Informationswissenschaft SII Studienleiter Bachelor of Science in Information Science bernard.bekavac@htwchur.ch Quiz An welchem

Mehr

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd.

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd. Warum viele Daten für ein smartes Unternehmen wichtig sind Gerald AUFMUTH IBM Client Technical Specialst Data Warehouse Professional Explosionsartige Zunahme an Informationen Volumen. 15 Petabyte Menge

Mehr

Institut für Baustatik Abteilung Vernetztes Lernen Technische Universität Graz

Institut für Baustatik Abteilung Vernetztes Lernen Technische Universität Graz Institut für Baustatik Abteilung Vernetztes Lernen Technische Universität Graz Der Schnittkraftmeister Bauwerke und Strukturen werden heutzutage fast nur mehr mit Computerprogrammen bemessen und analysiert.

Mehr

Übungsblatt LV Künstliche Intelligenz, Data Mining (1), 2014

Übungsblatt LV Künstliche Intelligenz, Data Mining (1), 2014 Übungsblatt LV Künstliche Intelligenz, Data Mining (1), 2014 Aufgabe 1. Data Mining a) Mit welchen Aufgabenstellungen befasst sich Data Mining? b) Was versteht man unter Transparenz einer Wissensrepräsentation?

Mehr

Blended Learning Konzept

Blended Learning Konzept Blended Learning Konzept Kursziel: Die Lernenden sollen Handlungskompetenzen im Umgang mit Neuen Medien erlangen und diese in verschiedene Lehr- und Lernmethoden integrieren. Diese Methoden sollen online

Mehr

PROF. DR. BRIGITTE WERNERS UNTERNEHMENSFORSCHUNG UND RECHNUNGSWESEN

PROF. DR. BRIGITTE WERNERS UNTERNEHMENSFORSCHUNG UND RECHNUNGSWESEN PROF. DR. BRIGITTE WERNERS UNTERNEHMENSFORSCHUNG UND RECHNUNGSWESEN INFORMATIONEN ZU DEN WAHLPFLICHTMODULEN IM BACHELORSTUDIENGANG IN MANAGEMENT & ECONOMICS AGENDA Was ist OR / Management Science Wer kann

Mehr

Orientierungsveranstaltung für Studierende der Bachelorstudiengänge. Schwerpunkt Wirtschaftsinformatik. Prof. Stefan Lessmann

Orientierungsveranstaltung für Studierende der Bachelorstudiengänge. Schwerpunkt Wirtschaftsinformatik. Prof. Stefan Lessmann Orientierungsveranstaltung für Studierende der Bachelorstudiengänge BWL und VWL Schwerpunkt Wirtschaftsinformatik Prof. Stefan Lessmann Agenda Schwerpunkt Wirtschaftsinformatik Gegenstand der Wirtschaftsinformatik

Mehr

1. Aktuelles Neue Organisationsstruktur

1. Aktuelles Neue Organisationsstruktur Ausgabe 02/2014 Liebe Studierende, Lehrbeauftragte, Professoren und Mitarbeiter der Fakultät Wirtschaftswissenschaften, liebe Interessierte, vor wenigen Wochen sind wir in ein neues Wintersemester gestartet.

Mehr

M-knowledge and -learning in der LH Group. Udo Sonne Sen. Manager digital media & learning-systems LH Group

M-knowledge and -learning in der LH Group. Udo Sonne Sen. Manager digital media & learning-systems LH Group M-knowledge and -learning in der LH Group Udo Sonne Sen. Manager digital media & learning-systems LH Group Trends im Bildungsmanagement Bildung goes mobile Blended Learning mit mobilen "Knowledge-Nuggets"

Mehr

Gültig ab: 3. Dezember 2013

Gültig ab: 3. Dezember 2013 Cookies Richtlinie Gültig ab: 3. Dezember 2013 Hinweis: Bitte achten Sie darauf, dass dieses Dokument eine Übersetzung der englischen Fassung ist. Im Streitfall hat die englische Fassung Vorrang. Cookies

Mehr

E-Learning: Kognitionspsychologische

E-Learning: Kognitionspsychologische E-Learning: Kognitionspsychologische Theorien, Gestaltungsempfehlungen und Forschung II Prof. Dr. Günter Daniel Rey 1 Zu meiner Person Prof. Dr. Günter Daniel Rey Guenter-Daniel.Rey@Phil.TU-Chemnitz.de

Mehr

Fernstudium. Gestern. Heute. Morgen. Fernfachhochschule Schweiz. Prof. Dr. Kurt Grünwald. Fernfachhochschule Schweiz (FFHS) www.ffhs.

Fernstudium. Gestern. Heute. Morgen. Fernfachhochschule Schweiz. Prof. Dr. Kurt Grünwald. Fernfachhochschule Schweiz (FFHS) www.ffhs. Fernstudium Gestern. Heute. Morgen. Prof. Dr. Kurt Grünwald Fernfachhochschule Schweiz (FFHS) Fernfachhochschule Schweiz www.ffhs.ch 16.06.2014 Fernstudium gestern heute morgen 2 Programm 1. Vorstellung

Mehr

Lehrportfolio Wirtschaftsinformatik

Lehrportfolio Wirtschaftsinformatik Lehrportfolio Wirtschaftsinformatik 1. 2. 3. 4. 5. 6. Modellierung und Datenbanken E- und M-Commerce Mediensysteme und Medienkompetenz Systemanalyse und Prozessmanagement Radio Frequency Identification

Mehr

Multimedia. Lehren, Lernen und Design. Programm. Aktuell. 6 Methodische Elemente. 6.1 Inhaltliche Repräsentationsformen 2002-04-18.

Multimedia. Lehren, Lernen und Design. Programm. Aktuell. 6 Methodische Elemente. 6.1 Inhaltliche Repräsentationsformen 2002-04-18. Multimedia Lehren, Lernen und Design 2002-04-18 Einführung Programm elearning 2002-04-25 TBT 2002-05-02 TBT / PISA Aktuell Studie "E-Learning und Wissensmanagement in deutschen Großunternehmen" www.unicmind.com/elearningstudie.pdf

Mehr

1. In 8 Abs. 1 wird die bisherige Modulbezeichnung Geobezugssysteme durch die Modulbezeichnung Parameterschätzung und Geobezugssysteme ersetzt.

1. In 8 Abs. 1 wird die bisherige Modulbezeichnung Geobezugssysteme durch die Modulbezeichnung Parameterschätzung und Geobezugssysteme ersetzt. Dritte Satzung zur Änderung der Studien und Prüfungsordnung für den Bachelorstudiengang Geotelematik und Navigation (Geotelematics and Navigation) an der Hochschule für angewandte Wissenschaften Fachhochschule

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

Android Kurs Online Kurs Entwicklung auf Android-Handys

Android Kurs Online Kurs Entwicklung auf Android-Handys Android Kurs Online Kurs Entwicklung auf Android-Handys Akademie Domani info@akademiedomani.de Allgemeines Programm des Kurses Modul Eins - Programmierung J2ee 1) Grundlegende Java - Programmierung : Grundlegende

Mehr

Zukunftsperspektiven und Chancen durch universitäre Weiterbildung: Trends und Entwicklungen

Zukunftsperspektiven und Chancen durch universitäre Weiterbildung: Trends und Entwicklungen Zukunftsperspektiven und Chancen durch universitäre Weiterbildung: Trends und Entwicklungen Prof. Dr. Anke Hanft FOLIE 1 Gliederung Was ist eigentlich universitäre Weiterbildung? Lifelong learning als

Mehr

DIE ZUKUNFT WARTET NICHT. ANALYSIERE SIE.

DIE ZUKUNFT WARTET NICHT. ANALYSIERE SIE. INFORMATION SCIENCE & BIG DATA ANALYTICS * BACHELOR (BSc ) JULIA SCHICH, NDU Studentin DIE ZUKUNFT WARTET NICHT. ANALYSIERE SIE. *in Akkreditierung DAS DATENUNIVERSUM ENTZIFFERN UND DARSTELLEN In unserer

Mehr

Der Start ins Fernstudium

Der Start ins Fernstudium Der Start ins Fernstudium Dr. Thorsten Junge Lehrgebiet Bildungstheorie und Medienpädagogik Zentrale Webseiten - Studienportal Bildungswissenschaft: http://babw.fernuni-hagen.de - Lernplattform Moodle:

Mehr

Verkaufen im 21. Jahrhundert Wir stellen vor: SAP Cloud for Customer

Verkaufen im 21. Jahrhundert Wir stellen vor: SAP Cloud for Customer Verkaufen im 21. Jahrhundert Wir stellen vor: SAP Cloud for Customer SAP Forum Baden, 11. Juni 2013 Kirsten Trocka Senior Industry Advisor, SAP Cloud Solutions SAP (Schweiz) AG Agenda Die Customer Cloud

Mehr

Management Support Systeme

Management Support Systeme Management Support Systeme WS 24-25 4.-6. Uhr PD Dr. Peter Gluchowski Folie Gliederung MSS WS 4/5. Einführung Management Support Systeme: Informationssysteme zur Unterstützung betrieblicher Fach- und Führungskräfte

Mehr

Integration der HIS-Softwareprodukte intern/extern. Dortmund 4.12.2007

Integration der HIS-Softwareprodukte intern/extern. Dortmund 4.12.2007 Integration der HIS-Softwareprodukte intern/extern Dortmund 4.12.2007 Inhalt Bestandsaufnahme Datenintegration Datenreplikation Schnittstellen Aspekte, Beispiele Aktuelle Kopplungstechniken Beispiele aus

Mehr

xapi STANDARD* unite und die Activity Tracking xapi von Sicher-im-Inter.net

xapi STANDARD* unite und die Activity Tracking xapi von Sicher-im-Inter.net xapi STANDARD* unite und die Activity Tracking xapi von Sicher-im-Inter.net *Anmerkungen xapi Ablauf STANDARD: Die aktuelle Spezifikation der Experience API (xapi) sieht in der Praxis folgenden Ablauf

Mehr

Teletutoring im DistancE-Learning:

Teletutoring im DistancE-Learning: Teletutoring im DistancE-Learning: Wo stehen wir, welche Wege gehen wir? * Tutorielle Begriffswelten Qualifizierungsanforderungen im Fernunterricht Konrad Fassnacht FCT Akademie GmbH Vorsitz AK emedien

Mehr

Modulbeschreibung. The course is principally designed to impart: technical skills 50%, method skills 40%, system skills 10%, social skills 0%.

Modulbeschreibung. The course is principally designed to impart: technical skills 50%, method skills 40%, system skills 10%, social skills 0%. Titel des Moduls: Parallel Systems Dt.: Parallele Systeme Verantwortlich für das Modul: Heiß, Hans-Ulrich E-Mail: lehre@kbs.tu-berlin.de URL: http://www.kbs.tu-berlin.de/ Modulnr.: 866 (Version 2) - Status:

Mehr

E-Learning gewinnt gerade im Bereich der Hochschullehre zunehmend an

E-Learning gewinnt gerade im Bereich der Hochschullehre zunehmend an 1 E-Learning gewinnt gerade im Bereich der Hochschullehre zunehmend an Bedeutung. Schaut man sich einmal genauer an, was im Einzelnen unter E- Learning verstanden wird, gehen die Definitionen durchaus

Mehr

Was sind Online-Seminare?

Was sind Online-Seminare? Was sind Online-Seminare? und wie kann man sie erfolgreich umsetzen? Dr. Sabine Hemsing Themen-Überblick Online-Seminare Kennzeichen Entwicklung von Online-Seminaren Online-Seminare und Hochschullehre,

Mehr

Business Information Management 5. Semester WS 2012/13 Vorlesung: New Trends in IT

Business Information Management 5. Semester WS 2012/13 Vorlesung: New Trends in IT Business Information Management 5. Semester WS 2012/13 Vorlesung: New Trends in IT Prof. Dr. Martin Rupp mailto:martin.rupp@ax-ag.com treten Sie mit mir direkt in Kontakt: martinrupp1964 Sie finden mich

Mehr

360 Spend Analyse, Basis für souveränes Handeln im Einkauf Andreas Held, Country Manager Creactives S.p.A.

360 Spend Analyse, Basis für souveränes Handeln im Einkauf Andreas Held, Country Manager Creactives S.p.A. 360 Spend Analyse, Basis für souveränes Handeln im Einkauf Andreas Held, Country Manager Creactives S.p.A. 2013 CREACTIVES 1 Ein italienisches Unternehmen 2013 CREACTIVES 2 Große multinationale Unternehmen,

Mehr

Open Source BI Trends. 11. Dezember 2009 Wien Konstantin Böhm

Open Source BI Trends. 11. Dezember 2009 Wien Konstantin Böhm Open Source BI Trends 11. Dezember 2009 Wien Konstantin Böhm Profil Folie 2 JAX 2009 11.12.2009 Gründung 2002, Nürnberg 50 Mitarbeiter Innovative Kunden Spezialisiert auf Open Source Integration Open Source

Mehr

Innovative Lernformen Informelles Lernen als Erfolgsfaktor für E-Learning

Innovative Lernformen Informelles Lernen als Erfolgsfaktor für E-Learning Innovative Lernformen Informelles Lernen als Erfolgsfaktor für E-Learning 9. wbv-fachtagung Bielefeld, 24. Oktober 2012 Prof. Dr. Gernold P. Frank Hochschule für Technik und Wirtschaft Berlin - HTW FB

Mehr

e(asy) learning die Bibliothek auch als virtueller Lernort

e(asy) learning die Bibliothek auch als virtueller Lernort e(asy) learning die Bibliothek auch als virtueller Lernort Dr. Antje Kellersohn Fachhochschule Bielefeld DBV Sekt. IV Herbsttagung Trier, 25.10.2007 Agenda Definition: Was ist elearning? Konzept: Die Bibliothek

Mehr

Infrastruktur für Web Intelligent Systems

Infrastruktur für Web Intelligent Systems Infrastruktur für Web Intelligent Systems Thema: Business Intelligence Teil II: Data Mining & Knowledge Discovery von Christian Merker Gliederung Web-Intelligent-Systeme Begriffsklärung Personalisiertes

Mehr

Business Intelligence Center of Excellence

Business Intelligence Center of Excellence Center of Excellence Eine Businessinitiative von Systematika und Kybeidos Werner Bundschuh Was ist das? In der Praxis versteht man in den meisten Fällen unter die Automatisierung des Berichtswesens (Reporting).

Mehr

Die Open Source Lernplattform

Die Open Source Lernplattform Die Open Source Lernplattform mit deutschem Support individuell weltweit bewährt 1 3 4 5 6 7 8 9 10 Über 56.000 Moodles 12 Dunkelziffer erheblich 13 700 registriert ca. 1.200 zentrale Schulmoodles 14 Ein

Mehr

ka:media interactive GmbH öffentlich

ka:media interactive GmbH öffentlich MOBILE LEARNING TECHNIK UND NUTZUNGSBEISPIELE ka:media interactive GmbH öffentlich 1. Vorstellung und Vorkenntnisse 2. Mobile Learning, was ist anders als am Desktop PC? 3. Mobile E-Learning: Web and App

Mehr