Heuristische Verfahren zur Aggregation addierbarer Zeitreihen
|
|
- Herta Vogel
- vor 5 Jahren
- Abrufe
Transkript
1 KSFE 2003 Heuristische Verfahren zur Aggregation addierbarer Zeitreihen Abt. Data Mining Stefan Pohl Dr. S. Steinberg
2 Agenda Heinrich Bauer Verlag Typisches Problem des Vertriebs Lösungsansatz: Supervised Clustering Vergleich verschiedener Verfahren SAS/EM-Knoten: Cluster Comparison Vergleich von Clusterscorings oder Klassifikationen Zusammenfassung KSFE 2003 Potsdam 2
3 Heinrich Bauer Verlag Europas führender Zeitschriftenverlag weltweit: ca Mitarbeiter 120 auflagenstarke Erfolgstitel in Deutschland Marktführer in den Segmenten: Programmzeitschriften (55% = 9,8 Mio. Exemplare) Jugendzeitschriften (39% = 1,4 Mio. Exemplare) unterhaltende Frauenzeitschriften (35% = 4,0 Mio. Exemplare) Special Interest Magazine KSFE 2003 Potsdam 3
4 Heuristische Verfahren zur Aggregation addierbarer Zeitreihen VKG Vertriebsfirma der Verlagsgruppe Bauer 730 Mio. Umsatz 150 Mitarbeiter ca. 20 Mio. Hefte pro Erscheinungsintervall 3,8 Mio. Abonnenten jährlich ca neue Abonnenten HH Abdeckung durch VKG Logistik ca. 80% über 215 Mio. Liefertakte p.a. Logistik ca. 30% WBZ und Fremdtakte KSFE 2003 Potsdam 4
5 Typisches Problem des Vertriebs Problem: Wie können Auswirkungen von vertrieblichen Aktivitäten Bezugsänderungen Werbemaßnahmen nachgewiesen werden? Lösungsansatz Einteilung der Vertriebsgebiete in Test- & Referenzgebiete Test Nr. 1 Test Nr. 2 Referenzgebiet Zeitreihe von Verkaufsanteilen KSFE 2003 Potsdam 5
6 Konkretisierung Begriffe Verhalten = Verkäufe als einzige Rückmeldung im Einzelhandel Einflüsse = Inhalte der Zeitschrift, Titelbild (Hintergrundfarbe, Model,...), Regionalität (Ost/West, Groß-/Kleinstadt, Wetter,...) Vertriebsgebiete = logistisch bedingte Einteilung Deutschlands Probleme Titelthemen können regionale, zeitlich begrenzte Verkaufsschlager sein Verkäufe abhängig von Affinitäten der Kunden, beliebig geographisch verteilt Einfluß bisheriger Testaktivitäten verzerrt Historie KSFE 2003 Potsdam 6
7 Lösung Zusammenfassung von Vertriebsgebieten zu Clustern, die ein besseres Verhalten haben Verkaufsanteile KSFE 2003 Potsdam 7
8 Abbildung auf Verfahren des SAS/EM Zufallsauswahl keine Optimalität erwartbar, kann aber gut als Referenz dienen Clustering Probleme: Statik der Elementeigenschaften Elemente erhalten neue Eigenschaften bei jedem Iterationsschritt unabhängig von der aktuellen Clusterzusammenstellung unüberwacht Anlehnung an Variablenselektion teilt Variablen in die beiden Gruppen erklärend und redundant ein KSFE 2003 Potsdam 8
9 Anforderungen an Testumgebung: mehrere Tests unterschiedliche Aktivitäten (Bezugsänderung, Werbung,...) gleichzeitige Durchführbarkeit statistisch gesicherter Erkenntnisgewinn nicht nur: gab es Einfluß, sondern: wie hoch war der Einfluß an Zusammenstellung der Cluster: Regelwerk von Bedingungen an Vertriebsgebiete und Cluster KSFE 2003 Potsdam 9
10 Algorithmus Elemente G e n e r a Supervised Clustering ti o n E v al u ati o n Agglomeration Kombination (beste Cluster vereinigen) keine weiteren Beschränkung auf eine Untermenge der Möglichkeiten Abbildung der menschlichen Vorgehensweise: Inkrementelle, lokale Optimierung Ausgehend von Einzelelementen, Elemente zusammenführen, die dadurch eine Verbesserung bzgl. einer Zielfunktion erfahren Abbruchbed. erfüllt Cluster KSFE 2003 Potsdam 10
11 Komplexität Beispiel: maximal 5 Gruppen mit 50 Elementen Anzahl zu untersuchender Möglichkeiten: Gesamtkomplexität: > Pro Gruppe genau 10 Elemente: > Supervised Clustering: < Komplexität 1000 s * Kombinationen s 600 s 400 s 200 s Berechnungszeit Supervised Clustering Gesamtkomplexität Gesamtkomplexität beschränkt Anzahl Elemente 0 s * Ausführungszeit aufgenommen mit Pentium 800 MHz, nichtoptimierter Interpretercode KSFE 2003 Potsdam 11
12 Implementierung Prototyphaftigkeit aufgrund vorher unklarer Anforderungen, Bedingungen Umfang der Verbesserung unbekannt (generell und auf Basis spezieller Daten) Prototyp in Prolog (logische Programmierung) Datenbasis beliebige Daten assoziativ speicherbar Regelbasiert einfache nachträgliche Definition von einschränkenden Bedingungen bei jeder Aktion Stabile Version in SAS Nahtlose Integration in andere Untersuchungen SAS/Enterprise Miner KSFE 2003 Potsdam 12
13 Implementierung in SAS SAS ist insgesamt datengetrieben : Steps u. Procs kommunizieren über Datasets u. Macrovariablen Algorithmus fest in Data- Steps implementiert Extensive Nutzung von SAS/Macro zur funktionalen Wiederverwendung von Data-Steps Skalierbarkeit gesichert durch Nutzung externer Speicher (Datasets) optimierter Dataset-Operationen KSFE 2003 Potsdam 13
14 Ergebnis Fehler 4,50% 4,00% 3,50% 3,00% 2,50% 2,00% 1,50% 1,00% 0,50% 0,00% Vergleich der Vorhersagefehler deutliche Fehlerreduktion in allen Gruppen es gibt wenige sich gut für diese Zeitschrift ausgleichende Vertriebsgebiete Volatilität Gruppe Regionalität Supervised Clustering Zufallsauswahl KSFE 2003 Potsdam 14
15 Lösungsvergleich Frage: Wie unterscheiden sich verschiedene Gruppierungen? oder Auf welche Cluster einer anderen Gruppierung verteilen sich die Elemente eines Clusters? Cluster 2 Cluster 1 Cluster 3 Mittel: Kreuztabellen KSFE 2003 Potsdam 15
16 SAS/EM-Knoten: Cluster Comparison Beliebige Aggregatfunktionen über Elemente möglich: Anzahl, Summe, Min/Max, Clusterübereinstimmung beim Paar: KMEANS x SOM KSFE 2003 Potsdam 16
17 Zusammenfassung Supervised Clustering Testbarkeit bei auflagenschwachem Titel durch das Verfahren erst möglich geworden Agglomerationsverhalten gibt Auskunft über Eigenschaften der Daten zugrundeliegende Prozesse Cluster Comparison Vollständige Integration in Tools des SAS/EM Überlappungsgrad gibt Hinweis auf Stabilität einer Aggregation KSFE 2003 Potsdam 17
18 ? Fragen & Diskussion Stefan Pohl: Dr. Sergej Steinberg: KSFE 2003 Potsdam 18
Projektbericht. Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar
Business Intelligence Master Digitale Logistik und Management Projektbericht Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar Matthias Säger
MehrClustering. Clustering:
Clustering Clustering: Gruppierung und Einteilung einer Datenmenge nach ähnlichen Merkmalen Unüberwachte Klassifizierung (Neuronale Netze- Terminologie) Distanzkriterium: Ein Datenvektor ist zu anderen
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
MehrData Mining in der Bauer Media Group Vorstellung eines Verfahrens zur Auswahl vergleichbarer Gebiete für regionale Tests
Data Mining in der Bauer Media Group Vorstellung eines Verfahrens zur Auswahl vergleichbarer Gebiete für regionale Tests Hamburg, 12.03.2009 6. TDWI Roundtable - M. Westphal, N. Brauns, Dr. S. Steinberg
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 12, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 12, 25.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrProjekt-INF Folie 1
Folie 1 Projekt-INF Entwicklung eines Testbed für den empirischen Vergleich verschiedener Methoden des maschinellen Lernens im Bezug auf die Erlernung von Produktentwicklungswissen Folie 2 Inhalt Ziel
MehrMachine Learning. Dr. Bartholomäus Wissmath 3. Swiss Innovation Day
Machine Learning Dr. Bartholomäus Wissmath 3. Swiss Innovation Day Artificial Intelligence (AI) Teilgebiet der Informatik, welches sich mit der Automatisierung von intelligenten Verhalten und dem Maschinenlernen
MehrGrundlagen der Wirtschafts informatik
Andreas Fink Gabriele Schneidereit Stefan Voß Grundlagen der Wirtschafts informatik Zweite, überarbeitete Auflage mit 78 Abbildungen und 16 Tabellen Physica-Verlag Ein Unternehmen von Springer Vorwort
MehrStandortübergreifende Programmplanung in flexiblen Produktionsnetzwerken der Automobilindustrie
Produktion und Logistik Standortübergreifende Programmplanung in flexiblen Produktionsnetzwerken der Automobilindustrie Bearbeitet von Dr. Kai Wittek 1. Auflage 2013. Taschenbuch. xxvii, 292 S. Paperback
MehrData Cubes PG Wissensmangement Seminarphase
PG 402 - Wissensmangement Seminarphase 23.10.2001-25.10.2001 Hanna Köpcke Lehrstuhl für Künstliche Intelligenz Universität Dortmund Übersicht 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit
Mehr2. Architektur verteilter Datenbanksysteme
2. Architektur verteilter Datenbanksysteme Verteilte Datenbank, kurz DDB (engl. distributed database): eine Sammlung logisch zusammengehöriger Datenbanken, welche über Rechnerknoten ( Sites ) verteilt
MehrRegelbasiertes Tiling für Collaborative Filtering
Regelbasiertes Tiling für Collaborative Filtering Diplomarbeit Simone Daum 17.11.2005 Betreuer: Prof. Johannes Fürnkranz Überblick Einführung Algorithmus zum Regelbasierten Tiling Ergebnisse Überblick
MehrMustererkennung. Übersicht. Unüberwachtes Lernen. (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren Gaussian-Mixture Modelle
Mustererkennung Unüberwachtes Lernen R. Neubecker, WS 01 / 01 Übersicht (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren 1 Lernen Überwachtes Lernen Zum Training des Klassifikators
Mehr2. Datenvorverarbeitung
Kurzreferat Das Ziel beim Clustering ist es möglichst gleich Datensätze zu finden und diese in Gruppen, sogenannte Cluster zu untergliedern. In dieser Dokumentation werden die Methoden k-means und Fuzzy
MehrData Cube. 1. Einführung. 2. Aggregation in SQL, GROUP BY. 3. Probleme mit GROUP BY. 4. Der Cube-Operator. 5. Implementierung des Data Cube
Data Cube 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator 5. Implementierung des Data Cube 6. Zusammenfassung und Ausblick Dank an Hanna Köpcke! 1 On-line Analytical
MehrMultiparadigmen- Programmiersprachen
Multiparadigmen- Programmiersprachen Martin Grabmüller magr@cs.tu-berlin.de Fachgebiet Übersetzerbau und Programmiersprachen Fakultät IV Elektrotechnik und Informatik Technische Universität Berlin Multiparadigmen-Programmiersprachen
MehrAnalyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung
Analyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung Zusammenfassung der Diplomarbeit an der Hochschule Zittau/Görlitz Maria Kiseleva Motivation
MehrPraxis der Regressionsanalyse
Praxis der Regressionsanalyse Von Samprit Chatterjee New York University und Bertram Price Price Associates, Inc., Washington, D. C. Aus dem Amerikanischen übertragen von Prof. Dr. Gunter Lorenzen Universität
MehrClustering 2010/06/11 Sebastian Koch 1
Clustering 2010/06/11 1 Motivation Quelle: http://www.ha-w.de/media/schulung01.jpg 2010/06/11 2 Was ist Clustering Idee: Gruppierung von Objekten so, dass: Innerhalb einer Gruppe sollen die Objekte möglichst
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrLDA-based Document Model for Adhoc-Retrieval
Martin Luther Universität Halle-Wittenberg 30. März 2007 Inhaltsverzeichnis 1 2 plsi Clusterbasiertes Retrieval 3 Latent Dirichlet Allocation LDA-basiertes Retrieval Komplexität 4 Feineinstellung Parameter
MehrAlgorithmische Geometrie: Arrangements und
Algorithmische Geometrie: Arrangements und Dualität Nico Düvelmeyer WS 2009/2010, 19.1.2010 Überblick 1 Strahlenverfolgung und Diskrepanz 2 Dualität Dualitäts-Abbildung Transformation des Problems zur
MehrData 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
MehrKapitel ML: X (Fortsetzung)
Kapitel ML: X (Fortsetzung) X. Clusteranalyse Einordnung Data Mining Einführung in die Clusteranalyse Hierarchische Verfahren Iterative Verfahren Dichtebasierte Verfahren Cluster-Evaluierung ML: X-31 Cluster
MehrTUD Computer Poker Challenge
TUD Computer Poker Challenge The Challenge of Poker Björn Heidenreich 31. März 2008 The Challenge of Poker Björn Heidenreich 1 Anforderungen an einen guten Poker-Spieler Hand Strength Hand Potential Bluffing
MehrBayes-Netze. Claudio Fischer Text- und Datamining (AG Digital Humanities)
Bayes-Netze Claudio Fischer 20.06.2013 Text- und Datamining (AG Digital Humanities) Agenda Wiederholung Wahrscheinlichkeitstheorie Beispiel Motivation Bayes-Netze Inferenz exakt Inferenz annäherend Belief
MehrOptimierungsstrategien für selbstorganisierende Speicherstrukturen
Optimierungsstrategien für selbstorganisierende Speicherstrukturen Robert Schelkle Karlsruher Institut für Technologie (KIT) Institut für Technische Informatik (ITEC) Lehrstuhl für Rechnerarchitektur und
MehrData Mining 7-1. Kapitel 7: Advertising on the Web. Johannes Zschache Wintersemester 2018/19
Data Mining Kapitel 7: Advertising on the Web Johannes Zschache Wintersemester 2018/19 Abteilung Datenbanken, Universität Leipzig http://dbs.uni-leipzig.de Data Mining 7-1 7-2 Data Mining Übersicht Hochdimension.
MehrLineare Gleichungssysteme
Kapitel 6 Lineare Gleichungssysteme 6. Gaußalgorithmus Aufgabe 6. : Untersuchen Sie die folgenden linearen Gleichungssysteme mit dem Gaußalgorithmus auf Lösbarkeit und bestimmen Sie jeweils die Lösungsmenge.
MehrReihe: Electronic Commerce Band 22
Reihe: Electronic Commerce Band 22 Herausgegeben von Prof. Dr. Dr. h. c. Norbert Szyperski, Köln, Prof. Dr. Beat F. Schmid, St. Gallen, Prof. Dr. Dr. h. c. mult. August-Wilhelm Scheer, Saarbrücken, Prof.
MehrDurch Usability spürbar produktiver werden. kirschwerk - Wir machen s einfach
Durch Usability spürbar produktiver werden Inhalt Wer ist kirschwerk? Überblick über Referenzen Ausgewählte Referenzen kirschwerk kurz vorgestellt einfach machen seit 2010 Gegründet 2010 Geschäftsführerin:
MehrJens Schmidt Senior Member Technical Staff
Jens Schmidt Senior Member Technical Staff Oracle 9i Data Mining Connector 1.1 für mysap BW Agenda Data Mining Grundlagen Der Data Mining Prozess Oracle Data Mining Integration mit mysap BW Agenda Data
Mehr3.3 Optimale binäre Suchbäume
3.3 Optimale binäre Suchbäume Problem 3.3.1. Sei S eine Menge von Schlüsseln aus einem endlichen, linear geordneten Universum U, S = {a 1,,...,a n } U und S = n N. Wir wollen S in einem binären Suchbaum
MehrWEKA A Machine Learning Interface for Data Mining
WEKA A Machine Learning Interface for Data Mining Frank Eibe, Mark Hall, Geoffrey Holmes, Richard Kirkby, Bernhard Pfahringer, Ian H. Witten Reinhard Klaus Losse Künstliche Intelligenz II WS 2009/2010
MehrOnline Marketing Services. Attributionsmodelle. Theorie. Praxis. Herausforderungen.
Online Marketing Services Attributionsmodelle Theorie. Praxis. Herausforderungen. Alexander Gut SEO und Affiliate- Marketing Inhouse AdWords Kampagnen- Betreuung Conversion Optimierung Zahlreiche erfolgreiche
MehrBusiness Model Canvas
Business Model Canvas Die Business Model Canvas (dt.: Leinwand) ist ein von Alexander Osterwalder und Yves Pigneur entwickeltes Werkzeug zur Entwicklung innovativer Geschäftsmodelle. Es besteht aus neun
MehrSequenzgenerierung aus Klassifikationsbäumen
Sequenzgenerierung aus Klassifikationsbäumen Peter M. Kruse, 24.01.2011 PMK, 24.01.2011 Inhalt Einleitung Stand von Wissenschaft und Technik Generierung von Testsequenzen mit der Klassifikationsbaum-Methode
MehrVorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Uwe Ligges Informatik LS 8 22.04.2010 1 von 26 Gliederung 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der
Mehr4.Tutorium Multivariate Verfahren
4.Tutorium Multivariate Verfahren - Clusteranalyse - Hannah Busen: 01.06.2015 und 08.06.2015 Nicole Schüller: 02.06.2015 und 09.06.2015 Institut für Statistik, LMU München 1 / 17 Gliederung 1 Idee der
MehrNicht nur das Los entscheidet - Anmeldeverfahren in Stud.IP Nicht nur das Los entscheidet - Anmeldeverfahren in Stud.IP
Universität Passau Universität Oldenburg 15.06.2010 1/18 Worum geht es? Redesign der, zentrale Anmeldemasken für Administratoren (Passauer-Lösung), flexiblere Definitionsmöglichkeit von Kontingenten, Performanceverbesserung
MehrPrüfungsrelevante Studienleistung Logische Programmierung (Sommer 2006) Magische Quadrate. Patricia Röschke (46016) Martin Grandrath (46375)
Prüfungsrelevante Studienleistung Logische Programmierung (Sommer 2006) Magische Quadrate Patricia Röschke (46016) Martin Grandrath (46375) 31. Oktober 2006 Inhalt 1 Aufgabenstellung 2 2 Erläuterung der
MehrVorlesung Wissensentdeckung in Datenbanken
Gliederung Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Claus Weihs 14.07.2009 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der Cube-Operator 5 Implementierung
Mehr2.3 Logikoptimierung. Überblick digitale Synthese. Logikoptimierung
2.3 Logikoptimierung Logikoptimierung Überblick digitale Synthese Logikoptimierung Begriffe Mehrstufige Logik Zweistufige Logik:..Exakte Verfahen..Heuristische Verfahren..Expansion/ Reduktion..Streichen
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrDaniel Fischer. ISI 2000, Best Student Paper Award
Untersuchung von Synergieeffekten von Datenstruktur- und n zur Prozessoptimierung anhand des Projektes TDS der Firma Adtranz (Abstract) Daniel Fischer ISI 2000, Best Student Paper Award e rücken vor allem
MehrBully-Algorithmus Krebs Florian, Kus Matthias, Pisselhoy Andreas, Schwab Benjamin, Heinrich Jörg
Bully-Algorithmus Krebs Florian, Kus Matthias, Pisselhoy Andreas, Schwab Benjamin, Heinrich Jörg Programmierung verteilter Systeme Lab Institut für Informatik Universität Augsburg Universitätsstraße 14,
MehrPredictive Modeling Markup Language. Thomas Morandell
Predictive Modeling Markup Language Thomas Morandell Index Einführung PMML als Standard für den Austausch von Data Mining Ergebnissen/Prozessen Allgemeine Struktur eines PMML Dokuments Beispiel von PMML
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Clustering: Partitioniere Objektmenge in Gruppen(Cluster), so dass sich Objekte in einer Gruppe ähnlich sind und Objekte
MehrVersionsverwaltung. Seminar Softwareentwicklung in der Wissenschaft Robert Wiesner
Versionsverwaltung Seminar Softwareentwicklung in der Wissenschaft Robert Wiesner Gliederung Motivation Allgemeines Varianten der Versionsverwaltung Versionierungssysteme Git als Versionierungssystem-Beispiel
MehrTypologisierung von Jungunternehmen
Jungunternehmen auf dem Weg zum konsolidierten Mittelstand Typologisierung von Jungunternehmen Dr. Anne Weber, Drs.. MIB Paul Flachskampf Institut für f r Unternehmenskybernetik e.v. Oliver Strauß Institut
MehrClusteranalyse für Netzwerke
Alexandra Rebecca Klages Clusteranalyse für Netzwerke PETER LANG Internationaler Verlag der Wissenschaften Inhaltsverzeichnis 1 Einleitung 1 2 Grundlagen 7 2.1 Netzwerktheorie 7 2.1.1 Definitionen 7 2.1.2
MehrSkalierbare Graph-basierte Analyse und Business Intelligence
Skalierbare Graph-basierte Analyse und Business Intelligence André Petermann Universität Leipzig & ScaDS Dreden/Leipzig Graphs are everywhere GRADOOP Business Intelligence Zusammenfassung Skalierbare Graph-basierte
MehrEinführung in Support Vector Machines (SVMs)
Einführung in (SVM) Januar 31, 2011 Einführung in (SVMs) Table of contents Motivation Einführung in (SVMs) Outline Motivation Vektorrepräsentation Klassifikation Motivation Einführung in (SVMs) Vektorrepräsentation
MehrVisualisierung von großen Musiksammlungen unter Berücksichtigung projektionsbedingter Verzerrungen
Data & Knowledge Engineering Group Visualisierung von großen Musiksammlungen unter Berücksichtigung projektionsbedingter Verzerrungen Sebastian Stober Überblick Problembeschreibung von Bergen, Tälern und
MehrMethoden zur Cluster - Analyse
Kapitel 4 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
MehrDas Projekt Automatische Sacherschließung an der ZBW
Das Projekt Automatische Sacherschließung an der ZBW Martin Toepfer (Wissenschaftlicher Mitarbeiter, M. Sc. Informatik) ZBW Leibniz-Informationszentrum Wirtschaft Workshop Computerunterstützte Inhaltserschließung
MehrMultivariate Lineare Modelle SS Einführung. 1. Organisation. 2. Übersicht. 3. Arbeiten mit SAS
Multivariate Lineare Modelle SS 2009 0 Einführung 1. Organisation 2. Übersicht 3. Arbeiten mit SAS 1 0.1 Organisation Lehrziele: Theorie von multivariaten linearen Modellen Praktische Anwendung mit SAS
MehrAnalytic im Einsatz! Betrugserkennung auf Basis von Big Data. Karol Sobiech
Analytic im Einsatz! Betrugserkennung auf Basis von Big Data Karol Sobiech 2 ACCENTURE GLOBAL DELIVERY NETWORK 3 4 AGENDA 1 MOTIVATION & ZIEL 2 METHODEN FRAUD MANAGEMENT SYSTEM 4 ARCHITEKTUR & TOOLS 3
MehrPräferenzbasierte Segmentierung von Fondskäufern
Reinhard Schmidt Präferenzbasierte Segmentierung von Fondskäufern Verbesserung der Kundenorientierung im Fondsvertrieb Mit Geleitworten von Prof. Dr. Volker Trommsdorff und Prof. Dr. Hans Hirth Deutscher
MehrMEHR KONTROLLE, MEHR SICHERHEIT. Business Suite
MEHR KONTROLLE, MEHR SICHERHEIT Business Suite 2 ENDGERÄTESCHUTZ - DAS HERZSTÜCK DER CYBER SECURITY Cyber-Angriffe treten immer häufiger auf und werden dabei stets ausgefeilter. Jedes Unternehmen kann
MehrAnpassung von Data-Warehouse-Techniken für den Einsatz unsicherer Verkehrsdaten
Diplomvortrag Anpassung von Data-Warehouse-Techniken für den entstanden im Rahmen des OVID-Projektes Institut für Programmstrukturen und Datenorganisation Verantwortlicher Betreuer: Prof. Dr.-Ing. Klemens
MehrElectronic Design Automation (EDA) Logikoptimierung
Electronic Design Automation (EDA) Logikoptimierung Überblick digitale Synthese Logikoptimierung Begriffe Mehrstufige Logik Zweistufige Logik: Exakte Verfahren... Heuristische Verfahren... Expansion/Reduktion...
MehrInhaltsverzeichnis. Georg Stark. Robotik mit MATLAB ISBN: Weitere Informationen oder Bestellungen unter
Inhaltsverzeichnis Georg Stark Robotik mit MATLAB ISBN: 978-3-446-41962-9 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-41962-9 sowie im Buchhandel. Carl Hanser Verlag, München
MehrÜberblick. Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung
Grundlagen Überblick Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes-Klassifikator
MehrWas können uns Zeitreihen von Baumzuwächsen über eine sich ändernde Umwelt erzählen?
S. 1 Trendanalyse mit gemischten linearen Modellen: SAS-Lösungen und Anwendung in der Ökologie Thomas Riemer, Systematika GmbH Heidelberg Hanns Hubert Leuschner, Universität Göttingen Was können uns Zeitreihen
Mehr10 Inhaltsverzeichnis
Georg Stark Robotik mit MATLAB Mit 101 Bildern, 33 Tabellen, 40 Beispielen, 55 Aufgaben und 37 Listings Fachbuchverlag Leipzig im Carl Hanser Verlag Inhaltsverzeichnis 1 Einführung in die Robotik 13 1.1
MehrData Mining mit RapidMiner. Fakultät Informatik Lehrstuhl für Künstliche Intelligenz
Data Mining mit RapidMiner Fakultät Informatik Motivation CRISP: DM-Prozess besteht aus unterschiedlichen Teilaufgaben Datenvorverarbeitung spielt wichtige Rolle im DM-Prozess Systematische Evaluationen
Mehrwind up your energy vom Windpark zum Windkraftwerk Heiko Harms, Vorstand EWE AG Oldenburg,
wind up your energy vom Windpark zum Windkraftwerk Heiko Harms, Vorstand EWE AG Oldenburg, 13.01.2010 0 Windenergie hat eine lange Tradition bei EWE Beginn des Aufbaus des Geschäftsfeldes Windenergie Inbetriebnahme
MehrData Mining - Wiederholung
Data Mining - Wiederholung Norbert Fuhr 18. Januar 2006 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
MehrAlgorithmen und Datenstrukturen II
Algorithmen und Datenstrukturen II Algorithmen zur Textverarbeitung III: D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg Sommer 2009,
MehrVisualisierung von 1-, 2- und 3dimensionalen Zeitreihen
Visualisierung von 1-, 2- und 3dimensionalen Zeitreihen Diplomarbeit Diplomand: Ing. Thomas Panner Erstprüfer: Prof. Dr.-Ing. Jürgen Ruck Zweitprüfer: Dipl.-Ing. Dr. Thomas Grünberger präsentiert am 8.
MehrClustern: Voraussetzungen
Clustering Gruppen (Cluster) ähnlicher Elemente bilden Elemente in einem Cluster sollen sich möglichst ähnlich sein, u. den Elementen in anderen Clustern möglichst unähnlich im Gegensatz zu Kategorisierung
MehrErfassung von Unternehmenszielen und Qualifizierungsbedarfen im Einzelhandel. Ihre generellen Unternehmensziele:
Ihre generellen Unternehmensziele: Erfassung von Unternehmenszielen und Qualifizierungsbedarfen im Einzelhandel Überlegen Sie, welche konkreten Ziele Sie in den nächsten Monaten für Ihr Unternehmen erreichen
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Unüberwachtes Lernen: Clustern von Attributen
INTELLIGENTE DATENANALYSE IN MATLAB Unüberwachtes Lernen: Clustern von Attributen Literatur J. Han, M. Kamber: Data Mining Concepts and Techniques. J. Han et. al: Mining Frequent Patterns without Candidate
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrHierarchische Produktionsplanung
Marion Steven Hierarchische Produktionsplanung 2., überarbeitete und erweiterte Auflage Mit 48 Abbildungen Physica-Verlag Ein Unternehmen des Springer-Verlags Inhaltsverzeichnis 0. Einleitung und Übersicht
MehrNeuerungen im Enterprise Miner 5.2 & Text Miner 2.3
Neuerungen im Enterprise Miner 5.2 & Text Miner 2.3 Copyright 2005, SAS Institute Inc. All rights reserved. Ulrich Reincke, SAS Deutschland Agenda Der Neue Enterprise Miner 5.2 Der Neue Text Miner 2.3
MehrFlächenaggregation LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Kartografie Flächenaggregation LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 09.07.2013 1 Flächenaggregation Flächennutzung
MehrDie Fleissarbeit dem PC: Umfragen auf Knopfdruck auswerten
Die Fleissarbeit dem PC: Umfragen auf Knopfdruck auswerten Druckreife statistische Auswertungen von Umfragen in Rekordzeit Jonas Bieri Basel-Stadt jonas.bieri@bs.ch Agenda 1. Das Problem Bestehende Umfrageauswertungs-Tools:
MehrTitelmaster. Geodätische Woche. 3-D Phase Unwrapping Algorithmen zur Lösung der Phasenmehrdeutigkeiten in D-InSAR Stapeln
Titelmaster Geodätische Woche 3-D Phase Unwrapping Algorithmen zur Lösung der Phasenmehrdeutigkeiten in D-InSAR Stapeln Sebastian Walzog, Ina Loth, Lutz Roese-Koerner, Wolf-Dieter Schuh Institut für Geodäsie
MehrML Deployment. Vom Prototyp zur Produktion
ML Deployment Vom Prototyp zur Produktion Marcel Spitzer Karlsruhe, 15.3.2018 Marcel Spitzer Big Data Scientist @ inovex Wi.-Mathematik (B.Sc.), Wi.-Informatik (M.Sc.) Data Science mit Python und R Deployment
MehrKünstliche Intelligenz
George F. Luger 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Künstliche Intelligenz Strategien zur Lösung komplexer
MehrGrundlagen Drittnutzerfinanzierung
Grundlagen Drittnutzerfinanzierung Workshop Neue Finanzierungsinstrumente zur Sicherung des ÖPNV Haus am Dom, Frankfurt, 21.06.2013 Stefan Groer Inhalt Warum Drittnutzerfinanzierung? Was ist Drittnutzerfinanzierung?
MehrAuswahl repräsentativer Netznutzungsfälle zur Bewertung zukünftiger Systemzustände in der Betriebsplanung elektrischer Übertragungsnetze
Auswahl repräsentativer Netznutzungsfälle zur Bewertung zukünftiger Systemzustände in der Betriebsplanung elektrischer Übertragungsnetze Oliver Scheufeld, Lukas Kalisch, Andreas Moormann, Simon Krahl,
MehrModell-basierte Entwicklung mit der Timing Definition Language (TDL)
Modell-basierte Entwicklung mit der Timing Definition Language (TDL) Prof. Dr. Wolfgang Pree Univ. Salzburg Inhalt Motivation für einen Paradigmenwechsel bisher: zuerst Plattform, dann Software => Software
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Grundlagen Laura Kallmeyer Heinrich-Heine-Universität Düsseldorf Summer 2016 1 / 21 Diskrete Wahrscheinlichkeitsräume (1) Carstensen et al. (2010), Abschnitt
Mehr1 Einleitung Hintergründe der Arbeit Zielsetzung und Aufbau der Arbeit 8. 2 Definitionen und Grundlagen 11
Inhaltsverzeichnis 1 Einleitung 1 1.1 Hintergründe der Arbeit 1 1.2 Zielsetzung und Aufbau der Arbeit 8 2 Definitionen und Grundlagen 11 2.1 Überblick 12 2.2 Externe und bankinterne Stresstests 12 2.2.1
MehrAufbau eines Clusters mit der NoSQL- Datenbank MongoDB auf Basis von Einplatinencomputern
Fachbereich 2 Informatik und Ingenieurwissenschaften Im Studiengang Informatik Aufbau eines Clusters mit der NoSQL- Datenbank MongoDB auf Basis von Einplatinencomputern Kolloquium zur Bachelorthesis Danijel
MehrKünstliche Intelligenz
Künstliche Intelligenz Bearbeitet von Uwe Lämmel, Jürgen Cleve 4., aktualisierte Auflage 2012. Buch. 336 S. ISBN 978 3 446 42758 7 Format (B x L): 18 x 24,5 cm Gewicht: 717 g Weitere Fachgebiete > EDV,
MehrBig Data in der Praxis
Jonas Freiknecht Big Data in der Praxis Lösungen mit Hadoop, HBase und Hive Daten speichern, aufbereiten, visualisieren HANSER Vorwort XI 1 Einleitung 1 2 Big-Data 7 2.1 Historische Entstehung 8 2.2 Big-Data
MehrApriori-Algorithmus zur Entdeckung von Assoziationsregeln
Apriori-Algorithmus zur Entdeckung von PG 42 Wissensmanagment Lehrstuhl für Künstliche Intelligenz 22. Oktober 21 Gliederung Motivation Formale Problemdarstellung Apriori-Algorithmus Beispiel Varianten
MehrProgrammierpraktikum Algorithm Engineering (FPT-Algorithmen) Einführung
Programmierpraktikum Algorithm Engineering (FPT-Algorithmen) Einführung Martin Holzer Ignaz Rutter 31. Oktober 2008 Ansätze für NP-schwere Probleme 2/28 Approximative Lösungen Average-Case- statt Worst-Case-Analyse
MehrModulempfehlungen über Vorgänger- und Nachfolgemodule. Patrick Bittner tubit IT Service Center INFORMATIK 2015 Workshop: Hochschule 2025
Modulempfehlungen über Vorgänger- und Nachfolgemodule Patrick Bittner tubit IT Service Center INFORMATIK 2015 Workshop: Hochschule 2025 Motivation Studierende wählen Module Welche Module könnten mich interessieren?
Mehr