Lazar (Lazy-Structure-Activity Relationships)

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Lazar (Lazy-Structure-Activity Relationships)"

Transkript

1 Lazar (Lazy-Structure-Activity Relationships) Martin Gütlein, Albert-Ludwigs-Universität Freiburg Dr. Christoph Helma, in silico toxicology gmbh, Basel Halle, Advanced Course des AK Regulatorische Toxikologie: Read-Across und Grouping zur Füllung von Datenlücken unter REACH

2 Vorstellung in silico toxicology gmbh, Basel (Schweiz) Gegründet von Dr. Christoph Helma Forschung und Entwicklung für EU Projekte und Industrie Weiterentwicklung des Lazar frameworks Martin Gütlein (Dipl. Inf) Uni Freiburg (Lehrstuhl Dynamische Prozesse in den Lebenswissenschaften ) Doktorant von Prof. Stefan Kramer (Uni Mainz) Teilname am OpenTox-Projekt, Arbeit mit Christoph Helma an Lazar 2

3 Lazar In silico Vorhersage-Framework für chemische Statistisches Modell, basierend auf Trainings-Daten Input: Chemische Verbindung Auswahl eines/mehrerer Endpunkte Output: Interpretierbare Vorhersage des Endpunktes 3

4 In silico Methoden für toxikologische Vorhersagen System-Biologie / Molecular Modelling Detailierte Modelierung der Vorgänge PRO: Mechanistische Interpretation CONTRA: Zeitaufwendig, erfordert viele Daten, komplexe Endpunkte schwer zu modelieren Experten Systeme Formulierung von Expertenwissen in Vorhersage- Regeln PRO: Mechanistische Interpretation CONTRA: Erstellung aufwendig, erfordert genaues Verständnis, fehleranfällig, neigt zum overfitten 4

5 (In silico) Methoden für toxikologische Vorhersagen Datenbasierende Systeme Erzeugung statistischer Modelle aus dem maschinellen Lernen, basierend auf Trainingsdaten PRO: Relativ schnell, flexible Endpunkte, gut validierbar CONTRA: Model und AD abhängig von Trainingsdaten, mechanistische Interpretation u.u. schwierig Read Across Manuelle Endpunktvorhersage durch Vergleich mit ähnlichen, getesteten PRO: Flexibel, Berücksichtigung von Expertenwissen CONTRA: Zeitaufwendig, Berücksichtigung von Expertenwissen, schwer reproduzierbar und validierbar 5

6 (Q)SAR Modelle für REACH Laut REACH sollen Alternativen zu Tierversuchen (wie z.b. (Q)SAR Modelle) verstärkt genutzt werden Eine Risikoabschätzung mithilfe von einem (Q)SAR-Modell ist zulässig, wenn: Das Modell wissenschaftlich schlüssig ist Die Verbindung in der Applicability Domain liegt Das Vorhersage-Ergebnis schlüssig ist Die Methodik gut dokumentiert ist 6

7 (Q)SAR Modelle für REACH Wann ist ein Modell wissenschaftlich schlüssig? Verweis auf OECD Richtlinien: Zu dem (Q)SAR model gehört: 1) Ein klar definierter Endpunkt 2) Ein klar definierter Algorithmus 3) Eine klar definierte Applicability Domain 4) Angemessen gute Performanz 5) Mechanisitische Intepretierbarkeit (falls möglich) 7

8 Das Lazar framework Lazar model Test- Verbindung Berechne Feature-Werte für Test-Verbindung Suche nach ähnlichen Nachbar - Benutze Nachbar - und sage Verbindung vorher Vorhersage (mit Nachbar - und wichtigen Features)

9 9

10 10

11 11

12 12

13 Integrierte Applicablity Domain Vorhersage erfolgt mit Konfidenz-Wert (Sicherheit der Vorhersage) Faktoren zur Berechnung: Anzahl der Nachbarn Ähnlichkeit der Nachbarn zur Test-Verbindung Einheitlichkeit der Endpunkt-Werte der Nachbarn Umfassender als klassische Applicability Domain Modellnah 13

14 Das Lazar framework Lazar model Test- Verbindung Berechne Feature-Werte für Test-Verbindung Suche nach ähnlichen Nachbar - Benutze Nachbar - und sage Verbindung vorher Vorhersage (mit Nachbar - und wichtigen Features)

15 Das Lazar framework Datensatz mit getesteten Berechne Feature-Werte für alle Lazar model Test- Verbindung Berechne Feature-Werte für Test-Verbindung Suche nach ähnlichen Nachbar - Vorhersage (mit Nachbar - und wichtigen Features) Benutze Nachbar - und sage Verbindung vorher

16 Datensatz mit getesteten Test- Verbindung Das Lazar framework Berechne Feature-Werte für alle Lazar model Berechne Feature-Werte für Test-Verbindung Flexible Algorithmen Feature- Typen Suche nach ähnlichen Nachbar - Vorhersage (mit Nachbar - und wichtigen Features) Benutze Nachbar - und sage Verbindung vorher

17 Feature-Typen Strukturelle Fragmente Binäre Deskriptoren: Substrukturen können in vorkommen oder nicht Integrierter Algorithmen um Endpunkt-relevante Substrukturen (Structural Alerts) zu finden Backbone refinement classes (BBRC) Latent structure mining (LAST) Physikalisch-chemische Deskriptoren Numerische Merkmale z.b. atomares Gewicht, logp, Oberflächenladung Integration von freien Bibliotheken (Chemistry Development Kit (CDK), OpenBabel, Joelib) 17

18 Datensatz mit getesteten Test- Verbindung Das Lazar framework Berechne Feature-Werte für alle Lazar model Berechne Feature-Werte für Test-Verbindung Flexible Algorithmen Feature- Typen Suche nach ähnlichen Nachbar - Vorhersage (mit Nachbar - und wichtigen Features) Benutze Nachbar - und sage Verbindung vorher

19 Datensatz mit getesteten Test- Verbindung Das Lazar framework Berechne Feature-Werte für alle Lazar model Berechne Feature-Werte für Test-Verbindung Suche nach ähnlichen Nachbar - basierend auf den Feature-Werten und dem Ähnlichkeitsmaß Flexible Algorithmen Feature- Typen Ähnlichkeits- Maß Vorhersage (mit Nachbar - und wichtigen Features) Benutze Nachbar - und sage Verbindung vorher

20 Ähnlichkeits-Maße Strukturelle Ähnlichkeit Tanimoto-Ähnlichkeit basierend auf Structural Alerts Variation: Anzahl der Substruktur-Matches pro Verbindung berücksichtigen Ähnlichkeit mit numerischen Features: Cosinus-Ähnlichkeit basierend auf transformierten Feature-Raum (Hauptkomponenten-Analyse) 20

21 Datensatz mit getesteten Test- Verbindung Das Lazar framework Berechne Feature-Werte für alle Lazar model Berechne Feature-Werte für Test-Verbindung Suche nach ähnlichen Nachbar - basierend auf den Feature-Werten und dem Ähnlichkeitsmaß Flexible Algorithmen Feature- Typen Ähnlichkeits- Maß Vorhersage (mit Nachbar - und wichtigen Features) Benutze Nachbar - und sage Verbindung vorher

22 Datensatz mit getesteten Test- Verbindung Vorhersage (mit Nachbar - und wichtigen Features) Das Lazar framework Berechne Feature-Werte für alle Lazar model Berechne Feature-Werte für Test-Verbindung Suche nach ähnlichen Nachbar - basierend auf den Feature-Werten und dem Ähnlichkeitsmaß Erzeuge lokales (Q)SAR Modell (nur mit gewichteten Nachbar - ) und sage Verbindung vorher Flexible Algorithmen Feature- Typen Ähnlichkeits- Maß (Q)SAR Algorithmen

23 Lokale (Q)SAR Modelle Nur die Nachbar- werden ausgewählt um ein lokales Modell zu bauen Momentan verfügbare Algorithmen Für Klassifikation: gewichtetes Mehrheits- Voting (Nearest-Neighbor Algorithmus) Für Klassifikation und Regression: Support- Vector-Maschinen (mit verschiedenen Kernel Funktionen) 23

24 Eigenschaften von Lazar Vorteile: Vorhersage ist schnell, einfach und frei zugänglich Integrierte Applicability Domain (berücksichtigt ausserdem Einheitlichkeit im Trainingsdatensatz) Vorhersage unterstützt die mechanistische Interpretation (Nachbarn und Feature-Werte), Sehr gute Modelle (durch flexible Algorithmen) Validierungsergebnisse verfügbar Einschränkungen Qualität von Model und Applicability Domain hängt von der Qualität der Trainingsdaten ab 24

25 Technische Umsetzung Implementierung als OpenTox WebService Frei zugänglich OpenTox kompatibel Open-source Verfübar auf Offenlegung und Dokumentation der Algorithmen 25

26 Entwicklung und Vertrieb Freizugängliches Webinterface mit öffentlichen Datensätzen Weiterentwicklung durch Teilnahme an EU-Projekten Kommerzielle Services: Entwicklung von (in house) Modellen auf (vertraulichen) Daten Sicherer Zugriff für die Vorhersage von vertraulichen Spezialentwicklungen 26

27 Kontakt 27

ML-Werkzeuge und ihre Anwendung

ML-Werkzeuge und ihre Anwendung Kleine Einführung: und ihre Anwendung martin.loesch@kit.edu (0721) 608 45944 Motivation Einsatz von maschinellem Lernen erfordert durchdachtes Vorgehen Programmieren grundlegender Verfahren aufwändig fehlerträchtig

Mehr

Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten

Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung

Mehr

REACH. Zusammenfassung

REACH. Zusammenfassung REACH Stellungnahme der Beratungskommission der Gesellschaft für Toxikologie in der DGPT zu REACH: Wie kann die neue Chemikaliengesetzgebung den wissenschaftlichen Fortschritt fördern? Stellungnahme der

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Niels Landwehr, Jules Rasetaharison, Christoph Sawade, Tobias Scheffer

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Niels Landwehr, Jules Rasetaharison, Christoph Sawade, Tobias Scheffer Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen Niels Landwehr, Jules Rasetaharison, Christoph Sawade, Tobias Scheffer Organisation Vorlesung/Übung, praktische

Mehr

insara: Hierarchische Netzwerke zur Analyse, Visualisierung und Vorhersage von Struktur-Aktivitäts-Beziehungen

insara: Hierarchische Netzwerke zur Analyse, Visualisierung und Vorhersage von Struktur-Aktivitäts-Beziehungen insara: Hierarchische Netzwerke zur Analyse, Visualisierung und Vorhersage von Struktur-Aktivitäts-Beziehungen Von der Fakultät für Lebenswissenschaften der Technischen Universität Carolo-Wilhelmina zu

Mehr

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information

Mehr

Das generierte Data Warehouse

Das generierte Data Warehouse Das generierte Data Warehouse DOAG BI Konferenz 2012 Gregor Zeiler BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. HAMBURG MÜNCHEN STUTTGART WIEN 1 Erwartungshaltungen und Hoffnungen

Mehr

Text Mining Praktikum. Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818

Text Mining Praktikum. Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818 Text Mining Praktikum Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818 Rahmenbedingungen Gruppen von 2- (max)4 Personen Jede Gruppe erhält eine Aufgabe Die

Mehr

Modellgetriebene Softwareentwicklung bei der IBYKUS AG

Modellgetriebene Softwareentwicklung bei der IBYKUS AG Modellgetriebene Softwareentwicklung bei der IBYKUS AG Dr. Steffen Skatulla, Detlef Hornbostel, Michael Hörseljau IBYKUS AG Sommersemester 2010, FSU Jena 1 2 Vorlesung Modellgetriebene Softwareentwicklung

Mehr

Seminar Informationsintegration und Informationsqualität. Dragan Sunjka. 30. Juni 2006

Seminar Informationsintegration und Informationsqualität. Dragan Sunjka. 30. Juni 2006 Seminar Informationsintegration und Informationsqualität TU Kaiserslautern 30. Juni 2006 Gliederung Autonomie Verteilung führt zu Autonomie... Intra-Organisation: historisch Inter-Organisation: Internet

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

Praktikum Maschinelle Übersetzung Language Model

Praktikum Maschinelle Übersetzung Language Model Praktikum Maschinelle Übersetzung Language Model Um die Aufgaben auszuführen, können Sie ihre Daten in folgendem Verzeichnis speichern: /project/smtstud/ss10/systems/username/ Wir werden verschiedene Sprachmodelle

Mehr

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining.

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining. Motivation Themenblock: Klassifikation Praktikum: Data Warehousing und Data Mining Ziel Item hat mehrere Attribute Anhand von n Attributen wird (n+)-tes vorhergesagt. Zusätzliches Attribut erst später

Mehr

Eliciting Requirements for a Company-wide Data Leakage Prevention System

Eliciting Requirements for a Company-wide Data Leakage Prevention System Eliciting Requirements for a Company-wide Data Leakage Prevention System Stefan Gärtner, Svenja Schulz, and Kurt Schneider Software Engineering Group, Leibniz Universität Hannover, Germany Steffen Förster

Mehr

Effzienzsteigerung durch intelligentes Datenmanagement

Effzienzsteigerung durch intelligentes Datenmanagement Effzienzsteigerung durch intelligentes Datenmanagement Analyse, Optimierung, Steuerung und Prognose von Prozessen Dr. Thomas Natschläger +43 7236 3343 868 thomas.natschlaeger@scch.at www.scch.at Das SCCH

Mehr

Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke

Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,

Mehr

Data Mining - Wiederholung

Data Mining - Wiederholung Data Mining - Wiederholung Norbert Fuhr 9. Juni 2008 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)

Mehr

KoSSE-Projekt MoSeS. Modularisierte Softwaresysteme zur sensorgestützten Informationsverarbeitung

KoSSE-Projekt MoSeS. Modularisierte Softwaresysteme zur sensorgestützten Informationsverarbeitung KoSSE-Projekt MoSeS Modularisierte Softwaresysteme zur sensorgestützten Informationsverarbeitung Arbeitsgruppe Multimediale Informationsverarbeitung, Übersicht Projektpartner Ziele des Projektes Modularisiertes

Mehr

Vektormodelle. Universität zu Köln HS: Systeme der maschinellen Sprachverarbeitung Prof. Dr. J. Rolshoven Referentin: Alena Geduldig

Vektormodelle. Universität zu Köln HS: Systeme der maschinellen Sprachverarbeitung Prof. Dr. J. Rolshoven Referentin: Alena Geduldig Vektormodelle Universität zu Köln HS: Systeme der maschinellen Sprachverarbeitung Prof. Dr. J. Rolshoven Referentin: Alena Geduldig Gliederung Vektormodelle Vector-Space-Model Suffix Tree Document Model

Mehr

Prozessmodellierung der mobilen Datenerfassung für den Rettungsdienst bei einer Großschadenslage

Prozessmodellierung der mobilen Datenerfassung für den Rettungsdienst bei einer Großschadenslage 16. Workshop der Fachgruppe WI-VM der Gesellschaft für Informatik e.v. Vorgehensmodelle und Implementierungsfragen 8. - 9. April 2009, Heinrich-Heine-Universität Düsseldorf Prozessmodellierung der mobilen

Mehr

Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens

Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining

Mehr

WLGauge: : Web Link Gauge to Measure the Quality of External WWW Links. Andreas Lübcke

WLGauge: : Web Link Gauge to Measure the Quality of External WWW Links. Andreas Lübcke WLGauge: : Web Link Gauge to Measure the Quality of External WWW Links Andreas Lübcke Gliederung Einführung Hintergrund zum link rot problem Arbeiten zum Thema WLGauge Open Framelet Design von WLGauge

Mehr

RICHTLINIEN FÜR DIE ABGABE VON ARCHIVDATEN UND - PRODUKTEN UND SOFTWARE DES EZMW

RICHTLINIEN FÜR DIE ABGABE VON ARCHIVDATEN UND - PRODUKTEN UND SOFTWARE DES EZMW RICHTLINIEN FÜR DIE ABGABE VON ARCHIVDATEN UND - PRODUKTEN UND SOFTWARE DES EZMW angenommen vom Rat des EZMW auf seiner 51. Tagung (Dezember 1995) (ECMWF/C/51/M(01)1 Absatz 124 und Anlage 3) überarbeitet

Mehr

IT-Basics 2. DI Gerhard Fließ. Vorgehensmodelle

IT-Basics 2. DI Gerhard Fließ. Vorgehensmodelle IT-Basics 2 DI Gerhard Fließ Vorgehensmodelle Sichtbarkeit Die Sichtbarkeit von Membervariablen und Methoden können durch die folgenden Schlüsselworte geregelt werden: private nur in der eigenen Klasse

Mehr

Klassifikation und Ähnlichkeitssuche

Klassifikation und Ähnlichkeitssuche Klassifikation und Ähnlichkeitssuche Vorlesung XIII Allgemeines Ziel Rationale Zusammenfassung von Molekülen in Gruppen auf der Basis bestimmter Eigenschaften Auswahl von repräsentativen Molekülen Strukturell

Mehr

Microsoft SharePoint 2013 Designer

Microsoft SharePoint 2013 Designer Microsoft SharePoint 2013 Designer Was ist SharePoint? SharePoint Designer 2013 Vorteile SharePoint Designer Funktionen.Net 4.0 Workflow Infrastruktur Integration von Stages Visuelle Designer Copy & Paste

Mehr

Universität Leipzig Institut für Informatik Auffinden von Dubletten in ECommerce Datenbeständen

Universität Leipzig Institut für Informatik Auffinden von Dubletten in ECommerce Datenbeständen Universität Leipzig Institut für Informatik Auffinden von Dubletten in ECommerce Datenbeständen Hanna Köpcke AG 3: Objekt Matching Agenda Problemstellung FEVER-System - Manuell definierte Match-Strategien

Mehr

Refinement of π-calculus Processes. Manuel Gieseking. Carl von Ossietzky Universität Oldenburg Entwicklung korrekter Systeme

Refinement of π-calculus Processes. Manuel Gieseking. Carl von Ossietzky Universität Oldenburg Entwicklung korrekter Systeme Refinement of π-calculus Processes Manuel Gieseking Carl von Ossietzky Universität Oldenburg Entwicklung korrekter Systeme Absolventenfeier 2015 Motivation Manuel Gieseking Refinement of π-calculus Processes

Mehr

Modellbasierende Fehlerdiagnose für Automobile und Flugzeuge

Modellbasierende Fehlerdiagnose für Automobile und Flugzeuge Modellbasierende Fehlerdiagnose für Automobile und Flugzeuge Tobias Brandenburger Proseminar Künstliche Intelligenz Gliederung: 1. Motivation 2. Begriff: Fehleranalyse 3. Qualitative Modelle 4. KI-Methoden

Mehr

eprocurement Softwarelösungen individuell angepasst auf Ihren Beschaffungssprozess

eprocurement Softwarelösungen individuell angepasst auf Ihren Beschaffungssprozess Onveda Lösungen mit Mehrwert eprocurement Softwarelösungen individuell angepasst auf Ihren Beschaffungssprozess Smartforms für frei definierbare Formularfelder Einkaufsprozesse mit uneingeschränkter Lieferantenkontrolle

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

Qualitätsberichte im MS Word-Format

Qualitätsberichte im MS Word-Format Qualitätsberichte im MS Word-Format StatSoft GmbH und STATISTICA 9.1 auf dem Forum der Control 2010 www.statsoft.de StatSoft (Europe) GmbH 2010 Michael Busch Inhalt StatSoft STATISTICA Anwendungen in der

Mehr

Das Wasserfallmodell - Überblick

Das Wasserfallmodell - Überblick Das Wasserfallmodell - Überblick Das Wasserfallmodell - Beschreibung Merkmale des Wasserfallmodells: Erweiterung des Phasenmodells Rückkopplungen zwischen den (benachbarten) Phasen sind möglich Ziel: Verminderung

Mehr

Auswertung der Online-Befragung zu den Standards und Richtlinien in der Mütter- und Väterberatung 2013/2014

Auswertung der Online-Befragung zu den Standards und Richtlinien in der Mütter- und Väterberatung 2013/2014 c/o mcw, Wuhrmattstrasse 28 4800 Zofingen 062 511 20 11 www.sf-mvb.ch info@sf-mvb.ch Auswertung der Online-Befragung zu den Standards und Richtlinien in der Mütter- und Väterberatung 2013/2014 Bericht

Mehr

openor Ein Framework für Medizinische Assistenzsyteme

openor Ein Framework für Medizinische Assistenzsyteme openor Ein Framework für Medizinische Assistenzsyteme Bericht aus der Fraunhofer Charité Kooperation Berlin das F&E Zentrum für neue Interventionstechnologien Fraunhofer IPK Direktor: Prof. Dr.-Ing. Erwin

Mehr

BARC-Intensivseminar Auswahl von Enterprise-Content- Management-Lösungen. Martin Böhn

BARC-Intensivseminar Auswahl von Enterprise-Content- Management-Lösungen. Martin Böhn BARC-Intensivseminar Auswahl von Enterprise-Content- -Lösungen Würzburg, 07. Mai 2007 Martin Böhn Wiesenweg 31 D-97084 Würzburg +49-931-8806510 www.barc.de Seminaragenda 1 Begrüßung, und Vorstellung, Erwartungen

Mehr

Anwendungsfach Biologische Systeme im Bachelor-Studiengang Technische Kybernetik

Anwendungsfach Biologische Systeme im Bachelor-Studiengang Technische Kybernetik Anwendungsfach Biologische Systeme im Bachelor-Studiengang Technische Kybernetik Prof. Nicole Radde Institut für Systemtheorie und Regelungstechnik 13. Juli 2015 Lebenswissenschaften Herausforderungen

Mehr

Mining High-Speed Data Streams

Mining High-Speed Data Streams Mining High-Speed Data Streams Pedro Domingos & Geoff Hulten Departement of Computer Science & Engineering University of Washington Datum : 212006 Seminar: Maschinelles Lernen und symbolische Ansätze Vortragender:

Mehr

Inhaltsverzeichnis. Einleitung... 11 Für wen ist dieses Buch gedacht?... 12 Beispieldateien... 13 Support... 13 Danksagung... 14

Inhaltsverzeichnis. Einleitung... 11 Für wen ist dieses Buch gedacht?... 12 Beispieldateien... 13 Support... 13 Danksagung... 14 Inhaltsverzeichnis Einleitung................................................................................. 11 Für wen ist dieses Buch gedacht?............................................................

Mehr

Das Content-Management-System OpenCms im Vergleich mit TYPO3 und Joomla. Seminarvortrag von Wolfgang Neuß

Das Content-Management-System OpenCms im Vergleich mit TYPO3 und Joomla. Seminarvortrag von Wolfgang Neuß Das Content-Management-System OpenCms im Vergleich mit TYPO3 und Joomla Gliederung Was ist ein CMS? Kriterien OpenCms TYPO3 Joomla Gegenüberstellung der drei Systeme 2 Was ist ein CMS? Kriterien OpenCms

Mehr

Dynamische und integrative Disposition in Stückgutspeditionsanlagen

Dynamische und integrative Disposition in Stückgutspeditionsanlagen Dynamische und integrative Disposition in Stückgutspeditionsanlagen DISS Bonn, 03. November 2009 Projektpartner Schmidt-Gevelsberg Log!n BHS TU Dortmund Clusterzuordnung Planungskonzepte und -instrumente

Mehr

Cognitive Systems Master thesis

Cognitive Systems Master thesis Cognitive Systems Master thesis Recherche Phase SS 2011 Gliederung 1. Einleitung 2. Analogie Modelle 2.1 SME 2.2 Ava 2.3 Lisa 3. Zusammenfassung 4. Ausblick 2 Einleitung Analogie Problemsituation wird

Mehr

APTs: Sind gezielte Angriffe normal? Jürgen Eckel Eckel.J@ikarus.at Helene Hochrieser Hochrieser.H@ikarus.at

APTs: Sind gezielte Angriffe normal? Jürgen Eckel Eckel.J@ikarus.at Helene Hochrieser Hochrieser.H@ikarus.at APTs: Sind gezielte Angriffe normal? Jürgen Eckel Eckel.J@ikarus.at Helene Hochrieser Hochrieser.H@ikarus.at Welche Anomalien können gefunden werden? Wie lässt sich anormales Verhalten extrahieren? Zeithorizont

Mehr

KRYPTOWÄHRUNG BÖRSENPORTAL

KRYPTOWÄHRUNG BÖRSENPORTAL KRYPTOWÄHRUNG BÖRSENPORTAL BETREIBEN SIE MIT UNSERER EINZIGARTIGEN SOFTWARELÖSUNG IHRE EIGENE SICHERE KRYPTOWÄHRUNGSBÖRSE FÜR ALLE WELTWEIT GÄNGIGEN FIAT-WÄHRUNGEN Ein flexibles Tool für den Handel mit

Mehr

Evaluation von Open-Source-Software für System Dynamics hinsichtlich deren Integrierbarkeit

Evaluation von Open-Source-Software für System Dynamics hinsichtlich deren Integrierbarkeit Evaluation von Open-Source-Software für System Dynamics hinsichtlich deren Integrierbarkeit Axel Hummel 1, Heiko Kern 1, Christian Böhme 2, René Keßler 2 und Arndt Döhler 2 1 Betriebliche Informationssysteme,

Mehr

Softwaremanufaktur AW-SYSTEMS Kompetenzprofil Nugget

Softwaremanufaktur AW-SYSTEMS Kompetenzprofil Nugget Softwaremanufaktur AW-SYSTEMS Kompetenzprofil Nugget Ansprechpartner/in: Frau Anja Klimek Tel. +49 (5341) 29359-20 E-Mail: a.klimek@aw-systems.net Website: www.aw-systems.net AW-SYSTEMS GmbH Moränenweg

Mehr

Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH

Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung

Mehr

DOKUMENTATIONSERSTELLUNG FÜR DAS JENA ADAPTABLE MODELING SYSTEM (JAMS)

DOKUMENTATIONSERSTELLUNG FÜR DAS JENA ADAPTABLE MODELING SYSTEM (JAMS) DOKUMENTATIONSERSTELLUNG FÜR DAS JENA ADAPTABLE MODELING SYSTEM (JAMS) CHRISTIN MICHEL LEHRSTUHL FÜR GEOINFORMATIK, GEOHYDROLOGIE UND MODELLIERUNG, FSU JENA 3. TASK Symposium, Leipzig, 8. Juni 2011 Motivation

Mehr

Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten

Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten 16.08.2016 David Spisla Albert Ludwigs Universität Freiburg Technische Fakultät Institut für Informatik Gliederung Motivation Schwierigkeiten bei

Mehr

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Ausgangssituation Kaizen Data Mining ISO 9001 Wenn andere Methoden an ihre Grenzen stoßen Es gibt unzählige Methoden, die Abläufe

Mehr

Content Management leicht gemacht mit Oracle Portal - ein Projektbericht -

Content Management leicht gemacht mit Oracle Portal - ein Projektbericht - Content Management leicht gemacht mit Oracle Portal - ein Projektbericht - Niels de Bruijn Senior Systemberater, MT AG, Ratingen DOAG SIG DEVELOPMENT, München 21.09.2006 Inhaltsverzeichnis Kurzvorstellung

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Maschinelles Lernen. Tobias Scheffer Michael Brückner

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Maschinelles Lernen. Tobias Scheffer Michael Brückner Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen Tobias Scheffer Michael Brückner Organisation Vorlesung/Übung, praktische Informatik. 4 SWS. Übung: Mo 10:00-11:30

Mehr

SS 2005 FAU Erlangen 20.6.2005. Eine Wegeplanungs-Strategie. Jeremy Constantin, Michael Horn, Björn Gmeiner

SS 2005 FAU Erlangen 20.6.2005. Eine Wegeplanungs-Strategie. Jeremy Constantin, Michael Horn, Björn Gmeiner SS 2005 FAU Erlangen 20.6.2005 Voronoi Diagramm Eine Wegeplanungs-Strategie Jeremy Constantin, Michael Horn, Björn Gmeiner Grundseminar: Umgebungsexploration und Wegefindung mit Robotern am Beispiel "Katz

Mehr

Axel Haller, Symposium 25-26 März 2010 Engineering Workflow: Potential und Praxis bei der Integration von Verfahrenstechnik und Automation

Axel Haller, Symposium 25-26 März 2010 Engineering Workflow: Potential und Praxis bei der Integration von Verfahrenstechnik und Automation Axel Haller, Symposium 25-26 März 2010 Engineering Workflow: Potential und Praxis bei der Integration von Verfahrenstechnik und Automation March 25, 2010 Slide 1 Agenda Die Problematik Das Lösungsmittel

Mehr

Entwicklungswerkzeuge

Entwicklungswerkzeuge Entwicklungswerkzeuge Werner Struckmann & Tim Winkelmann 10. Oktober 2012 Gliederung Anforderungen Projekte Debugging Versionsverwaltung Frameworks Pattern Integrated development environment (IDE) Werner

Mehr

3.3 Nächste-Nachbarn-Klassifikatoren

3.3 Nächste-Nachbarn-Klassifikatoren 3.3 Nächste-Nachbarn-Klassifikatoren Schrauben Nägel Klammern Neues Objekt Instanzbasiertes Lernen (instance based learning) Einfachster Nächste-Nachbar-Klassifikator: Zuordnung zu der Klasse des nächsten

Mehr

Tieto Deutschland. Für Ihren Erfolg

Tieto Deutschland. Für Ihren Erfolg Tieto Deutschland Für Ihren Erfolg Tieto Deutschland Der Kunde steht im Mittelpunkt Tieto bietet Services für die Bereiche IT, R&D und Consulting. Mit 18.000 Experten gehören wir zu den größten IT Dienstleistern

Mehr

Universität Paderborn Die Universität der Informationsgesellschaft. Validierung und Verifikation (inkl. Testen, Model-Checking, Theorem Proving)

Universität Paderborn Die Universität der Informationsgesellschaft. Validierung und Verifikation (inkl. Testen, Model-Checking, Theorem Proving) Universität Paderborn Die Universität der Informationsgesellschaft Analyse, Entwurf und Implementierung zuverlässiger Software und (inkl., Model-Checking, Theorem Proving) Torsten Bresser torbre@uni-paderborn.de

Mehr

Betreuung. Teilnehmer

Betreuung. Teilnehmer // Hochschule Augsburg // SoSe 2011 // IAM6 Projekt // Smart Timeline Betreuung Teilnehmer Prof. Dr. Wolfgang Kowarschick Stefan Kaindl Florian Strohmaier Daniela Fischer Leo Bergmann Patrick Skiebe Philipp

Mehr

EnBW Vertrieb GmbH. Going beyond smart metering - MeRegio-Erfahrungen mit der vertrieblichen/ technischen Umsetzung von Smart Grid Lösungen

EnBW Vertrieb GmbH. Going beyond smart metering - MeRegio-Erfahrungen mit der vertrieblichen/ technischen Umsetzung von Smart Grid Lösungen EnBW Vertrieb GmbH Going beyond smart metering - MeRegio-Erfahrungen mit der vertrieblichen/ technischen Umsetzung von Smart Grid Lösungen Strasbourg, 7. April 2011 Vorstellung Forschungsprojekt MeRegio

Mehr

Lagerplätze. Labor. Fahrzeugwaagen. Qualitäten. Analyse- Zellenverwaltung. werte. tacoss.escale - SOFTWARE FÜR WAAGENPROGRAMME

Lagerplätze. Labor. Fahrzeugwaagen. Qualitäten. Analyse- Zellenverwaltung. werte. tacoss.escale - SOFTWARE FÜR WAAGENPROGRAMME Lagerplätze Offline Qualitäten Labor werte Zellenverwaltung Fahrzeugwaagen Analyse- tacoss.escale - SOFTWARE FÜR WAAGENPROGRAMME Inhalt Inhalt 2 Überblick 4 Funktionalität 6 Datenaustausch 7 Waagentypen

Mehr

Human Capital Management

Human Capital Management Human Capital Management Peter Simeonoff Nikolaus Schmidt Markt- und Technologiefaktoren, die Qualifikation der Mitarbeiter sowie regulatorische Auflagen erfordern die Veränderung von Unternehmen. Herausforderungen

Mehr

Neue Bilder, neue Möglichkeiten Chancen für die Ägyptologie durch das 3D-Design

Neue Bilder, neue Möglichkeiten Chancen für die Ägyptologie durch das 3D-Design Neue Bilder, neue Möglichkeiten Chancen für die Ägyptologie durch das 3D-Design Seit einiger Zeit wird in Film und Fernsehen verstärkt auf CGI-Effekte gesetzt. Dies betraf in verstärktem Maße auch größere

Mehr

Qualitätssicherung. Was ist Qualität?

Qualitätssicherung. Was ist Qualität? Ein Überblick Methoden und Werkzeuge zur Softwareproduktion Was ist Qualität? "Als Qualität eines Gegenstandes bezeichnen wir die Gesamtheit seiner charakteristischen Eigenschaften" Hesse et al. 2 Was

Mehr

Integrierte medienerschliessung für medien, kultur und wirtschaft

Integrierte medienerschliessung für medien, kultur und wirtschaft Integrierte medienerschliessung für medien, kultur und wirtschaft »DOKUMENTE ZU ERSCHLIESSEN UND ANZUREICHERN IST FAST SO KOMPLIZIERT, WIE EIN GRUNDSTÜCK ZU ÜBERTRAGEN.«Für Verlage ist die Mehrfachverwertung

Mehr

Predictive Modeling Markup Language. Thomas Morandell

Predictive 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

Mehr

The Landolt-Börnstein Database

The Landolt-Börnstein Database springer.com Die weltweit größte Datensammlung aus Physik, Chemie und Materialwissenschaft Einzigartige und kritisch bewertete Daten Vierteljährliche Aktualisierungen Zusätzliche Datenbanken: Inorganic

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

Webcast-Serie IT Transformation in die Cloud, Teil 2. Private Cloud & SaaS Konzepte und deren Anwendung. Henning von Kielpinski (ConSol* GmbH)

Webcast-Serie IT Transformation in die Cloud, Teil 2. Private Cloud & SaaS Konzepte und deren Anwendung. Henning von Kielpinski (ConSol* GmbH) Webcast-Serie IT Transformation in die Cloud, Teil 2 Private Cloud & SaaS Konzepte und deren Anwendung 28.02.2013 Henning von Kielpinski (ConSol* GmbH) Ralf Barth (Veeam Software) Inhalt Kurze Vorstellung

Mehr

Erfahrungsbreicht... Von der Auswahl bis zur Verwendung von Contour im Grossunternehmen.

Erfahrungsbreicht... Von der Auswahl bis zur Verwendung von Contour im Grossunternehmen. Stefan Topp Honeywell International SARL 16. Februar 2012 Erfahrungsbreicht... Von der Auswahl bis zur Verwendung von Contour im Grossunternehmen. 1 Agenda Hintergruende Der Auswahlprozess Ausrollen von

Mehr

Beantragung einer Zulassung II Format, Inhalte, verfügbare Leitlinien, Hilfestellungen, praktische Vorbereitung

Beantragung einer Zulassung II Format, Inhalte, verfügbare Leitlinien, Hilfestellungen, praktische Vorbereitung 1 Beantragung einer Zulassung II Format, Inhalte, verfügbare Leitlinien, Hilfestellungen, praktische Vorbereitung WKÖ Workshop Die REACH Zulassung in der Praxis 20. November 2014 Dr. Susanne Gfatter Das

Mehr

1.3.5 Clinical Decision Support Systems

1.3.5 Clinical Decision Support Systems Arzneimitteltherapie Thieme Verlag 1.3.5 Clinical Decision Support Systems Marco Egbring, Stefan Russmann, Gerd A. Kullak-Ublick Im Allgemeinen wird unter dem Begriff Clinical Decision Support System (CDSS)

Mehr

Wissensmanagement. in KMU. Beratung und Produkte GmbH

Wissensmanagement. in KMU. Beratung und Produkte GmbH Wissensmanagement in KMU Warum Wissen in KMU managen? Motive von Unternehmern (KPMG 2001) Produktqualität erhöhen Kosten senken Produktivität erhöhen Kreativität fördern Wachstum steigern Innovationsfähigkeit

Mehr

Data Mining und maschinelles Lernen

Data Mining und maschinelles Lernen Data Mining und maschinelles Lernen Einführung und Anwendung mit WEKA Caren Brinckmann 16. August 2000 http://www.coli.uni-sb.de/~cabr/vortraege/ml.pdf http://www.cs.waikato.ac.nz/ml/weka/ Inhalt Einführung:

Mehr

riskkv Scorenalyse riskkv Scoring Seite 1 von 9

riskkv Scorenalyse riskkv Scoring Seite 1 von 9 riskkv Scorenalyse riskkv Scoring Seite 1 von 9 Das Modul dient der flexiblen Erstellung, Auswertung und Verwendung von Scores. Durch vordefinierte Templates können in einer Einklicklösung bspw. versichertenbezogene

Mehr

bioworks TM Lösungsbeispiele zur Automatisierung statistischer Verfahren in der Pharmaindustrie

bioworks TM Lösungsbeispiele zur Automatisierung statistischer Verfahren in der Pharmaindustrie bioworks TM Lösungsbeispiele zur Automatisierung statistischer Verfahren in der Pharmaindustrie Carlos Parés-Salvador Claudia Tückmantel INFORMATION WORKS INFORMATION WORKS Rolshover Str. 45 Rolshover

Mehr

Entwicklung eines Electronic Resource Management Systems für Bibliotheken auf Basis von Linked Data Technologien

Entwicklung eines Electronic Resource Management Systems für Bibliotheken auf Basis von Linked Data Technologien Entwicklung eines Electronic Resource Management Systems für Bibliotheken auf Basis von Linked Data Technologien Lydia Unterdörfel, Björn Muschall Wissenschaftskommunikation im Semantischen Web Teilprojekt

Mehr

Berechnung von Strukturgleichungsmodellen mit Amos. Im folgenden kurze Einführung: Arbeiten mit Amos Graphics

Berechnung von Strukturgleichungsmodellen mit Amos. Im folgenden kurze Einführung: Arbeiten mit Amos Graphics Oliver Schiling Handout:: Amos 6.0 / Graphics 1 Berechnung von Strukturgleichungsmodellen mit Amos Was kann Amos? Klassische Strukturgleichungsmodelle (Kovarianzstrukturanalysen, Pfadmodelle mit/ohne latente

Mehr

Kurz: Development Lab Hessen

Kurz: Development Lab Hessen 22. Feb. 2011 (nach 18.3.10 und 6.10.09) SIGNO-Strategieförderung: Statustreffen Strategieentwicklung der Hessischen Hochschulen zur Verwertung von Forschungsergebnissen Kurz: Development Lab Hessen Im

Mehr

Software Engineering in der Praxis

Software Engineering in der Praxis Software Engineering in der Praxis Praktische Übungen Adersberger, Spisländer FAU Erlangen-Nürnberg Software-Metriken 1 / 26 Software-Metriken Josef Adersberger Marc Spisländer Lehrstuhl für Software Engineering

Mehr

Datenhaltung für Android Model First. 30.03.2011 Christian Ingenhaag, Frederik Götz, Carl Steeg

Datenhaltung für Android Model First. 30.03.2011 Christian Ingenhaag, Frederik Götz, Carl Steeg Datenhaltung für Android Model First 30.03.2011 Christian Ingenhaag, Frederik Götz, Carl Steeg Agenda Datenhaltung in Android Motivation / Projektziele Projekt Umsetzung Stand der Entwicklung Fazit 2 Datenhaltung

Mehr

Kleinskalige Untersuchungen zur Entzündung quasi-stationärer Stäube durch Glimmnester

Kleinskalige Untersuchungen zur Entzündung quasi-stationärer Stäube durch Glimmnester Lehrstuhl für Methoden der Sicherheitstechnik/Unfallforschung Projektbeschreibung (Anschlussvorhaben) Kleinskalige Untersuchungen zur Entzündung quasi-stationärer Stäube durch Glimmnester (Kurztitel: )

Mehr

STOFF- IDENT. System DAIOS. Workshop: STOFF-IDENT & openmasp 18. / 19.04.2013 Freising. marco.luthardt@hswt.de

STOFF- IDENT. System DAIOS. Workshop: STOFF-IDENT & openmasp 18. / 19.04.2013 Freising. marco.luthardt@hswt.de STOFF- IDENT System DAIOS Workshop: STOFF-IDENT & openmasp 18. / 19.04.2013 Freising marco.luthardt@hswt.de Überblick 1. Plattform - Vorschau 2. openmasp (OM) 3. STOFF-IDENT(SI) 4. Plattform - Fazit Folie

Mehr

A Domain Specific Language for Project Execution Models

A Domain Specific Language for Project Execution Models A Domain Specific Language for Project Execution Models Eugen Wachtel, Marco Kuhrmann, Georg Kalus Institut für Informatik Software & Systems Engineering Inhalt Einführung und Hintergrund Problembereiche

Mehr

Generisch entwickelte Software-Werkzeuge anpassbar wie ein Chamäleon

Generisch entwickelte Software-Werkzeuge anpassbar wie ein Chamäleon Generisch entwickelte Software-Werkzeuge anpassbar wie ein Chamäleon Ringvorlesung Softwareentwicklung in der industriellen Praxis TU Dresden 14. Dezember 2011 Die i.s.x. Software GmbH & Co. KG Junges,

Mehr

Funktionale GUI-Programmierung in Haskell mit Grapefruit

Funktionale GUI-Programmierung in Haskell mit Grapefruit Funktionale GUI-Programmierung in Haskell mit Grapefruit Brandenburgische Technische Universität Cottbus Lehrstuhl Programmiersprachen und Compilerbau Haskell in Leipzig 2, Juli 2007 GUI-Programmierung

Mehr

Zuordnung von WP-Modulen zu Studiengängen

Zuordnung von WP-Modulen zu Studiengängen Zuordnung von WP-Modulen zu Studiengängen Ingenieur- Legende: Pflichtmodul dieses Studiengangs Wahlpflichtmodul dieses Studiengangs Mögliche zusätzliche Wahlpflichtmodule Wahlpflichtmodule nur nach Rücksprache

Mehr

DLR Produktionstechnik Prozesssimulation

DLR Produktionstechnik Prozesssimulation 4. DLR-FA Wissenschaftstag Produktionstechnik für f r den CFK-Rumpf DLR Produktionstechnik Prozesssimulation Dr.-Ing. Jan Teßmer 11.10.2007 Braunschweig Institut für Faserverbundleichtbau und Adaptronik

Mehr

End-to-End Agility Sind Sie schon agil genug? Mag. Christoph Leithner c.leithner@celix.at

End-to-End Agility Sind Sie schon agil genug? Mag. Christoph Leithner c.leithner@celix.at End-to-End Agility Sind Sie schon agil genug? Mag. Christoph Leithner c.leithner@celix.at www.celix.at September 2015 celix Solutions GmbH Spezialist für Team Collaboration und IT Prozess Management Agile

Mehr

MDRE die nächste Generation des Requirements Engineerings

MDRE die nächste Generation des Requirements Engineerings MDRE die nächste Generation des Requirements Engineerings Tom Krauß, GEBIT Solutions GmbH Copyright 2007 GEBIT Solutions Agenda Requirements Engineering heute eine Bestandsaufnahme Modell-Driven Requirements

Mehr

Testen von graphischen Benutzeroberflächen. 26. Juni 2013

Testen von graphischen Benutzeroberflächen. 26. Juni 2013 Testen von graphischen Benutzeroberflächen 26. Juni 2013 Überblick Testarten Methoden-, Klassen-, Komponenten-, Systemtests Motivation für automatisches Testen von graphischen Benutzeroberflächen Entwicklungsprinzipien

Mehr

Die 1ste und einzige Software. die basierend auf einem Domain Model die Persistence Layer automatisch generiert

Die 1ste und einzige Software. die basierend auf einem Domain Model die Persistence Layer automatisch generiert Die 1ste und einzige Software die basierend auf einem Domain Model die Persistence Layer automatisch generiert 1. Ausgangspunkt: Welt der Informationen 2. Was ist eine Persistence Layer? 3. Aktuelle Lösungen

Mehr

Fraud Prevention. Intelligente Bekämpfung von Betrug in Finanzinstituten

Fraud Prevention. Intelligente Bekämpfung von Betrug in Finanzinstituten Intelligente Bekämpfung von Betrug in Finanzinstituten Frankfurt, Ausgangssituation Wieso rückt das Thema Betrug immer mehr in den Fokus? In den vergangenen Jahren wurden Fragen nach dem Risikomanagement

Mehr

Industrial Data Intelligence. Datenbasierte Produktionsoptimierung

Industrial Data Intelligence. Datenbasierte Produktionsoptimierung !DI Industrial Data Intelligence Datenbasierte Produktionsoptimierung Industrial Data Intelligence Sammeln Analysieren Mit dem Industrial Data Intelligence-Angebot ermöglicht Softing Industrial die datenbasierte

Mehr

Very simple methods for all pairs network flow analysis

Very simple methods for all pairs network flow analysis Very simple methods for all pairs network flow analysis obias Ludes 0.0.0. Einführung Um den maximalen Flusswert zwischen allen Knoten eines ungerichteten Graphen zu berechnen sind nach Gomory und Hu nur

Mehr

Common Warehouse Metamodel und Imperfektion

Common Warehouse Metamodel und Imperfektion Common Warehouse Metamodel und Imperfektion Christoph Goebel Imperfektion und erweiterte Konzepte im Data Warehousing 2 Fragestellungen Welche Bedeutung haben Metadaten in der Information Supply Chain

Mehr

Web Mining und Farming

Web Mining und Farming Web Mining und Farming Shenwei Song Gliederung Übersicht über Web Mining und Farming Web Mining Klassifikation des Web Mining Wissensbasierte Wrapper-Induktion Web Farming Übersicht über Web-Farming-Systeme

Mehr

Pilotierung von Unterrichtsbeispielen

Pilotierung von Unterrichtsbeispielen Pilotierung von Unterrichtsbeispielen Prof. Dr. Manuela Paechter Karl-Franzens-Universität Graz Kick-Off-Veranstaltung 03. Oktober 2013, Linz Übersicht 1. Ziele der Pilotierung 2. Rückblick bisherige Pilotierungen,

Mehr

Industrie 4.0 Energiekostenoptimierung mit Hilfe künstlicher Intelligenz

Industrie 4.0 Energiekostenoptimierung mit Hilfe künstlicher Intelligenz Eine unabhängige, europäische Energieoptimierungs- und Serviceplattform von der Industrie für die Industrie Industrie 4.0 Energiekostenoptimierung mit Hilfe künstlicher Intelligenz Christoph Gardlo München

Mehr