Sports Data Mining. The Field and Methodology. Sublogo Fachbereich Informatik Prof. Johannes Fürnkranz 1

Größe: px
Ab Seite anzeigen:

Download "Sports Data Mining. The Field and Methodology. Sublogo. 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 1"

Transkript

1 Sports Data Mining The Field and Methodology Fachbereich Informatik Prof. Johannes Fürnkranz 1

2 Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten die Vorhersagen nach Bauchgefühl machen Drei Domain-Experten die Vorhersagen nach historischen Daten Vier Statisik soll den Entscheidungsprozess verstärken Fünf Entfernung von Menschlichen einflüssen Fachbereich Informatik Prof. Johannes Fürnkranz 2

3 Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten die Vorhersagen nach Bauchgefühl machen Drei Domain-Experten die Vorhersagen nach historischen Daten Vier Statisik soll den Entscheidungsprozess verstärken Fünf Entfernung von Menschlichen einflüssen Fachbereich Informatik Prof. Johannes Fürnkranz 3

4 Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten die Vorhersagen nach Bauchgefühl machen Drei Domain-Experten die Vorhersagen nach historischen Daten Vier Statisik soll den Entscheidungsprozess verstärken Fünf Entfernung von Menschlichen einflüssen Fachbereich Informatik Prof. Johannes Fürnkranz 4

5 Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten die Vorhersagen nach Bauchgefühl machen Drei Domain-Experten die Vorhersagen nach historischen Daten Vier Statisik soll den Entscheidungsprozess verstärken Fünf Entfernung von Menschlichen einflüssen Fachbereich Informatik Prof. Johannes Fürnkranz 5

6 Beispiele Mourinho: Nach statistischen Auswertungen fällt ein Drittel der Tore im Fußball nach Standardsituationen wie Eckbällen und Freistößen. Der verbleibende Anteil hauptsächlich nach Ballverlust des Gegners und zwar innerhalb von vier Sekunden, also in dem Augenblick, in dem der Gegner noch nicht wieder sortiert ist. Guardiola: Ballbesitz zeigt unsere Liebe zum Spiel Fachbereich Informatik Prof. Johannes Fürnkranz 6

7 Beispiel Bier und Windeln werden häufig eingekauft Statisitk erklärt nur, das ein zusammenhang existiert Data-Mining beantwortet Warum der zusammenhang existiert Fachbereich Informatik Prof. Johannes Fürnkranz 7

8 Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten die Vorhersagen nach Bauchgefühl machen Drei Domain-Experten die Vorhersagen nach historischen Daten Vier Statisik soll den Entscheidungsprozess verstärken Fünf Entfernung von Menschlichen einflüssen Fachbereich Informatik Prof. Johannes Fürnkranz 8

9 Beispiele The Boston Red Sox 86 Jahre kein Sieg in der World Series Seit Einführung von Data-Mining Techniken gewannen sie drei mal die World Series (2004,2007,2013) Fachbereich Informatik Prof. Johannes Fürnkranz 9

10 Beispiele VW: Abgeschlossenen Master Praktika Erfahrung Automobil Erfahrung Fachbereich Informatik Prof. Johannes Fürnkranz 10

11 Methoden Drei wissenschaftliche Disziplinen: Statistik regression analysis Koordinatensystem discriminant analysis Clustering Künstliche Intelligenz Regel-Basierte heuristik Maschinelles Lernen Überwachtes Lernen Unüberwachtes Lernen Bestärkendes Lernen Neural networks Fachbereich Informatik Prof. Johannes Fürnkranz 11

12 Methoden Datum Fachbereich nn Institut nn Prof. nn 12

13 Datum Fachbereich nn Institut nn Prof. nn 13

14 Methoden Drei wissenschaftliche Disziplinen: Statistik regression analysis Koordinatensystem discriminant analysis Clustering Künstliche Intelligenz Regel-Basierte heuristik Maschinelles Lernen Überwachtes Lernen Unüberwachtes Lernen Bestärkendes Lernen Neural networks Fachbereich Informatik Prof. Johannes Fürnkranz 14

15 Methoden Drei wissenschaftliche Disziplinen: Statistik regression analysis Koordinatensystem discriminant analysis Clustering Künstliche Intelligenz Regel-Basierte heuristik Maschinelles Lernen Überwachtes Lernen Unüberwachtes Lernen Bestärkendes Lernen Neural networks Fachbereich Informatik Prof. Johannes Fürnkranz 15

16 Vielen Dank für die Aufmerksamkeit FRAGEN? Fachbereich Informatik Prof. Johannes Fürnkranz 16

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

Innovative Datenanalyse für die Medizin

Innovative Datenanalyse für die Medizin Innovative Datenanalyse für die Medizin IDEALearning Intelligent Data Evaluation and Analysis by Machine Learning Dr. Susanne Winter winter:science Technologiezentrum Ruhr Universitätsstr. 142 44799 Bochum

Mehr

Industrial Data Intelligence Datenbasierte Produktionsoptimierung. Hannover, HMI Peter Seeberg

Industrial Data Intelligence Datenbasierte Produktionsoptimierung. Hannover, HMI Peter Seeberg Industrial Data Intelligence Datenbasierte Produktionsoptimierung Hannover, 26.04.2017 HMI Peter Seeberg Algorithmus Daten Entscheidung Peter Seeberg / Softing, 2016 Copyright 2016 Softing Industrial.

Mehr

Teil VIII. Weiterführende Veranstaltungen im FG Wissensverarbeitung

Teil VIII. Weiterführende Veranstaltungen im FG Wissensverarbeitung Teil VIII Weiterführende Veranstaltungen im FG Wissensverarbeitung Überblick 1 Zusammenfassung AlgoDS 2 Datenbanken 3 Internet-Suchmaschinen 4 Knowledge Discovery 5 Künstliche Intelligenz 6 Seminare &

Mehr

Mustererkennung und Klassifikation

Mustererkennung und Klassifikation Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick

Mehr

Artificial Intelligence. Was ist das? Was kann das?

Artificial Intelligence. Was ist das? Was kann das? Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords

Mehr

Optiview XG -UserClub: Grundlagen Fehlersuche und Bedienung des Optiview XG

Optiview XG -UserClub: Grundlagen Fehlersuche und Bedienung des Optiview XG Zielgruppe: Nutzer und Interessenten des Optiview XG Network Analysis Tablet Ort: Nürnberg Datum: 27. September 2016 von 8:30 Uhr bis 17:00Uhr Anmeldeschluss: 13. September 2016 Ort: Wien Datum: 18. Oktober

Mehr

Maschinelles Lernen zur Hautkrebsvorhersage

Maschinelles Lernen zur Hautkrebsvorhersage Maschinelles Lernen zur Hautkrebsvorhersage Eine Bachelorarbeit von Daniel Fischer Betreuung: Dipl. Inf. Frederik Janssen Prof. Dr. Johannes Fürnkranz Dr. med. Matthias Herbst 03.07.2011 Fachbereich Informatik

Mehr

Web Sports Data Extraction and Visualization Seminar: Sports and Data Mining Referent: Markus Schelmbauer SS 2014

Web Sports Data Extraction and Visualization Seminar: Sports and Data Mining Referent: Markus Schelmbauer SS 2014 Web Sports Data Extraction and Visualization Seminar: Sports and Data Mining Referent: Markus Schelmbauer SS 2014 16.06.2014 Fachbereich 20 Institut für Informatik Sports and Data Mining Prof. Dr.-techn.

Mehr

Seminar Business Intelligence

Seminar Business Intelligence Seminar Business Intelligence Ausgewählte Themen aus dem Bereich Data Science Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Wintersemester 2018/19 Peter Becker (H-BRS) Seminar

Mehr

Vorlesung: Künstliche Intelligenz

Vorlesung: Künstliche Intelligenz Vorlesung: Künstliche Intelligenz - KI heute, KI morgen, KI übermorgen- D P LS G ML ES S ST SA NN ME O EA SV Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte

Mehr

Data Science Marktforschung

Data Science Marktforschung Data Science Marktforschung Webinar 12. Juli 2018 Wie Data Science die Marktforschung verändert Christopher Harms, Consultant Research & Development Klassische Marktforschungsprojekte sind fokussiert auf

Mehr

Tim Krämer. Archimetrix - Improved Software Architecture Recovery in the Presence of Design Deficiencies. 08. Mai 2013

Tim Krämer. Archimetrix - Improved Software Architecture Recovery in the Presence of Design Deficiencies. 08. Mai 2013 Tim Krämer 7kraemer@informatik.uni-hamburg.de Archimetrix - Improved Software Architecture Recovery in the Presence of Design Deficiencies 08. Mai 2013 Tim Krämer, 7kraemer@informatik.uni-hamburg.de Universität

Mehr

Data Mining Cup deck using PDA or similar devices. Wissensextraktion Multimedia Engineering

Data Mining Cup deck using PDA or similar devices. Wissensextraktion Multimedia Engineering Data Mining Cup 2012 Wissensextraktion Multimedia Engineering deck using PDA or similar devices Fakultät für Ingenieurwissenschaften Jevgenij Jakunschin Christian Mewes www.hs-wismar.de 2 Gliederung 1.

Mehr

Graphentheorie. Vorkurs Informatik WS 2016/2017. Dennis Aumiller

Graphentheorie. Vorkurs Informatik WS 2016/2017. Dennis Aumiller Vorkurs Informatik WS 2016/2017 Dennis Aumiller Aumiller@stud.uni-heidelberg.de 14.10.2016 Über das Thema Wo alles begann Leider keine gesonderte Vorlesung dafür oft als Teilthema in anderen Vorlesungen

Mehr

Business Intelligence & Machine Learning

Business Intelligence & Machine Learning AUSFÜLLHILFE: BEWEGEN SIE DEN MAUSZEIGER ÜBER DIE ÜBERSCHRIFTEN. AUSFÜHRLICHE HINWEISE: LEITFADEN MODULBESCHREIBUNG Business Intelligence & Machine Learning Kennnummer Workload Credits/LP Studiensemester

Mehr

Perfect Games. Johannes Clos Knowledge Engineering und Lernen in Spielen SS04, Prof. Fürnkranz. 5/18/04 Perfect Games

Perfect Games. Johannes Clos Knowledge Engineering und Lernen in Spielen SS04, Prof. Fürnkranz. 5/18/04 Perfect Games Perfect Games Johannes Clos jonite@gmx.net Knowledge Engineering und Lernen in Spielen SS04, Prof. Fürnkranz Seite 1 Überblick Definition Perfektes Spiel Komplexitätsklassen Beispiele (Mancala) Bao Lösungsansätze

Mehr

Profiling Linked Open Data with ProLOD. LiDDM: A Data Mining System for Linked Data

Profiling Linked Open Data with ProLOD. LiDDM: A Data Mining System for Linked Data Profiling Linked Open Data with ProLOD LiDDM: A Data Mining System for Linked Data Seminar aus maschinellem Lernen Frederik Janssen, Dr. Heiko Paulheim 20. Dez.2011 Fachbereich 20 Informatik Seminar aus

Mehr

Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume

Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Grundseminar HAW Master Informatik 18.04.2017 Inhaltsübersicht Data Mining & Begriffswelt des Data Mining Klassifikation & Klassifikatoren

Mehr

Predictive Analytics. Warum datenbasierte Vorhersagen kein Hexenwerk sind. ASQF Automation Day Dr. Stefano Signoriello

Predictive Analytics. Warum datenbasierte Vorhersagen kein Hexenwerk sind. ASQF Automation Day Dr. Stefano Signoriello Predictive Analytics Warum datenbasierte Vorhersagen kein Hexenwerk sind Dr. Stefano Signoriello Seite 1 Inhalte des Vortrags Analytics Von Daten zu Wissen Von Nachsicht über Einsicht zu Voraussicht Descriptive,

Mehr

PREDICTIVE ANALYTICS & BIG DATA DR. THOMAS KEIL, SAS DGI PRAXISTAGE, FRANKFURT,

PREDICTIVE ANALYTICS & BIG DATA DR. THOMAS KEIL, SAS DGI PRAXISTAGE, FRANKFURT, PREDICTIVE ANALYTICS & BIG DATA DR. THOMAS KEIL, SAS DGI PRAXISTAGE, FRANKFURT, 11.11.2016 BIG DATA WAS PASSIERT 2016 IN EINER INTERNET MINUTE? BIG DATA BELIEBTESTE APPS Internet der Dinge BIG DATA BITKOM

Mehr

Data Mining 7-1. Kapitel 7: Advertising on the Web. Johannes Zschache Wintersemester 2018/19

Data 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.

Mehr

GESTALTEN SIE MIT UNS DIE DIGITALE BILDUNG UND VERSTÄRKEN UNSER TEAM ALS EXPERTE & STUDIENLEITER (m/w/d)

GESTALTEN SIE MIT UNS DIE DIGITALE BILDUNG UND VERSTÄRKEN UNSER TEAM ALS EXPERTE & STUDIENLEITER (m/w/d) GESTALTEN SIE MIT UNS DIE DIGITALE BILDUNG UND VERSTÄRKEN UNSER TEAM ALS EXPERTE & STUDIENLEITER (m/w/d) auf Honorarbasis und ab sofort für unsere neuen Fernstudiengänge Data Science (B.Sc) & Big Data

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

Allgemeine Bestimmungen

Allgemeine Bestimmungen Erschienen im Mitteilungsblatt der Universität, Stück VII, Nummer 70, am 20.12.2001, im Studienjahr 2001/02. 70. Verordnung der Studienkommission Wirtschaftsinformatik: Anrechnungskatalog für den Übertritt

Mehr

Mathematisch-algorithmische Grundlagen für Big Data

Mathematisch-algorithmische Grundlagen für Big Data Mathematisch-algorithmische Grundlagen für Big Data Numerische Algorithmen für Datenanalyse und Optimierung Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Sommersemester 2017

Mehr

Sports Data Mining. Tools and Systems for Sports Data Analysis

Sports Data Mining. Tools and Systems for Sports Data Analysis Sports Data Mining Tools and Systems for Sports Data Analysis Inhalt 1. Überblick 2. Tools a. Spezielle b. Allgemeine 3. Anwendungsbeispiel Wieso spezielle Tools? Video Analysen Benutzbarkeit Vorschläge

Mehr

dlib - A toolkit for making real world machine learning and data analysis applications in C++

dlib - A toolkit for making real world machine learning and data analysis applications in C++ - A toolkit for making real world machine learning and data analysis applications in C++ Stefan Schweter Masterseminar: Klassifikation und Clustering, Wintersemester 2016/2017, Dozent: Stefan Langer 19122016

Mehr

Einführung in die Didaktik der Informatik D. Engbring mündl.

Einführung in die Didaktik der Informatik D. Engbring mündl. Bachelor Pflicht BA-INF 021 Lineare Algebra Th. Räsch 02.08.2016/ 9-12 Uhr HS IX+X Hauptg. 12.09.2016/ 9-12 Uhr HS IX+X Hauptg. schriftlich BA-INF 022 Analysis M. Welter 26.07.2016/9.30-11.30Uhr HS IX+X

Mehr

Seminare und Praktika im Sommersemester 2011

Seminare und Praktika im Sommersemester 2011 Seminare und Praktika im Sommersemester 2011 Information Systems and Machine Learning Lab (ISMLL) K. Buza, T. Horvath, A. Nanopoulos, L. Schmidt-Thieme Hildesheim, Januar 31, 2011 1 / 1 Übersicht Master-Seminar:

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayes sches Lernen. Niels Landwehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayes sches Lernen. Niels Landwehr Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Bayes sches Lernen Niels Landwehr Überblick Grundkonzepte des Bayes schen Lernens Wahrscheinlichstes Modell gegeben Daten Münzwürfe

Mehr

m Immobilien 3/M Jan A. Schubert

m Immobilien 3/M Jan A. Schubert 3/M Jan A. Schubert Büroimmobilien in Deutschland: Die Bedeutung der Beschäftigungsstruktur für die Marktauswahl institutioneller Investoren m Immobilien Inhaltsverzeichnis Abbildungsverzeichnis IX Tabellenverzeichnis

Mehr

Kantonsschule Ausserschwyz. Mathematik. Kantonsschule Ausserschwyz 83

Kantonsschule Ausserschwyz. Mathematik. Kantonsschule Ausserschwyz 83 Kantonsschule Ausserschwyz Mathematik Kantonsschule Ausserschwyz 83 Bildungsziele Für das Grundlagenfach Die Schülerinnen und Schüler sollen über ein grundlegendes Orientierungs- und Strukturwissen in

Mehr

Studienplan FSPO 2014/2017 Master Informationssystemtechnik

Studienplan FSPO 2014/2017 Master Informationssystemtechnik Studienplan FSPO 2014/2017 Master Informationssystemtechnik Folgende Modulgruppen sind im Masterstudiengang Informationssystemtechnik zu absolvieren. In den Modulgruppen 1. bis 4. sind insgesamt 90 Leistungspunkte

Mehr

Der Blick in die Kristallkugel

Der Blick in die Kristallkugel Der Blick in die Kristallkugel Prädiktive Modellierung: Übersicht, Möglichkeiten und Grenzen Kai Brodmann Teamleiter, Senior Software- Ingenieur Der Blick in die Kristallkugel Motivation 2 Agenda Was erwartet

Mehr

Seminare/Praktika/ Projekte

Seminare/Praktika/ Projekte Seminare/Praktika/ Projekte ANGEWANDTE INFORMATIK IV PROF.DR.-ING. STEFAN JABLONSKI TOPICS PROCESS MANAGEMENT AND DATA SCIENCE Processes In organisations many kinds of systems and people work together

Mehr

Complex Event Processing

Complex Event Processing [10] Armin Steudte HAW Hamburg Masterstudiengang Informatik - WS 2011/2012 Agenda Motivation Grundlagen Event Processing Networks Ausblick Quellen 2 Agenda Motivation Grundlagen Event Processing Networks

Mehr

Überlegungen zum Defensivspiel. Am Beispiel der U-21 Nationalmannschaft. ÖFB Trainerseminar Maria Enzersdorf Werner Gregoritsch

Überlegungen zum Defensivspiel. Am Beispiel der U-21 Nationalmannschaft. ÖFB Trainerseminar Maria Enzersdorf Werner Gregoritsch Überlegungen zum Defensivspiel Am Beispiel der U-21 Nationalmannschaft ÖFB Trainerseminar Maria Enzersdorf 19.01.2014 Werner Gregoritsch Trainerteam Teamchef: Werner Gregoritsch Co-Trainer: Tormanntrainer:

Mehr

EFS Deep Learning für das Fahren der Zukunft. Anton Junker

EFS Deep Learning für das Fahren der Zukunft. Anton Junker EFS Deep Learning für das Fahren der Zukunft Anton Junker Wer ist die EFS? Wer sind wir? Unternehmen Gründung 2009 Standort Ingolstadt/Wolfsburg Beteiligung GIGATRONIK Gruppe (51%) Audi Electronics Venture

Mehr

Vorlesung Digitale Bildverarbeitung Sommersemester 2013

Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches

Mehr

Theoriendynamik Analytische Wissenschaftstheorie - Diachron

Theoriendynamik Analytische Wissenschaftstheorie - Diachron 1 Theoriendynamik Analytische Wissenschaftstheorie - Diachron Einführung - Der Anfang Theoriendynamik - Thomas S. Kuhn: Wissenschaft als Paradigmen (siehe Thema Wisenschaftliche Revolution) Keine Falsifizierung

Mehr

6.6 Vorlesung: Von OLAP zu Mining

6.6 Vorlesung: Von OLAP zu Mining 6.6 Vorlesung: Von OLAP zu Mining Definition des Begriffs Data Mining. Wichtige Data Mining-Problemstellungen, Zusammenhang zu Data Warehousing,. OHO - 1 Definition Data Mining Menge von Techniken zum

Mehr

Was ist Statistik? CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin

Was ist Statistik? CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin http://ise.wiwi.hu-berlin.de http://www.xplore-stat.de http://www.md-stat.com Grundlagen

Mehr

Datamining und Patientensicherheit

Datamining und Patientensicherheit Datamining und Patientensicherheit Statistik für mehr Sicherheit 4. Mai 2017 - APS Jahrestagung - Referent: Prof. Dr. phil. Winfried Zinn PatE Stiftungs-UG (haftungsbeschränkt) An der Alten Schule 16,

Mehr

Data Mining & Machine Learning Dipl.-Inf. Christoph Carl Kling

Data Mining & Machine Learning Dipl.-Inf. Christoph Carl Kling Web Science & Technologies University of Koblenz Landau, Germany Data Mining & Machine Learning Dipl.-Inf. Christoph Carl Kling Mündliche Prüfung Welche Methoden gibt es? Wie sind die Annahmen für die

Mehr

Gold schürfen im Marketing mit Data Science

Gold schürfen im Marketing mit Data Science Gold schürfen im Marketing mit Data Science SOMEXcircle 9. Mai 2017 Dr. Patricia Feubli Erfahrung 9 Jahre Economic Research und Data Science, 4 davon als Senior Economist im Credit Suisse Swiss Industries

Mehr

Data Mining in SAP NetWeaver BI

Data Mining in SAP NetWeaver BI Martin Kießwetter, Dirk Vahl kam p Data Mining in SAP NetWeaver BI Galileo Press Bonn Boston 2.1 Was ist Data Mining? 17 2.2 Data Mining, KDD und Business Intelligence 20 2.3 KDD-Prozessmodelle 22 2.4

Mehr

Wissensentdeckung in Datenbanken

Wissensentdeckung in Datenbanken Wissensentdeckung in Datenbanken Organisation und Überblick Nico Piatkowski und Uwe Ligges 8.0.07 von Fakten Team Vorlesung: Uwe Ligges, Nico Piatkowski Übung: Sarah Schnackenberg, Sebastian Buschjäger

Mehr

Energie- und Ressourceneffizienz verbessern, CO 2 -Emissionen senken Praxisbeispiele aus einem Elektrostahlwerk

Energie- und Ressourceneffizienz verbessern, CO 2 -Emissionen senken Praxisbeispiele aus einem Elektrostahlwerk Florian Schrader, Simulation & Innovation, Georgsmarienhütte GmbH Energie- und Ressourceneffizienz verbessern, CO 2 -Emissionen senken Praxisbeispiele aus einem Elektrostahlwerk Ressourceneffizienz-Treff

Mehr

Data Mining 5-1. Kapitel 5: Frequent Itemsets. Johannes Zschache Wintersemester 2018/19

Data Mining 5-1. Kapitel 5: Frequent Itemsets. Johannes Zschache Wintersemester 2018/19 Data Mining Kapitel 5: Frequent Itemsets Johannes Zschache Wintersemester 2018/19 Abteilung Datenbanken, Universität Leipzig http://dbs.uni-leipzig.de Data Mining 5-1 5-2 Data Mining Übersicht Hochdimension.

Mehr

NoSQL-Datenbanken. Kapitel 0: Organisatorisches. Dr. Anika Groß Sommersemester Universität Leipzig

NoSQL-Datenbanken. Kapitel 0: Organisatorisches. Dr. Anika Groß Sommersemester Universität Leipzig NoSQL-Datenbanken Kapitel 0: Organisatorisches Dr. Anika Groß Sommersemester 2017 Universität Leipzig http://dbs.uni-leipzig.de 0-1 Organisatorisches Vorlesungstermin Donnerstag, 9:15-10:45 Uhr, HS 19

Mehr

Aktualisierte Modullisten für den Master-Studiengang Wirtschaftsinformatik - Version 2013 (Stand: ) Gültig für SS 2018

Aktualisierte Modullisten für den Master-Studiengang Wirtschaftsinformatik - Version 2013 (Stand: ) Gültig für SS 2018 Aktualisierte Modullisten für den Master-Studiengang Wirtschaftsinformatik - Version 2013 (Stand: 16.01.2018) Gültig für 2018 Achtung: Für Lehrveranstaltungen ohne Semesterangabe ist zur Zeit nur eine

Mehr

Master Studiengänge in Economics

Master Studiengänge in Economics Master Studiengänge in Economics Stand: Februar 2010 1. Überblick 1.1 Masterstudiengänge allgemeiner VWL Master Studiengang mit interdisziplinärer iplinärer Struktur r und Schwerpunkt Europa. Er wird in

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

(Pro-)Seminar - Data Mining

(Pro-)Seminar - Data Mining (Pro-)Seminar - Data Mining Vorbesprechung SCCS, Fakultät für Informatik Technische Universität München SS 2018 Data Mining: Beispiele (1) Hausnummererkennung (Klassikation) Source: http://arxiv.org/abs/1312.6082

Mehr

Die neue ÖFB Spiel- und Trainingsphilosophie

Die neue ÖFB Spiel- und Trainingsphilosophie Die neue ÖFB Spiel- und Trainingsphilosophie Saalfelden, 19. Juni 2009 Willi Ruttensteiner Sportdirektor ÖFB Ivo Vastic Neue Strukturen im ÖFB Präsidium Direktorium ÖFB-Präsident: GD Dr. Leo Windtner Generaldirektion

Mehr

Fakultät für Mathematik, Informatik und Physik

Fakultät für Mathematik, Informatik und Physik Zusammenfassender Bericht LV-Evaluierung WS 2008/09 Stand: April 2009 - Zufriedenheit der Studierenden mit der Lehre - Arbeitsbereich Qualitätssicherung in Studium und Lehre Datum: April 2009 Vizerektorat

Mehr

Erweiterungscurriculum Statistik für die Technik

Erweiterungscurriculum Statistik für die Technik BEILAGE 7 zum Mitteilungsblatt 21. Stück, Nr. 135.6-2016/2017, 29.06.2017 Erweiterungscurriculum Statistik für die Technik Datum des Inkrafttretens 1. Oktober 2017 Inhaltsverzeichnis 1 Allgemeines...-

Mehr

Informatik-Studiengänge an der Universität Augsburg

Informatik-Studiengänge an der Universität Augsburg Informatik-Studiengänge an der Universität Augsburg Schülerinfotag 2016 Robert Lorenz, Lehrprofessur für Informatik, Studiendekan Informatik Fakultät für Angewandte Informatik 09. April 2016 Übersicht

Mehr

Seminar. Textdatenanalyse. Carsten Jentsch & Jonas Rieger. Sommersemester fakultät statistik

Seminar. Textdatenanalyse. Carsten Jentsch & Jonas Rieger. Sommersemester fakultät statistik Seminar Textdatenanalyse Carsten Jentsch & Jonas Rieger Sommersemester 2019 fakultät statistik Was versteht man unter Textdatenanalyse? Text Mining (Wikipedia): Text Mining, seltener auch Textmining, Text

Mehr

Was ist Statistik? CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin

Was ist Statistik? CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin http://ise.wiwi.hu-berlin.de http://www.xplore-stat.de http://www.md-stat.com Grundlagen

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

Medienart: Print Medientyp: Publikumszeitschriften Auflage: 312'871 Erscheinungsweise: 26x jährlich

Medienart: Print Medientyp: Publikumszeitschriften Auflage: 312'871 Erscheinungsweise: 26x jährlich Ausschnitt Seite: 1/10 Bericht Seite: 8/28 Datum: 28.05.2010 Ausschnitt Seite: 2/10 Bericht Seite: 9/28 Datum: 28.05.2010 Ausschnitt Seite: 3/10 Bericht Seite: 10/28 Datum: 28.05.2010 Ausschnitt Seite:

Mehr

Grundlagen der Künstlichen Intelligenz

Grundlagen der Künstlichen Intelligenz Grundlagen der Künstlichen Intelligenz 0. Organisatorisches Malte Helmert Universität Basel 16. Februar 2015 Organisatorisches Personen: Dozent Dozent Prof. Dr. Malte Helmert E-Mail: malte.helmert@unibas.ch

Mehr

EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN

EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 16. FEBRUAR 2012 1. Schlüsselworte Semantic Web, Opinion Mining, Sentiment Analysis, Stimmungsanalyse,

Mehr

Lösungen zu Aufgabenblatt 10P

Lösungen zu Aufgabenblatt 10P Analysis Prof. Dr. Peter Becker Fachbereich Informatik Sommersemester 05 9. Juni 05 Lösungen zu Aufgabenblatt 0P Aufgabe (Funktionsgrenzwerte) Berechnen Sie die folgenden Grenzwerte: cos(x) x cos( x )

Mehr

Was ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science

Was ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science Was ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science 15.12.2017 Suchinteresse 15.12.2017 Was ist, kann und darf Deep Learning? 2 Google Trends für Deep Learning ILSVRC 2012:

Mehr

Vergleich von SVM und Regel- und Entscheidungsbaum-Lernern

Vergleich von SVM und Regel- und Entscheidungsbaum-Lernern Vergleich von SVM und Regel- und Entscheidungsbaum-Lernern Chahine Abid Bachelor Arbeit Betreuer: Prof. Johannes Fürnkranz Frederik Janssen 28. November 2013 Fachbereich Informatik Fachgebiet Knowledge

Mehr

Predictive Modeling for Sports and Gaming Eine Präsentation von Manuel Wolf

Predictive Modeling for Sports and Gaming Eine Präsentation von Manuel Wolf Predictive Modeling for Sports and Gaming Eine Präsentation von Manuel Wolf 28.05.14 Inhalt Die Glückssträhne Statistische Simulationen Baseball, Basketball & andere Sportarten Maschinelles Lernen Windhund-und

Mehr

Seminar Künstliche Intelligenz Wintersemester 2014/15

Seminar Künstliche Intelligenz Wintersemester 2014/15 Seminar Wintersemester 2014/15 Martin Hacker Richard Schaller Department Informatik FAU Erlangen-Nürnberg 8.10.2014 Vorstellung Über die Dozenten Institution Lehrstuhl für 2 / 7 2 / 7 KISEM WS 2014/15

Mehr

Schnelles Denken - Maschinelles Lernen mit Apache Spark 2

Schnelles Denken - Maschinelles Lernen mit Apache Spark 2 Schnelles Denken - Maschinelles Lernen mit Apache Spark 2 Heiko Spindler Apache Spark - Components Machine Learning Machine learning explores the construction and study of algorithms that can learn from

Mehr

Die Technische Universität München und die Fakultät für Informatik. Julie Mäding

Die Technische Universität München und die Fakultät für Informatik. Julie Mäding Die und die Fakultät für 1 TUM. Campus Garching Chemie Physik Mathematik Maschinenwesen TUM Institute for Advanced Study Medizintechnik Forschungs- Neutronenquelle 2 Die Bewerbung an der Fakultät für 3

Mehr

Was ist Big Data? Versuch einer Positionsbestimmung. Wolfgang Marquardt

Was ist Big Data? Versuch einer Positionsbestimmung. Wolfgang Marquardt Was ist Big Data? Versuch einer Positionsbestimmung Wolfgang Marquardt Vorstandsvorsitzender des Forschungszentrum Jülich 02.06.2015 Jahrestagung des deutschen Ethikrates Ganz sicher auch ein Hype hohe

Mehr

Prüfungstermine WS 2012/13

Prüfungstermine WS 2012/13 Prüfungstermine WS 2012/13 * Prüfungszeiträume: 11.02. - 08.03.2013 (Prüfung) und 18.03. - 05.04.2013 (WP) * Die LV sind alphabetisch sortiert * Abkürzungen in der Übersicht siehe allgemeine Hinweise zum

Mehr

Dokument Klassifikation. Thomas Uhrig: Data-Mining SS10

Dokument Klassifikation. Thomas Uhrig: Data-Mining SS10 Agenda: 1: Klassifizierung allgemein 2: der naive Bayes-Klassifizierer 3: Beispiel 4: Probleme 5: Fazit 6: Quellen 1: Klassifizierung allgemein: 1: Klassifizierung allgemein: - Einordnung von Objekten

Mehr

Reduzierung der Komplexität gewachsener Unternehmensarchitekturen (EAs)

Reduzierung der Komplexität gewachsener Unternehmensarchitekturen (EAs) Reduzierung der Komplexität gewachsener Unternehmensarchitekturen (EAs), Martin Pluchator (Volkswagen AG) David Wille, Ina Schaefer (TU Braunschweig) Inhaltsverzeichnis 1. Was? 2. Warum? 3. Wie? 2 Inhaltsverzeichnis

Mehr

Schnelles Umschalten nach Ballgewinn

Schnelles Umschalten nach Ballgewinn Verkürzte Version Schnelles Umschalten nach Ballgewinn Fortbildungslehrgang im Donau-Wald-Stadion in Deggendorf Montag, 16.07.2018 Referent: Florian Baumgartl Barcelona war dann am gefährlichsten, wenn

Mehr

Ihre Daten haben viel zu erzählen

Ihre Daten haben viel zu erzählen Ihre haben viel zu erzählen Trends, die Menschen, und Ideen verbinden Wolfgang Kern, Senior Territory Sales Manager, Qlik Mai 2017 @SpeakersTwitterAc #QlikSense Tour QLIK 16 40.000 1.700 100 27 % CAGR

Mehr

INTELLIGENTE DATENANALYSE IN MATLAB

INTELLIGENTE DATENANALYSE IN MATLAB INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation Literatur Inhalt und Ziele der Vorlesung Beispiele aus der Praxis 2 Organisation Vorlesung/Übung + Projektarbeit. 4 Semesterwochenstunden.

Mehr

Institut für Künstliche Intelligenz

Institut für Künstliche Intelligenz Institut für Künstliche Intelligenz Prof. Sebstaian Rudolph --- Computational Logic Prof. Steffen Hölldobler --- Wissensverarbeitung Prof. Ivo F. Sbalzarini --- Wissenschaftliches Rechnen für Systembiologie

Mehr

Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell

Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten Teil

Mehr

STUDIENGANG INFORMATIK IN DER FAKULTÄT TECHNIK (TI)

STUDIENGANG INFORMATIK IN DER FAKULTÄT TECHNIK (TI) STUDIENGANG INFORMATIK IN DER FAKULTÄT TECHNIK (TI) Informationstechnik (TIT) Mobile Informatik (TIM) IT Security (TIS) Stand: 07/2017 www.ravensburg.dhbw.de STUDIENGANG INFORMATIK Studienangebote Studiengang

Mehr

VL Algorithmische BioInformatik (19710) WS2013/2014 Woche 16 - Mittwoch. Annkatrin Bressin Freie Universität Berlin

VL Algorithmische BioInformatik (19710) WS2013/2014 Woche 16 - Mittwoch. Annkatrin Bressin Freie Universität Berlin VL Algorithmische BioInformatik (19710) WS2013/2014 Woche 16 - Mittwoch Annkatrin Bressin Freie Universität Berlin Vorlesungsthemen Part 1: Background Basics (4) 1. The Nucleic Acid World 2. Protein Structure

Mehr

Data Engineering & Statistics

Data Engineering & Statistics Übergangsbestimmungen für das Bachelorstudium Data Engineering & Statistics an der Technischen Universität Wien von der Studienkommission Informatik beschlossen am 20.9.2006 (1) Sofern nicht anderes angegeben

Mehr

3 Wahlpichtbereich. 3.1 Vertiefungen

3 Wahlpichtbereich. 3.1 Vertiefungen 3 Wahlpichtbereich Im Folgenden sind die Wahlpichtmodule des Bachelor-Studiengangs Angewandte Informatik beschrieben. Wie in der Prüfungsordnung erläutert, können weitere Module aus dem Wahlpichtbereich

Mehr

Defensivverhalten. Der taktische Aspekt muss angeregt werden: verschiedene Situationen (sogar die verrücktesten!!!???) müssen vorgezeigt werden.

Defensivverhalten. Der taktische Aspekt muss angeregt werden: verschiedene Situationen (sogar die verrücktesten!!!???) müssen vorgezeigt werden. UEFA B-Diplom Ihr seit Wachhunde vor der Tür eines sehr schönen Hauses und es hat Einbrecher, die von rechts und links kommen. Der gute Wachhund? Derjenige der INTELLIGENT ist und sich nicht von einer

Mehr

Positionsspiel OLIVER LEDERER SAMUEL AKHONDI

Positionsspiel OLIVER LEDERER SAMUEL AKHONDI Positionsspiel OLIVER LEDERER SAMUEL AKHONDI 1. Theorie Vor/Nachteile Umsetzung Was ist Positionsspiel? Spielkonzept für den Ballbesitz Alles dreht sich um den Raum. Wir suchen nach Überlegenheit (Zeit/Raum)

Mehr

Constantin von Craushaar FH-Management & IT Statistik Angewandte Statistik (Übungen) Folie 1

Constantin von Craushaar FH-Management & IT Statistik Angewandte Statistik (Übungen) Folie 1 FHManagement & IT Folie 1 Angewandte Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines einfachen Beispieles Häufigkeitsauswertungen Grafiken Datenmanipulationen Mehrfachantworten

Mehr

Über die Berufsaussichten von Mathematikern. Christian Schöler und Nils Schwinning

Über die Berufsaussichten von Mathematikern. Christian Schöler und Nils Schwinning Über die Berufsaussichten von Mathematikern Christian Schöler und Nils Schwinning Arbeitslose Mathematiker unter 35 passen in einen Bus. Günter Ziegler, DMV Ich kenne keinen arbeitslosen Mathematiker.

Mehr

SKOPOS Webinar 22. Mai 2018

SKOPOS Webinar 22. Mai 2018 SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas

Mehr

Entwicklung 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 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

Mehr

Deep Learning Prof. Dr. E. Rahm und Mitarbeiter

Deep Learning Prof. Dr. E. Rahm und Mitarbeiter Deep Learning Prof. Dr. E. Rahm und Mitarbeiter Seminar, WS 2017/18 Big Data Analyse-Pipeline Dateninte -gration/ Anreicherung Datenextraktion / Cleaning Datenbeschaffung Datenanalyse Interpretation Volume

Mehr

1. Absolventenfeier Bioinformatik. 8. Juli 2005

1. Absolventenfeier Bioinformatik. 8. Juli 2005 1. Absolventenfeier Bioinformatik Bioinformatik München (BIM) Ein gemeinsames Studienprogramm der Ludwig-Maximilians-Universität München (LMU) Technischen Universität München (TUM) mit Unterstützung durch

Mehr

Big Data Analytics Mit Daten Vorhersagen treffen Dr. Thomas Keil, SAS,

Big Data Analytics Mit Daten Vorhersagen treffen Dr. Thomas Keil, SAS, Big Data Analytics Mit Daten Vorhersagen treffen Dr. Thomas Keil, SAS, 8.5.2017 SAS und Heidelberg 14.000 Mitarbeiter weltweit, etwa 380 davon in Heidelberg (seit 1982 hier) 3,2 Mrd. $ Umsatz weltweit,

Mehr

Promotionskolleg DIPF TU Darmstadt Knowledge Discovery in Scientific Literature Iryna Gurevych

Promotionskolleg DIPF TU Darmstadt Knowledge Discovery in Scientific Literature Iryna Gurevych Promotionskolleg DIPF TU Darmstadt Knowledge Discovery in Scientific Literature Iryna Gurevych 1 Leitvision Fachinformation der Zukunft geht von der ubiquitären Verfügbarkeit der wissenschaftlichen Literatur

Mehr

Eine Einführung in R: Hochdimensionale Daten: n << p Teil II

Eine Einführung in R: Hochdimensionale Daten: n << p Teil II Eine Einführung in R: Hochdimensionale Daten: n

Mehr

Mannschaftsanalyse 2006 by Allgemeine Mannschaftsanalyse

Mannschaftsanalyse 2006 by  Allgemeine Mannschaftsanalyse Allgemeine Mannschaftsanalyse 1. Spielsystem Wie ist die allgemeine Raumaufteilung / Verteilung der Spielzonen? Wie lautet die allgemeine Aufgabenverteilung (Abwehr, Mittelfeld, Angriff)? Spielt die Mannschaft

Mehr