Sports Data Mining. The Field and Methodology. Sublogo Fachbereich Informatik Prof. Johannes Fürnkranz 1
|
|
- Wilhelmine Armbruster
- vor 8 Jahren
- Abrufe
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 Index Einführung PMML als Standard für den Austausch von Data Mining Ergebnissen/Prozessen Allgemeine Struktur eines PMML Dokuments Beispiel von PMML
MehrInnovative 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
MehrIndustrial 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.
MehrTeil 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 &
MehrMustererkennung 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
MehrArtificial 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
MehrOptiview 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
MehrMaschinelles 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
MehrWeb 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.
MehrSeminar 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
MehrVorlesung: 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
MehrData 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
MehrTim 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
MehrData 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.
MehrGraphentheorie. 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
MehrBusiness Intelligence & Machine Learning
AUSFÜLLHILFE: BEWEGEN SIE DEN MAUSZEIGER ÜBER DIE ÜBERSCHRIFTEN. AUSFÜHRLICHE HINWEISE: LEITFADEN MODULBESCHREIBUNG Business Intelligence & Machine Learning Kennnummer Workload Credits/LP Studiensemester
MehrPerfect 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
MehrProfiling 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
MehrData 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
MehrPredictive 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,
MehrPREDICTIVE 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
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.
MehrGESTALTEN 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
MehrUniversität 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
MehrAllgemeine 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
MehrMathematisch-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
MehrSports 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
Mehrdlib - 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
MehrEinführung 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
MehrSeminare 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:
MehrUniversität 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
Mehrm 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
MehrKantonsschule 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
MehrStudienplan 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
MehrDer 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
MehrSeminare/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
MehrComplex 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
MehrÜberlegungen 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:
MehrEFS 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
MehrVorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches
MehrTheoriendynamik Analytische Wissenschaftstheorie - Diachron
1 Theoriendynamik Analytische Wissenschaftstheorie - Diachron Einführung - Der Anfang Theoriendynamik - Thomas S. Kuhn: Wissenschaft als Paradigmen (siehe Thema Wisenschaftliche Revolution) Keine Falsifizierung
Mehr6.6 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
MehrWas 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
MehrDatamining 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,
MehrData 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
MehrGold 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
MehrData 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
MehrWissensentdeckung 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
MehrEnergie- 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
MehrData 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.
MehrNoSQL-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
MehrAktualisierte 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
MehrMaster 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
MehrData 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 Vorbesprechung SCCS, Fakultät für Informatik Technische Universität München SS 2018 Data Mining: Beispiele (1) Hausnummererkennung (Klassikation) Source: http://arxiv.org/abs/1312.6082
MehrDie 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
MehrFakultät 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
MehrErweiterungscurriculum 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...-
MehrInformatik-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
MehrSeminar. 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
MehrWas 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
MehrUniversität 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
MehrMedienart: 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:
MehrGrundlagen 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
MehrEXTRAKTION 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,
MehrLösungen 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 )
MehrWas 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:
MehrVergleich 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
MehrPredictive 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
MehrSeminar 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
MehrSchnelles 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
MehrDie 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
MehrWas 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
MehrPrüfungstermine 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
MehrDokument 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
MehrReduzierung 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
MehrSchnelles 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
MehrIhre 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
MehrINTELLIGENTE 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.
MehrInstitut für Künstliche Intelligenz
Institut für Künstliche Intelligenz Prof. Sebstaian Rudolph --- Computational Logic Prof. Steffen Hölldobler --- Wissensverarbeitung Prof. Ivo F. Sbalzarini --- Wissenschaftliches Rechnen für Systembiologie
MehrTextmining 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
MehrSTUDIENGANG 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
MehrVL 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
MehrData 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
Mehr3 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
MehrDefensivverhalten. 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
MehrPositionsspiel 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)
MehrConstantin 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
MehrÜber 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.
MehrSKOPOS 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
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
MehrDeep 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
Mehr1. 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
MehrBig 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,
MehrPromotionskolleg 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
MehrEine Einführung in R: Hochdimensionale Daten: n << p Teil II
Eine Einführung in R: Hochdimensionale Daten: n
MehrMannschaftsanalyse 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