Methoden zur Datenanalyse
|
|
- Benedict Bayer
- vor 7 Jahren
- Abrufe
Transkript
1 Methoden zur Datenanalyse Inhaltsverzeichnis 1 Übersicht Seite Statistische Schätz- und Testmethoden Seite Methoden zur Segmentierung von Daten Clusteranalyse Nebenpfad: Partitionierende Clusterverfahren Nebenpfad: Hierarchische Clusterverfahren Nebenpfad: Dichtebasierte Clusterverfahren Methoden zur Klassifikation von Daten Seite Nebenpfad: Naive-Bayes-Klassifikation Nebenpfad: Bayes-Netzwerke Nebenpfad: Entscheidungsbäume Nebenpfad: eitere Klassifikationsmethoden Modelle und Methoden der Zeitreihenanalyse Seite Methoden der Abhängigkeitsanalyse Seite Nebenpfad: Assoziationsregeln
2 1 Übersicht 1.1 Seite 1 In den folgenden Kapiteln finden Sie Hinweise auf ausgewählte rundlagenliteratur, () eiterführende Literatur und () Software (S) zu: Statistische Schätz- und Testmethoden Methoden zur Segmentierung von Daten Methoden zur Klassifikation von Daten Modelle und Methoden der Zeitreihenanalyse Methoden der Abhängigkeitsanalyse Diese Auswahl erhebt keinen Anspruch auf Vollständigkeit. Übersicht Eine gute Übersicht über Methoden zur Datenanalyse geben auch: Han/Kamber: Data Mining,
3 2 Statistische Schätz- und Testmethoden 2.1 Seite 1 Bleymüller, J./ehlert,./ülicher, H.: Statistik für irtschaftswissenschaftler. Franz Vahlen, München Bohley, P.: Statistik-Lehrbuch für irtschaftswissenschaften. Oldenbourg, München Elpelt, H.: rundkurs Statistik. Oldenbourg, München Fahrmeir, L./Künstler, R./Pigeot, I./Tutz,.: Statistik. 5. Aufl., Springer, Berlin Heidelberg New York Hennig, C.: Modellwahl und Variablenselektion in der Statistik. Veröffentlichtes Vorlesungsskript, Universität Hamburg, Fachbereich Mathematik (SPST), SS 2004, auf URL: Hochstädter, D.: Statistische Methodenlehre. 8. Aufl., Verlag Harri Deutsch, Frankfurt/Main Litz, H. P.: Statistische Methoden in den irtschafts- und Sozialwissenschaften. Oldenbourg Verlag, München ien Schlittgen, R.: Einführung in die Statistik. Oldenbourg, München Zöfel, P.: Statistik für irtschaftswissenschaftler. Pearson Studium
4 3 Methoden zur Segmentierung von Daten 3.1 Clusteranalyse Han/Kamber: Data Mining, 2001 Kaufman, L./Rousseeuw, P.J.: Finding roups in Data: an Introduction to Cluster Analysis. John iley & Sons, Partitionierende Clusterverfahren Hierarchische Clusterverfahren Dichtebasierte Clusterverfahren Nebenpfad: Partitionierende Clusterverfahren CLARA Kaufman, L./Rousseeuw, P.J.: Finding roups in Data: an Introduction to Cluster Analysis. John iley & Sons, CLARANS Ng, R./Han, J.: Efficient and effective clustering method for spatial data mining, in: Proceedings of the 1994 Int. Conf. on Very Large Data Bases, Santiago, Chile, 1994, pp Nebenpfad: Hierarchische Clusterverfahren BIRCH Zhang, T./Ramakrishnan, R./Livny, M.: BIRCH: an efficient data clustering method for very large databases, in: Proceedings of the 1996 ACM SIMOD international conference on Management of data, Montreal, Canada 1996, pp Chameleon Karypis,./Han, E.-H./Kumar, V.: Chameleon: Hierarchical Clustering using Dynamic Modeling, in: IEEE Computer, Vol. 32(8), 1999, pp Nebenpfad: Dichtebasierte Clusterverfahren DBSCAN Ester, M./Kriegel, H.-P./Sander, J./ Xu, X.: A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise, in: Proceedings of the 2nd Int. Conf. on Knowledge Discovery and Data Mining, Menlo Park, California, 1996, pp
5 DENCLUE Hinneburg A./ Keim D.A.: An Efficient Approach to Clustering in Large Multimedia Databases with Noise, in: Proceedings of the 4th Int. Conf. on Knowledge Discovery and Data Mining, AAAI Press, 1998, auf URL: ( ). OPTICS Ankerst, M./Breunig, M.M./Kriegel, H.-P. Sander, J.: OPTICS: ordering points to identify the clustering structure, in: Proceedings of the 1999 ACM SIMOD international conference on Management of data, Philadelphia, Pennsylvania, United States, 1999, pp
6 4 Methoden zur Klassifikation von Daten 4.1 Seite 1 Han/Kamber: Data Mining, 2001 Naive Bayes-Klassifikatoren Bayes-Netzwerke Entscheidungsbäume eitere Klassifikationsmethoden Nebenpfad: Naive-Bayes-Klassifikation Mitchell, T.: Machine Learning. Macraw-Hill 1997, Kap. 6, pp Sahami, M./Dumais, S./Heckermann, D./Horvitz, E.: A Bayesian approach to filtering junk , in: AAAI-98 orkshop on Learning for Text Categorization, Katirai, H.: Filtering Junk -A Performance Comparison between enetic Programming & Naive Bayes, University of aterloo Nebenpfad: Bayes-Netzwerke eman, S./eman, D.: Stochastic relaxation, ibbs distributions and the Bayesian restoration of images, in: IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 6, 1984, pp Heckerman, D.: Bayesian networks for data mining Robers, U.: Modellbasierte Fehlerdiagnose komplexer Systeme mit Hilfe Bayes scher Netze, Jahresbericht 1998 des Zentrums für Beratungssysteme in der Technik, Dortmund e.v Nebenpfad: Entscheidungsbäume C4.5- Quinlan, J.R.: C4.5: Programs for Machine Learning, Morgan Kaufmann, San Mateo, California
7 CART- Breimann, L./Friedman, J.H./Olshen, R.A./Stone, C.J.: Classification and Regression Trees. adsworth International roup CHAID- Sonquist, J.A. and Morgan, J.N.: The Detection of Interaction Effects. Survey Research Center, Institute for Social Research, University of Michigan ID3- Quinlan, J.R.: Induction of Decision Trees, in: Machine Learning, Vol. 1, 1986, pp Prune- Verfahren Quinlan, J.R.: Simplifying Decision Trees, in: International Man-Machine Studies, 1987, pp SLIQ- Mehta, M./Agrawal, R./Rissanen, J.: SLIQ: A Fast Scalable Classifier for Data Mining, IBM Almaden Research Center, San Jose Nebenpfad: eitere Klassifikationsmethoden Logistische Regression Backhaus, K., B. Erichson,. Plinke u. R. eiber (2000): Multivariate Analysemethoden. Eine anwendungsorientierte Einführung, 9. Auflage, Berlin. Ripper- Cohen, illiam.: Fast Effective Rule Induction, from: Machine Learning: Proceedings of the Twelfth International Conference, Support Vector Machines (SVM) Joachims, T.: A Statistical Learning Model of Text Classification for Support Vector Machines. In: Proceedings of SIIR 01, New Orleans
8 5 Modelle und Methoden der Zeitreihenanalyse 5.1 Seite 1 Anderson, T..: The Statistical Analysis of Time Series. iley, New York Brown, R..: Smoothing, Forecasting and Prediction. Englewood Cliffs, N.J., Prentice Hall Harvey, A.C.: Zeitreihenmodelle. 2.Aufl., Oldenbourg, München ien Leiner, B.: Einführung in die Zeitreihenanalyse. 2. Aufl., München, Oldenburg Mertens, P. (Hrsg.): Prognoserechnung. 4. Aufl., Physica, ürzburg Schlittgen, R./Streitberg, H.J.: Zeitreihenanalyse. 3. Aufl., München Oldenburg Schmitz, B.: Einführung in die Zeitreihenanalyse. 1. Aufl., Huber, Bern Stuttgart Toronto Box,.E.P./Jenkins,.M.: Time Series Analysis, Forecasting and Control. Holden Day, San Francisco Fahrmeir,L.: Rekursive Algorithmen für Zeitreihenmodelle. Vandenhoek & Ruprecht, öttingen Holt, C.C.: Forecasting seasonals and trends by exponentially weighted moving averages. Carnegie Institute of Technology, Pittsburgh, Pennsylvania Stier,.: Verfahren zur Analyse saisonaler Schwankungen in ökonomischen Zeitreihen. Springer, Berlin
9 Stochastische Prozesse Beyer, O./irlich, H.-J./Zschiesche, H.-U.: Stochastische Prozesse und Modelle, Beyer,O.E.P./Jenkins,.M.: Stochastische Prozesse und Modelle, 3. Aufl, Teubner, Leipzig Fahrmeir,L./Raßer,.: Stochastische Prozesse, Skript zur Vorlesung an der Ludwig-Maximilians-Universität, 2004 Kalman, R.E. : A new approach to linear filtering and prediction problems, in: Transactions of the ASME - Journal of Basic Engineering, Vol. 82, 1960, pp Langrock, P./Jahn,.: Einführung in die Theorie der Markowschen Ketten und ihre Anwendungen, Teubner, Leipzig Rohling, H.: Stochastische Prozesse, Veröffentlichte Folien zur Vorlesung Stochastische Prozesse an der TU Hamburg-Harburg, SS 2004 Storm, R.: ahrscheinlichkeitsrechnung Mathematische Statistik Statistische Qualitätskontrolle. 10. Aufl., Fachbuchverlag, Leipzig Köln 1995, S
10 6 Methoden der Abhängigkeitsanalyse 6.1 Seite 1 Pokropp: Lineare Regression und Varianzanalyse, 1999 Assoziationsregeln Nebenpfad: Assoziationsregeln AIS Agrawal, R./Imielinski, T./Swami, A.: Mining Association Rules between Sets of Items in Large Databases, in: Proceedings of the ACM SIMOD International Conference on Management of Data (ACM SIMOD 93). ashington, 1993, pp Apriori Hipp, J.: issensentdeckung in Datenbanken mit Assoziationsregeln. Tübingen, Fakultät für Informations- und Kognitionswissenschaften, Dissertation, Eclat Zaki, M. J./Parthasarathy, S./Ogihara, M./Li,.: New Algorithms for Fast Discovery of Association Rules. Forschungsbericht Nr. 651, Computer Science Department, University of Rochester, Rochester Hipp, J.: issensentdeckung in Datenbanken mit Assoziationsregeln. Tübingen, Fakultät für Informations- und Kognitionswissenschaften, Dissertation, FP-rowth Han, J./Pei, J./Yin, Y.: Mining Frequent Patterns without Candidate eneration, in: Proceedings of the 2000 ACM-SIMOD International Conference on Management of Data. Dallas, Texas, Mai 2000, pp Hipp, J.: issensentdeckung in Datenbanken mit Assoziationsregeln. Tübingen, Fakultät für Informations- und Kognitionswissenschaften, Dissertation, PreSample Toivonen, H.: Discovery of Frequent Patterns in Large Data Collections. University of Helsinki, Department of Computer Science, PhD Thesis,
11 DBLearn Han, J./Cai, Y./Cercone, N.: Knowledge Discovery in Databases: An Attribute-Oriented Approach, in: Yuan, L. (ed.): Proceedings of the 18th International Conference on Very Large Databases, Morgan Kaufmann, San Francisco 1992, pp
Folien zur Vorlesung. Zeitreihenanalyse (Time Series Analysis)
Folien zur Vorlesung Zeitreihenanalyse (Time Series Analysis) Wintersemester 2014/2015 Mittwoch 14.00 15.30 Uhr Hörsaal: J 498 Prof. Dr. Bernd Wilfling Westfälische Wilhelms-Universität Münster Inhalt
MehrMarktforschung und Datenanalyse
Marktforschung und Datenanalyse Lehrstuhl für BWL, insb. Marketing von Prof. Dr. Reinhold Decker Dozentin: Anja Hörmeyer (M.Sc.) Universität Bielefeld, Lehrstuhl für BWL, insb. Marketing 1 Anja Hörmeyer
MehrProf. Dr. Reinhold Kosfeld Zeitreihenanalyse
Prof. Dr. Reinhold Kosfeld Zeitreihenanalyse 1. Einführung 2. Zeitreihenzerlegung und Komponentenmodell (Trend, Saisonbereinigung, Exponentielle Glättung, Korrelogramm, Test auf Autokorrelation) 3. Stochastische
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
MehrKapitel 12: Schnelles Bestimmen der Frequent Itemsets
Einleitung In welchen Situationen ist Apriori teuer, und warum? Kapitel 12: Schnelles Bestimmen der Frequent Itemsets Data Warehousing und Mining 1 Data Warehousing und Mining 2 Schnelles Identifizieren
MehrBeschreibungsmodelle
Beschreibungsmodelle Inhaltsverzeichnis 1 Übersicht 2 1.1 eite 1................................. 2 2 Architekturmodelle 3 2.1 eite 1................................. 3 3 Datenmodelle 4 3.1 eite 1.................................
MehrSupport Vector Machines und Kernel-Methoden
Support Vector Machines und Kernel-Methoden Seminar Bernd Bischl und Heike Trautmann Lehrstuhl Computergestützte Statistik Fakultät Statistik TU Dortmund 7. Juli 2010 Trautmann, Bischl (Fakultät Statistik)
MehrMuster für eine Masterarbeit
Masterarbeit in Muster für eine Masterarbeit N.N. Aufgabensteller: Betreuer: Abgabetermin: N.N. N.N. Datum Erklärung Hiermit versichere ich, dass ich diese Masterarbeit selbständig verfasst und keine anderen
MehrEinführung. Skript zur Vorlesung: Einführung in die Informatik: Systeme und Anwendungen Sommersemester 2008
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Skript zur Vorlesung: Einführung in die Informatik: Systeme und Anwendungen Sommersemester 2008 Einführung Vorlesung:
MehrMaster-Studiengang & Bewerbung/Zulassung. Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich
Master-Studiengang & Bewerbung/Zulassung Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich Master's in Data Science 120 Core Courses 62 Data Analysis 16 Information and Learning
MehrBio-Inspired Credit Risk Analysis
Bio-Inspired Credit Risk Analysis Computational Intelligence with Support Vector Machines Bearbeitet von Lean Yu, Shouyang Wang, Kin Keung Lai, Ligang Zhou 1. Auflage 2008. Buch. XVI, 244 S. Hardcover
MehrApriori Algortihmus. Endpräsentation. Stefan George, Felix Leupold
Apriori Algortihmus Endpräsentation Stefan George, Felix Leupold Gliederung 2 Wiederholung Apriori Erweiterung: Parallelisierung Parallele Programmierung in Python Parallelisierungszenarien Implementierung
MehrAlgorithms for Pattern Mining AprioriTID. Stefan George, Felix Leupold
Algorithms for Pattern Mining AprioriTID Stefan George, Felix Leupold Gliederung 2 Einleitung Support / Confidence Apriori ApriorTID Implementierung Performance Erweiterung Zusammenfassung Einleitung 3
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
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
MehrAutomatisches Layout von Graphen
Fakultät Informatik» Institut für Angewandte Informatik» Professur für Technische Informationssysteme Automatisches Layout von Graphen Mabel Joselin Brun Chaperon Dresden, 10.06.2011 Inhalt Vortragsübersicht:
MehrSeminar: Maschinelles Lernen und Deep Learning
Seminar: Maschinelles Lernen und Deep Learning Sommersemester 2018 Prof. Dr. Xiaoyi Jiang, Sören Klemm, Aaron Scherzinger Institut für Informatik, Arbeitsgruppe Pattern Recognition and Image Analysis (PRIA)
MehrKnowledge Discovery in Datenbanken I (IN5042)
Knowledge Discovery in Datenbanken I (IN5042) Titel Knowledge Discovery in Databases I Typ Vorlesung mit Übung Credits 6 ECTS Lehrform/SWS 3V + 2Ü Sprache Deutsch Modulniveau Master Arbeitsaufwand Präsenzstunden
MehrAlgorithmen zur Entdeckung von Assoziationsregeln unter Vermeidung von redundanten und missverständlichen Regeln
Algorithmen zur Entdeckung von Assoziationsregeln unter Vermeidung von redundanten und missverständlichen Regeln PG 402 Wissensmanagment Lehrstuhl für Künstliche Intelligenz Prof. Katarina Morik und Stefan
MehrModulbeschreibung. The course is principally designed to impart: technical skills 50%, method skills 40%, system skills 10%, social skills 0%.
Titel des Moduls: Parallel Systems Dt.: Parallele Systeme Verantwortlich für das Modul: Heiß, Hans-Ulrich E-Mail: lehre@kbs.tu-berlin.de URL: http://www.kbs.tu-berlin.de/ Modulnr.: 866 (Version 2) - Status:
MehrKnowledge Discovery in Databases
Knowledge Discovery in Databases Springer-V erlag Berlin Heidelberg GmbH Martin Ester Jorg Sander Knowledge Discovery in Databases Techniken und Anwendungen Mit 150 Abbildungen i Springer Dr. Martin Ester
MehrAdvanced Business Intelligence. Advanced Networking. Artificial Intelligence. Campus Offenburg Badstraße 24, 77652
Advanced Business Intelligence Prerequisite english description Hours 4.0 Praktikum Data Mining Nr. E+I2118 Data Mining Nr. E+I2117 Advanced Networking Hours 4.0 Advanced Networking Nr. E+I2103 Praktikum
MehrOliver Hinz. Vorlesung Decision Support Systems (Master) Wintersemester 2016/2017
Oliver Hinz Vorlesung Decision Support Systems (Master) Wintersemester 2016/2017 Prof. Dr. Oliver Hinz, Professur für Wirtschaftsinformatik, Fachgebiet Electronic Markets, TU Darmstadt, Hochschulstraße
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
MehrSarmadi@kntu.ac.ir P- hdoroodian@gmail.com. shafaei@kntu.ac.ir BPOKM. 1 Business Process Oriented Knowledge Management
Sarmadi@kntu.ac.ir P- hdoroodian@gmail.com shafaei@kntu.ac.ir -. - 1 Business Process Oriented Knowledge Management 1 -..» «.. 80 2 5 EPC PC C EPC PC C C PC EPC 3 6 ; ; ; ; ; ; 7 6 8 4 Data... 9 10 5 -
MehrLarge Scale Data Management
Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype
MehrPredictive. Statistik. Informatik. Daten. Domäne
I Predictive Statistik Informatik Daten Domäne Risiken Chancen Ordinary Least Squares k-means Logistic Regression Expectation Maximisation (EM) Clustering Methods Regression Stepwise Regression Hier.
MehrMethoden zur Temporal- und Spatial-Analyse in Visual Analytics
Methoden zur Temporal- und Spatial-Analyse in Visual Analytics Eduard Weigandt Hochschule für Angewandte Wissenschaften Hamburg 24. April 2014 24. April 2014 1 / 15 Gliederung 1 Rückblick 2 Zeitreihenanalyse
MehrProseminar Visualization of Text and Physics
Proseminar Visualization of Text and Physics Themenvorstellung Sommersemester 2015 Dr. Hubert Mara, Dr. Filip Sadlo Allgemeine Infos Infos zum Seminar Homepage (http://www.mathcomp.uni heidelberg.de/index.php?id=314)
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen
MehrStatistik 2 SS 2014 Universität Hamburg
Statistik 2 SS 2014 Universität Hamburg Dozent: J. Heberle Lehrstuhl für Betriebswirtschaftslehre, insbesondere Mathematik und Statistik in den Wirtschaftswissenschaften Lehrstuhlinhaber: Prof. Dr. Michael
MehrMarktforschung und Datenanalyse
Marktforschung und Datenanalyse Lehrstuhl für BWL, insb. Marketing von Prof. Dr. Reinhold Decker Dozentin: Anja Hörmeyer (M.Sc.) Universität Bielefeld, Lehrstuhl für BWL, insb. Marketing 1 Anja Hörmeyer
MehrEignungsverfahren zum Master of Science Human-Computer Interaction
Eignungsverfahren zum Master of Science Human-Computer Interaction Literaturhinweise Prüfungsausschuss HCI Human-Computer Interaction & Psychologische Ergonomie Julius-Maximilians-Universität Würzburg
MehrDatenanalyse mit Data Mining
Datenanalyse mit Data Mining von Jan-Christoph Meier Hamburg, 19.01.2012 1 Ablauf Motivation Speicherung der Daten für das Data Mining Data Mining Algorithmen Ausblick auf die Masterarbeit Konferenzen
MehrVisual Analytics. Diana Topko. Grundseminar, 18. Dezember 2018
Visual Analytics Diana Topko Grundseminar, 18. Dezember 2018 Agenda Visuelle Wahrnehmung Motivation für Visual Analytics Interactive Visual Analytics Ausblick Konferenzen Visuelle Wahrnehmung Text VS Bild
MehrVorlesung Automotive Software Engineering Prüfung Sommersemester 2015
Vorlesung Automotive Software Engineering Prüfung Sommersemester 2015 Prof. Dr. rer. nat. Bernhard Hohlfeld Bernhard.Hohlfeld@mailbox.tu-dresden.de Technische Universität Dresden, Fakultät Informatik Honorarprofessur
MehrData Mining auf Datenströmen Andreas M. Weiner
Technische Universität Kaiserslautern Fachbereich Informatik Lehrgebiet Datenverwaltungssysteme Integriertes Seminar Datenbanken und Informationssysteme Sommersemester 2005 Thema: Data Streams Andreas
MehrVergleich zwischen kmeans und DBScan
Vergleich zwischen kmeans und DBScan Patrick Breithaupt und Christian Kromm Vorlesung/Seminar: Information Retrieval patrick.breithaupt@stud.uni-heidelberg.de kromm@stud.uni-heidelberg.de 11. Januar 2016
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
MehrFachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß
Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche
MehrRecent Developments in Data Science
Ludwig-Maximilians-Universität München Institut für Informatik Lehr- und Forschungseinheit für Datenbanksysteme Hauptseminar Recent Developments in Data Science 06.02.2017 Ansprechpartner: Prof. Dr. Thomas
MehrSelected Topics in Machine Learning and Reverse Engineering
Selected Topics in Machine Learning and Reverse Engineering Dozenten: Prof. Dr. Fabian Theis Email: theis@ma.tum.de Prof. Dr. Oliver Junge Raum: 02.08.040? Tel.: +49 (89) 289 17987, Email: junge@ma.tum.de
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
Mehrk-means als Verfahren zur Clusteranalyse basierend auf Repräsentanten bestimmt ein flaches Clustering
Rückblick k-means als Verfahren zur Clusteranalyse basierend auf Repräsentanten bestimmt ein flaches Clustering Hierarchisches Clustering bestimmt eine Folge von Clusterings, die als Dendrogramm darstellbar
MehrLiteraturempfehlungen zur Vorlesung Kommunikationsnetze (EI)
Literaturempfehlungen zur Vorlesung Kommunikationsnetze (EI) Fachgebiet Kommunikationsnetze Technische Universität Ilmenau VERSION VOM 6. OKTOBER 2005 1 Einführung Krüger (2000); Krüger u. Reschke (2004);
MehrProjektkurs zur Empirischen Wirtschaftsforschung und Ökonometrie
Projektkurs zur Empirischen Wirtschaftsforschung und Ökonometrie Prof. Dr. Johannes Jaenicke Juniorprofessur für Ökonometrie WS 2010/2011 Mo 14-18 Uhr (A-Woche), Raum LG2/305 Sprechstunde: Di 16-17:30
MehrVorlesung. Data und Web Mining. Kurzinformation zur. Univ.-Prof. Dr. Ralph Bergmann. Lehrstuhl für Wirtschaftsinformatik II
Kurzinformation zur Vorlesung Data und Web Mining Univ.-Prof. Dr. Ralph Bergmann www.wi2.uni-trier.de - I - 1 - Die Ausgangssituation (1) Unternehmen und Organisationen haben enorme Datenmengen angesammelt
MehrExtraktion und Visualisierung von multidimensionalen Textinformationen zur Integration von Big Data in unternehmensspezifischen Wissenslandkarten
Extraktion und Visualisierung von multidimensionalen Textinformationen zur Integration von Big Data in unternehmensspezifischen Wissenslandkarten FOM Hochschulzentrum Dortmund, Fachbereich Wirtschaftsinformatik
MehrVertiefte Themen in Mobilen und Verteilten Systemen
Seminar Vertiefte Themen in Mobilen und Verteilten Systemen Veranstalter: Prof. Dr. Linnhoff-Popien Durchführung: Marie Kiermeier, Sebastian Feld Seminar Trends in Mobilen und Verteilten Systemen Folie
MehrDatenbanken und Informationssysteme. Datenbanken und Informationssysteme
Datenbanken und Informationssysteme Wolfgang Menzel: Natürlichsprachliche Systeme (NATS) Norbert Ritter: Datenbanken und Informationssysteme (IS) NATS Ziele der Vorlesung (1) Vermittlung von Grundlagen-
MehrDatenbanken und Informationssysteme
Datenbanken und Informationssysteme Wolfgang Menzel: Natürlichsprachliche Systeme (NATS) Norbert Ritter: Datenbanken und Informationssysteme (IS) NATS Ziele der Vorlesung (1) Vermittlung von Grundlagen-
MehrBusiness Applications of Data Mining
Business Applications of Data Mining Seminar Business Intelligence Universität Konstanz Christian Rohrdantz Outline Einleitung Was ist Data Mining Rolle des DM in Business Intelligence Herausforderungen
MehrBusiness Analytics. Effektive Nutzung fortschrittlicher Algorithmen in der Unternehmenssteuerung. Bearbeitet von Von Prof. Dr.
Business Analytics Effektive Nutzung fortschrittlicher Algorithmen in der Unternehmenssteuerung Bearbeitet von Von Prof. Dr. Mischa Seiter 1. Auflage 2017. Buch. VIII, 233 S. Gebunden ISBN 978 3 8006 5370
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
MehrLehrveranstaltungen im Wintersemester 2012/2013
Lehrveranstaltungen im Wintersemester 2012/2013 Information Systems and Machine Learning Lab (ISMLL) Prof. Dr. Dr. Lars Schmidt-Thieme Hildesheim, Juli 2012 1 / 1 Übersicht Praktika Hildesheim, Juli 2012
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
MehrErkennung von Kontext aus Sensordaten in einer intelligenten Wohnung
Erkennung von Kontext aus Sensordaten in einer intelligenten Wohnung Jens Ellenberg 12.01.2011 Jens Ellenberg 1 Inhalt Motivation Ziel der Arbeit Vorarbeiten Architektur Vorgehen Zusammenfassung Literatur
Mehr:21 Uhr Modulbeschreibung #1290/1 Seite 1 von 5
04.12.2015 16:21 Uhr Modulbeschreibung #1290/1 Seite 1 von 5 Modulbeschreibung Maschinelles Lernen 1 Modultitel: Maschinelles Lernen 1 Machine Learning 1 URL: Leistungspunkte: 9 Sekretariat: Modulsprache:
Mehrjasimasolutions Simulation based process optimization for the agri food sector jasimabeverageplanner jasima Solutions Spin Off from
jasima Solutions Spin Off from BIBA - Bremer Institut für Produktion und Logistik GmbH Simulation based process optimization for the agri food sector jasimabeverageplanner Torsten Hildebrandt Torsten.Hildebrandt@.de
MehrTrust your Eyes - Grundlagen der Visualisierung und wie man mit Visualisierungen faken kann Vortrag 23C3: Trust your Eyes - S.
Trust your Eyes - Grundlagen der Visualisierung und wie man mit Visualisierungen faken kann Überblick Was ist Visualisierung? - Beispiele Theorie der Visualisierung Definition Referenzmodelle (Pipelines)
MehrLiteratur zu den Vorlesungen Allgemeine Psychologie I
Literatur zu den Vorlesungen Allgemeine Psychologie I gültig ab WiSe 2015/2016 Primäres Lehrbuch B.G.1 Lernen, Gedächtnis und Wissen (Hilbig) Lieberman, D.A. (2012). Human learning and memory. Cambridge:
MehrZeitaspekte. Fabian Bauschulte
Zeitaspekte Fabian Bauschulte 1 Zeitaspekte Überblick Zeitreihen (engl. time series) Zeitphänomene [Morik/2000a] Lernaufgaben und Repräsentation der Eingabedaten Clustering [Das et al.] Beziehungen zwischen
MehrPG-402 Wissensmanagement: Zeitreihen in Datenbanken
PG-402 Wissensmanagement: Zeitreihen in Datenbanken 07.05.2002 Klaus Unterstein 07.05.02 PG402 Wissensmanagement Zeitreihen in Datenbanken 1 Übersicht Zeitreihen Schritte bei der Zeitreihenanalyse Anwendungsfallbeispiel:
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
MehrOliver Hinz. Vorlesung Decision Support Systems (Master) Wintersemester 2012/2013
Oliver Hinz Vorlesung Decision Support Systems (Master) Wintersemester 2012/2013 Prof. Dr. Oliver Hinz, Professur für Wirtschaftsinformatik, Fachgebiet Electronic Markets, TU Darmstadt, Hochschulstraße
MehrTitel von Modul/Lehrveranstaltung (lt. Prüfungsordnung der Uni Potsdam für BL BIO SE H 20132) Foundations of Stochastics
Einschätzung für Novelle MuSchG Abschluss: Master of Science(MS) Studienfach: Data Science (DSC) version: Wintersemester 2018/1 rot Belegung für Schwangere verboten gelb Belegung für Schwangere nach Rücksprache
MehrEinführung. Skript zur Vorlesung: Einführung in die Informatik: Systeme und Anwendungen Sommersemester 2009
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Skript zur Vorlesung: Einführung in die Informatik: Systeme und Anwendungen Sommersemester 2009 Einführung Vorlesung:
MehrComputergestützte Gruppenarbeit
Computergestützte Gruppenarbeit 1. Einführung Dr. Jürgen Vogel European Media Laboratory (EML) Heidelberg SS 2005 0 CSCW SS 2005 Jürgen Vogel Inhalt Computergestützte Gruppenarbeit Lernziele Organisatorisches
MehrÖkonometrie-Praktikum mit SPSS (BA-Berufsfeld) Raum: LG 2/308
Ökonometrie-Praktikum mit SPSS (BA-Berufsfeld) Raum: LG 2/308 Prof. Dr. Juniorprofessur für Ökonometrie E-Mail: Sprechzeit: johannes.jaenicke@uni-erfurt.de Dienstag 18:00 19:00 Uhr SPSS 40 jährige Erfahrung
MehrOliver Hinz. Vorlesung Decision Support Systems (Master) Wintersemester 2014/2015
Oliver Hinz Vorlesung Decision Support Systems (Master) Wintersemester 2014/2015 Prof. Dr. Oliver Hinz, Professur für Wirtschaftsinformatik, Fachgebiet Electronic Markets, TU Darmstadt, Hochschulstraße
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
MehrPrüfungsplan Master of Science in Wirtschaftsinformatik
Prüfungsplan Master of Science in Wirtschaftsinformatik Modul Art Creditpunkte Schwerpunkt Very Large Business Applications Module aus dem Bereich Wirtschaftsinformatik SWS Empfohlenes Semester Prüfungsart
MehrPredictive Analytics VON PAUL BAUMGARTEN
Predictive Analytics VON PAUL BAUMGARTEN 1 Der Fall Target Werbemail an minderjährige mit Babyartikeln regt Vater auf. Vater beschwert sich beim Manager der entschuldigt sich. Manager ruft nach ein paar
MehrSonderformen des Marketings Internationales Marketing (WS 2013/2014)
1 Sonderformen des Marketings (WS 2013/2014) Wissenschaftlicher Mitarbeiter Lehrstuhl für Betriebswirtschaftslehre, insb. Marketing E-Mail: pkottemann@wiwi.uni-bielefeld.de Tel.: 0521 106 4883 Büro: UHG
MehrAktuelle Themen der Angewandten Informatik: Datenkompression
Seminar-Unterlagen Sommer Semester 2014 - Proseminar-Unterlagen 1 / 7 Johann Wolfgang Goethe Universität Frankfurt am Main-InformatikDK SS2007 Dr.-Ing The Anh Vuong, Frankfurt - Bielefeld 2007. Änderungen
MehrStream Mining: Clustering von Streamdaten
Mining: von daten Betreuer: Prof. Dr. Klemens Böhm Imperfektion und erweiterte Konzepte im Data Warehousing Seminar im Sommersemester 2005 06.06.2005 Mining: von daten- 1 Mining Gold Mining Alaska, USA;
MehrPredictive Analytics für Dummies. Click here if your download doesn"t start automatically
Predictive Analytics für Dummies Click here if your download doesn"t start automatically Predictive Analytics für Dummies Anasse Bari, Mohamed Chaouchi, Tommy Jung Predictive Analytics für Dummies Anasse
MehrGEO-INFORMATIONSSYSTEME
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE GEO-INFORMATIONSSYSTEME Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2015/16 Ludwig-Maximilians-Universität
MehrModulbeschreibung. Distributed Algorithms. Titel des Moduls: Stand: LP (nach ECTS): 6
Titel des Moduls: Distributed Algorithms Dt.: Verteilte Algorithmen Verantwortlich für das Modul: Heiß, Hans-Ulrich E-Mail: lehre@kbs.tu-berlin.de URL: http://www.kbs.tu-berlin.de/ Modulnr.: 1102 (Version
MehrGEO-INFORMATIONSSYSTEME
GEO-INFORMATIONSSYSTEME Dozent: Prof. Dr. Christian Böhm Übungsleiter: Annahita Oswald Bianca Wackersreuther Ablauf des ersten Vorlesungstages: 1. Organisation 2. Gliederung der Vorlesung 3. Einführung
MehrInstitut für Systemarchitektur (BAS4, VER4)
Institut für Systemarchitektur (BAS4, VER4) Institut für Systemarchitektur Professur für Betriebssysteme (Härtig) Professur für Datenbanken (Lehner) Professur für Datenschutz und Datensicherheit (Strufe)
MehrHauptseminar KDD SS 2002
Hauptseminar KDD SS 2002 Prof. Dr. Hans-Peter Kriegel Eshref Januzaj Karin Kailing Peer Kröger Matthias Schubert Session: Clustering HS KDD, Ludwig-Maximilians-Universität München, SS 2002 1 Inhalt Einleitung
MehrThemen für Beiträge Seminar Selbstorganisation und Emergenz im Sommersemester 2009 Arbeitsgruppe Datenbionik Prof. Dr.
Themen für Beiträge Seminar Selbstorganisation und Emergenz im Sommersemester 2009 Arbeitsgruppe Datenbionik Prof. Dr. Alfred Ultsch Don t panic! Die Vorträge dürfen auf Deutsch oder Englisch gehalten
MehrSoftware Engineering. Validierung und Verifikation. Martin Glinz Harald Gall. Kapitel 7. Universität Zürich Institut für Informatik
Martin Glinz Harald Gall Software Engineering Kapitel 7 Validierung und Verifikation Universität Zürich Institut für Informatik 2005, 2006 Martin Glinz. Alle Rechte vorbehalten. Speicherung und Wiedergabe
MehrLernziele (1) Lernziele (2) Einführung in Datenbanksysteme. 0. Überblick 2
Vorlesung "" Vorlesungsfolien: Vortragender: Prof. Dr. Florian Matthes Technische Universität Hamburg-Harburg Arbeitsbereich Softwaresysteme (STS) Wintersemester 1998/99 Donnerstags, 12-14 Uhr Raum Phil
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Association Rule Mining Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Association Rule Mining (ARM) A-Priori Algorithmus Varianten Ulf Leser:
MehrFortgeschrittene Computerintensive Methoden: Assoziationsregeln Steffen Unkel Manuel Eugster, Bettina Grün, Friedrich Leisch, Matthias Schmid
Fortgeschrittene Computerintensive Methoden: Assoziationsregeln Steffen Unkel Manuel Eugster, Bettina Grün, Friedrich Leisch, Matthias Schmid Institut für Statistik LMU München Sommersemester 2013 Zielsetzung
Mehrinformatik: OpenAccess zu Nullen und Einsen Marc Herbstritt Schloss Dagstuhl Leibniz-Zentrum für Informatik
informatik: OpenAccess zu Nullen und Einsen Marc Herbstritt Schloss Dagstuhl Leibniz-Zentrum für Informatik ??? Möglichkeiten Zukunft Jordan Nielsen, www.digitalexplorer.ca. by-nc-nd/2.0 Wünsche Möglichkeiten
MehrProduktionsControlling
Lehrstuhl für Produktionswirtschaft Prof. Dr. Marion Steven ProduktionsControlling Wintersemester 2017/2018 Zeitplan Datum Übersicht Zeit / Ort 18.07.17 Themenbekanntgabe in der Vorlesung 08-10 Uhr im
MehrVorstellung von Grundlagenmodul, Finance C und Finance D
Vorstellung von Grundlagenmodul, Finance C und Finance D Chair of Banking & Finance presented by Artem Dyachenko University of Trier October 22, 2018 Outline Team Überblick vom Angebot Grundlagenmodul
MehrDetecting Near Duplicates for Web Crawling
Detecting Near Duplicates for Web Crawling Gurmeet Singh Manku et al., WWW 2007* * 16th international conference on World Wide Web Detecting Near Duplicates for Web Crawling Finde near duplicates in großen
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Einführung in Data Mining Ulf Leser Wissensmanagement in der Bioinformatik Wo sind wir? Einleitung & Motivation Architektur Modellierung von Daten im DWH Umsetzung des
MehrVorlesung Automotive Software Engineering Prüfung Wintersemester 2014/15 TU Darmstadt, FB 18 und FB 20
Vorlesung Automotive Software Engineering Prüfung Wintersemester 2014/15 TU Darmstadt, FB 18 und FB 20 Prof. Dr. rer. nat. Bernhard Hohlfeld Bernhard.Hohlfeld@mailbox.tu-dresden.de Technische Universität
MehrAnalytics Research Day Zürich
Einladung zum IBM SPSS Analytics Research Day Zürich Professionelle Datenauswertungen als Grundlage fundierter Entscheidungen Erfahren Sie das ganze Potential der IBM SPSS Statistics Lösungen live mit
Mehr4.3 Hierarchisches Clustering
4.3 Hierarchisches Clustering k-means teilt Daten in disjunkte flache Cluster auf, die in keiner Beziehung zueinander stehen Hierarchische Clusteranalyse erzeugt eine Folge C 1,...,C n von Clusterings,
MehrRisk Management Practices of SMEs
Management und Wirtschaft Studien 68 Risk Management Practices of SMEs Evaluating and Implementing effective Risk Management Systems: Bearbeitet von Dr. Thomas Henschel 1. Auflage 2008. Taschenbuch. XX,
Mehr