Data Mining - Oracle vs. Open Source
|
|
- Stephan Beck
- vor 7 Jahren
- Abrufe
Transkript
1 Data Mining - Oracle vs. Open Source ein Erfahrungsbericht Prof. Dr. Reinhold von Schwerin D. Adam, K. Böll, S. Funk, F. Knittel, F. Langenbruch S. Nagel, H. Weissbach Hochschule Ulm, Fakultät für Informatik 17. November 2009
2 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 2/63 1 Einleitung 2 Data Mining Cup Vorgehensweise 4 Oracle 11g Data Miner (ODM) 5 Konstanz Information Miner (KNIME) 6 Evaluation Evaluationskriterien Evaluationsergebnis 7 Fazit und Ausblick 8 Fragen
3 Einleitung Data Mining Cup 2009 (DMC09) Vorgehensweise Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 3/63 Übersicht 1 Einleitung 2 Data Mining Cup Vorgehensweise
4 Einleitung Data Mining Cup 2009 (DMC09) Vorgehensweise Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 4/63 Vorstellung Vorstellung Masterstudiengang Informationssysteme an der Hochschule Ulm Projektveranstaltung im zweiten und dritten Semester Projekt zum Thema Data Mining
5 Einleitung Data Mining Cup 2009 (DMC09) Vorgehensweise Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 5/63 Präsentation Was erwartet Sie? Erfahrungsbericht Oracle Data Mining vs. Open Source Data Mining (KNIME - Konstanz Information Miner) Evaluation anhand von Kriterien auf Basis von CRISP-DM (CRoss Industry Standard Process for Data Mining) Aufgabenstellung: Aufgabe des Data Mining Cups 2009
6 Einleitung Data Mining Cup 2009 (DMC09) Vorgehensweise Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 6/63 Inhaltsverzeichnis 1 Einleitung 2 Data Mining Cup Vorgehensweise
7 Einleitung Data Mining Cup 2009 (DMC09) Vorgehensweise Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 7/63 Data Mining Cup 2009 Was ist der Data Mining Cup? Wettbewerb für nationale und internationale Bildungseinrichtungen Angebot der prudsys AG (Hersteller von Analysesoftware) Fragestellungen bezüglich betriebswirtschaftlicher Optimierungsmöglichkeiten Bereitstellung praxisnaher Daten durch Kooperationspartner
8 Einleitung Data Mining Cup 2009 (DMC09) Vorgehensweise Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 8/63 Aufgabenstellung Aufgabenstellung Data Mining Cup 2009 Aufgabe aus dem Bereich des Buchgroßhandels Daten der Libri GmbH Trainings- und Vorhersagedaten Ziel Möglichst genaue Voraussage zu den Abverkaufszahlen von acht Buchtiteln in 2418 verschiedenen Verkaufsstellen
9 Einleitung Data Mining Cup 2009 (DMC09) Vorgehensweise Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 9/63 Inhaltsverzeichnis 1 Einleitung 2 Data Mining Cup Vorgehensweise
10 Einleitung Data Mining Cup 2009 (DMC09) Vorgehensweise Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 10/63 Überlegungen Vorgehensweise Ausschließlich numerische Daten geeignet sind Regression Neuronale Netze Strukturierte Herangehensweise mit CRISP-DM
11 Einleitung Data Mining Cup 2009 (DMC09) Vorgehensweise Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 11/63 CRoss Industry Standard Process for Data Mining Was ist CRISP-DM? CRoss Industry Standard Process for Data Mining Vorgehens-Modell Data Mining Prozess in mehreren Teilschritten
12 Einleitung Data Mining Cup 2009 (DMC09) Vorgehensweise Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 12/63 CRoss Industry Standard Process for Data Mining Was ist CRISP-DM? Business Understanding (BU) Analyse der Problemstellung Data Understanding (DU) Relevante Daten identifizieren und Qualitätsprobleme entdecken Data Preparation (DP) Endgültige Datenmenge für Modellierung auswählen Modeling (MO) Anwendung geeigneter Verfahren auf die Daten Ergebnis: Modell (Algorithmus) Evaluation (EV) Gewonnenes Modell wird auf Tauglichkeit überprüft Deployment (DE) Anwenden des Modells auf reale Daten Zusammenfassen gewonnener Erkenntnisse in Bericht/Präsentation
13 Einleitung Data Mining Cup 2009 (DMC09) Vorgehensweise Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 13/63 Herausforderungen BU - Herausforderungen der DMC09 Aufgabe Trainingsdaten enthalten die tatsächlichen Abverkaufszahlen für die acht Buchtitel (aus einem vorangegangenen Geschäftsjahr) Besonderheiten Keine Klassifikationsaufgabe wie in Data Mining Cups zuvor 1857 Warengruppen + 8 Buchtitel ˆ= 1865 Tabellenspalten Kann zu Problemen beim Datenimport führen Häufung des Wertes 0 ˆ= keinem verkauften Artikel Kann zu Fehlern bei der Ausführung der Regressionsalgorithmen führen Extreme Ausreißer in den Daten
14 Einleitung Data Mining Cup 2009 (DMC09) Vorgehensweise Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 14/63 Herausforderungen Struktur bei der Verwendung der Tools Oracle Data Miner (ODM) und Konstanz Information Miner (KNIME) Struktur basierend auf CRISP-DM Teilschritte: BU, DU, DP, MO, EV und DE Erarbeitung der Ergebnisse im Projektteam
15 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 15/63 Übersicht 4 Oracle 11g Data Miner (ODM) 5 Konstanz Information Miner (KNIME) 6 Evaluation Evaluationskriterien Evaluationsergebnis 7 Fazit und Ausblick 8 Fragen
16 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 16/63 Beschreibung Oracle 11g Data Miner Allgemeines Data Miner seit Oracle 10gR1 verfügbar Data Mining ist prinzipiell seit der Version 9iR2 möglich Data Mining mit In-Database Ansatz Versionen Für die Evaluation und den Erfahrungsbericht eingesetzte Versionen Oracle Datenbank 11gR1 ( ) Oracle 11g Data Miner ( )
17 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 17/63 Erfahrungsbericht Benutzeroberfläche
18 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 18/63 Erfahrungsbericht Daten Import Oracle Data Miner SQL Loader der Datenbank wird verwendet Delimiter wählbar Datenvorschau Als Clientanwendung wegen Aufruf von SQL Loader unpraktikabel SQL Developer Unterstützt nur CSV-Dateien Delimiter nicht einstellbar Komma wird vorausgesetzt Als Clientanwendung praktikabler
19 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 19/63 Erfahrungsbericht Daten Import - Tabellenlimit Problem Tabellenlimit von max Spalten
20 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 20/63 Erfahrungsbericht Multi Record Data Format 1 hier: über vier Millionen Datensätze! 1 siehe
21 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 21/63 Erfahrungsbericht DU - Data Summary Histogram
22 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 22/63 Erfahrungsbericht DP - Fehlende Werte
23 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 23/63 Erfahrungsbericht DP - Ausreißerbehandlung
24 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 24/63 Erfahrungsbericht MO - Transaktionsbasiertes Datenmodell [1/2]
25 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 25/63 Erfahrungsbericht MO - Transaktionsbasiertes Datenmodell [2/2]
26 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 26/63 Erfahrungsbericht MO - Modellierung [1/5]
27 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 27/63 Erfahrungsbericht MO - Modellierung [2/5]
28 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 28/63 Erfahrungsbericht MO - Modellierung [3/5]
29 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 29/63 Erfahrungsbericht MO - Modellierung [4/5] Data Mining Systemfehler!
30 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 30/63 Erfahrungsbericht MO - Modellierung [5/5] Fehler bei der Modellierung mit der Data Mining Methode GLM (Generalized Linear Model Regression) Fehler datenunabhängig Fehler am an den Oracle Support gemeldet Lösung des Fehlers nach mehreren Iterationen am
31 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 31/63 Erfahrungsbericht Zwischenfazit Vorteile In-Database Ansatz Direkte Anbindung an Oracle BI-Tools Unterstützung von Multi Record Data Format Persönlicher Support Nachteile Eingeschränkte Daten-Visualisierungsmöglichkeiten Fehler in GLM-Regressionsmethode
32 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 32/63 Übersicht 4 Oracle 11g Data Miner (ODM) 5 Konstanz Information Miner (KNIME) 6 Evaluation Evaluationskriterien Evaluationsergebnis 7 Fazit und Ausblick 8 Fragen
33 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 33/63 Beschreibung KNIME Allgemeines Konstanz Information Miner (KNIME) KNIME ist unter der GNU General Public License (Version 3) kostenlos nutzbar Verwendete Version KNIME 2.0.3
34 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 34/63 Erfahrungsbericht Benutzeroberfläche
35 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 35/63 Erfahrungsbericht Bausteine [1/2] Data Understanding Data Preparation
36 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 36/63 Erfahrungsbericht Bausteine [2/2] Modeling und Deployment Modeling und Deployment (Weka-Plugin)
37 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 37/63 Erfahrungsbericht File Reader
38 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 38/63 Erfahrungsbericht File Reader (Konfigurationsdialog)
39 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 39/63 Erfahrungsbericht Database Reader
40 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 40/63 Erfahrungsbericht Database Reader (Konfigurationsdialog)
41 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 41/63 Erfahrungsbericht EV - Cross Validation
42 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 42/63 Erfahrungsbericht EV - Cross Validation: Interner Workflow [1/2]
43 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 43/63 Erfahrungsbericht EV - Cross Validation: Interner Workflow [2/2]
44 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 44/63 Erfahrungsbericht EV - Cross-Aggregator
45 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 45/63 Erfahrungsbericht Java Snippet
46 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 46/63 Erfahrungsbericht Java Snippet (Dialog)
47 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 47/63 Erfahrungsbericht Zwischenfazit Vorteile Intuitive Bedienbarkeit Zahlreiche Möglichkeiten zur Datenvisualisierung Große Menge an Data Mining Algorithmen Über SDK erweiterbar Nachteile Reporting nur unzureichend unterstützt Prozessintegration schwierig
48 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 48/63 Evaluationskriterien Übersicht 4 Oracle 11g Data Miner (ODM) 5 Konstanz Information Miner (KNIME) 6 Evaluation Evaluationskriterien Evaluationsergebnis 7 Fazit und Ausblick 8 Fragen
49 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 49/63 Evaluationskriterien Kategorien In Anlehnung an CRISP-DM Insgesamt 18 Kriterien in acht Kategorien Gewichtung: 1-5, Bewertung: 1-10 Kategorien Data Understanding Data Preparation Modeling Evaluation Deployment Zusätzlich: Usability
50 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 50/63 Evaluationskriterien Data Understanding Fragestellungen Visualisierung (5) a : Sind ausreichend Möglichkeiten für die grafische Darstellung der Daten vorhanden? Datenanalyse (4): Werden ausreichend Funktionen und Methoden bereitgestellt? Aufbereitung (3): Ist es möglich die Daten innerhalb der Software zu bearbeiten? a Gewichtung des Kriteriums
51 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 51/63 Evaluationskriterien Data Preparation Fragestellungen Datenimport (3): Werden alle gängigen Dateiformate unterstützt? Gibt es Probleme beim Import größerer Datenmengen? Transformation (3): Wie gut können Daten innerhalb der Software transformiert werden? Datenqualität (3): Kann die Software die Datenqualität bewerten, fehlerhafte oder unvollständige Daten erkennen und ausbessern bzw. berechnen?
52 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 52/63 Evaluationskriterien Modeling Unterstützte Data Mining Funktionen Assoziationsanalyse (5) Klassifikation (5) Regression (5) Segmentierung (5) Welche Algorithmen zur Abhängigkeitsentdeckung, Klassifikation, Regressionsanalyse und des Clustering stehen zur Verfügung? Gibt es Algorithmen, die nicht unterstützt werden?
53 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 53/63 Evaluationskriterien Evaluation Fragestellung Modelltest (4): Mit welchen Ergebnissen und Metriken können die Ergebnisse aus der Modellierung überprüft werden?
54 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 54/63 Evaluationskriterien Deployment Fragestellungen Datenexport (2): Welche Exportmöglichkeiten stehen zur Verfügung und werden die Daten korrekt exportiert? Reporting (4): Können Ergebnisse automatisch (z.b. grafisch aufbereitet) exportiert werden? Gibt es Formatierungsmöglichkeiten für die Reports? Schnittstellen (3): Sind Schnittstellen zu anderen Programmen vorhanden? In welcher Art und Weise stehen sie zur Verfügung? Prozessintegration (3): Kann die Software in bestehende Prozesse integriert werden?
55 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 55/63 Evaluationskriterien Usability Fragestellungen Installation (1): Funktioniert die Installation reibungslos und ist der Aufwand angemessen? Bedienbarkeit (4): Ist die Benutzeroberfläche intuitiv bedienbar, logisch aufgebaut und übersichtlich gestaltet? Ist der administrative Aufwand überschaubar? Hilfe und Support (3): Sind ausreichend Dokumentationen oder Tutorials vorhanden und auf welche Art werden sie angeboten? Gibt es offiziellen Support oder Communities?
56 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 56/63 Evaluationsergebnis Übersicht 4 Oracle 11g Data Miner (ODM) 5 Konstanz Information Miner (KNIME) 6 Evaluation Evaluationskriterien Evaluationsergebnis 7 Fazit und Ausblick 8 Fragen
57 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 57/63 Evaluationsergebnis Evaluationsergebnis [1/3]
58 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 58/63 Evaluationsergebnis Evaluationsergebnis [2/3]
59 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 59/63 Evaluationsergebnis Evaluationsergebnis [3/3]
60 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 60/63 Übersicht 4 Oracle 11g Data Miner (ODM) 5 Konstanz Information Miner (KNIME) 6 Evaluation Evaluationskriterien Evaluationsergebnis 7 Fazit und Ausblick 8 Fragen
61 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 61/63 Fazit Fazit Subjektiv hat KNIME Vorteile gegenüber Oracle Data Miner Intuitive Bedienung Konsequente Workflow-Orientierung Große Auswahl an Data Mining Verfahren Verbesserungspotenzial bei beiden Tools Negativ: Fehlermeldung bei der Regression im ODM
62 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 62/63 Fazit Ausblick Oracles Strategie bezüglich des Oracle Data Miners?
63 Data Mining Team der HS Ulm Data Mining - Oracle vs. Open Source 63/63 Fragen Fragen Vielen Dank für Ihre Aufmerksamkeit Haben Sie noch Fragen?
Data Mining - Open Source vs. Oracle ein Erfahrungsbericht
Data Mining - Open Source vs. Oracle ein Erfahrungsbericht Prof. Dr. Reinhold von Schwerin Projektgruppe Data Mining 1 des Masterstudiengangs Informationssysteme Hochschule Ulm Schlüsselworte: Open Source,
MehrPräsentation der Bachelorarbeit
Präsentation der Bachelorarbeit Einrichtung einer BI-Referenzumgebung mit Oracle 11gR1 Jörg Bellan Hochschule Ulm Fakultät Informatik Institut für Betriebliche Informationssysteme 15. Oktober 2009 Agenda
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.
MehrEinführung in Data Mining anhand des Modells CRISP-DM
Einführung in Data Mining anhand des Modells CRISP-DM Seminarvortrag Linnea Passing Seminar, Scientific Programming, FH Aachen Stand: 11.01.2011 Rechen- und Kommunikationszentrum (RZ) Agenda Motivation
MehrData Mining @ Netezza mit IBM SPSS
Michael Ridder Senior Technical Sales Professional Predictiv Analytics Data Mining @ Netezza mit IBM SPSS Software Wir ertrinken in Informationen, aber wir hungern nach Wissen. John Naisbitt Trendforscher
MehrCitizen Data Science. Balázs Bárány. 29. April 2016. Linuxwochen Wien 2016
Citizen Data Science Balázs Bárány Linuxwochen Wien 2016 29. April 2016 Inhalt Einführung: Data Science Werkzeuge und Methoden Citizen Data Science Daten holen Daten verstehen Daten-Vorverarbeitung Prädiktive
MehrData Mining im Einzelhandel Methoden und Werkzeuge
Fakultät Informatik Institut für Angewandte Informatik Professur Technische Informationssysteme Proseminar Technische Informationssysteme Data Mining im Einzelhandel Methoden und Werkzeuge Betreuer: Dipl.-Ing.
MehrETL-Tool Survey Light
ETL-Tool Survey Light Ein Vergleich des OWB mit Open Source ETL-Tools Prof. Dr. Reinhold von Schwerin Hochschule Ulm, Fakultät für Informatik 17. November 2011 Prof. Dr. Reinhold von Schwerin ETL-Tool
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Einführungsveranstaltung
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation. Literatur. Inhalt und Ziele der Vorlesung. Beispiele aus der Praxis. 2 Organisation Vorlesung/Übung + Projektarbeit.
MehrDB Hackday Datenqualität von ausgewählten Open Data Quellen und Möglichkeiten zur Verbesserung
Hier bitte vollflächig Titelbild einfügen ODER Diesen Text und Begrenzungslinie unten mit einem weissen Kasten überdecken. Titel: Zweite Zeile Orange+ fett formatieren! Bild immer bis zu den Kanten führen
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
MehrWas ist Data Mining... in der Fundraising Praxis?
Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten
MehrJens Schmidt Senior Member Technical Staff
Jens Schmidt Senior Member Technical Staff Oracle 9i Data Mining Connector 1.1 für mysap BW Agenda Data Mining Grundlagen Der Data Mining Prozess Oracle Data Mining Integration mit mysap BW Agenda Data
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
MehrMS SQL Server 2012 (4)
MS SQL Server 2012 (4) Data Mining, Analyse und multivariate Verfahren Marco Skulschus Jan Tittel Marcus Wiederstein Webseite zum Buch: http://vvwvv.comelio-medien.com/buch-kataiog/ms sql_server/ms sql
MehrRODM - Statistische Datenanalyse mit R und Oracle Data Mining
RODM - Statistische Datenanalyse mit R und Oracle Data Mining Prof. Dr. R. von Schwerin, F. Langenbruch, J. Bellan Hochschule Ulm Institut für Informatik Fachgebiet: Betriebliche Informationssysteme 17.
MehrWorkflow Management Systeme eine Analyse aktueller Open Source Produkte 1
Workflow Management Systeme eine Analyse aktueller Open Source Produkte DEC Conference, 4.06.206 Bettina Bischoff Basierend auf dem Artikel von Bettina Bischoff und Clemens van Dinther Workflow Management
MehrData Mining Projektsteuerung: Wie kombiniere ich CRISP-DM und Scrum?
Data Mining Projektsteuerung: Wie kombiniere ich CRISP-DM und Scrum? Prof. Dr. R. von Schwerin & V. Herbort, M.Sc. Institut für Informatik 29. Juni 2010 Inhalt 1 Einführung CRoss Industry Standard Process
MehrDaniela Reiner. Stuttgart,
Data driven documentation für PL/SQL Daniela Reiner Consultant daniela.reiner@trivadis.com Stuttgart, 14.05.2009 Basel Baden Bern Brugg Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg München
MehrDienstleistungsportal der deutschen Bürgschaftsbanken
Dienstleistungsportal der deutschen Bürgschaftsbanken Mikromezzanin Stand: März 2014 erstellt von: EXEC Software Team GmbH Südstraße 24 56235 Ransbach-Baumbach www.exec-software.de Dienstleistungsportal
MehrEinsatz von BI-Methoden in der simulativen Geschäftsprozessmodellierung
Einsatz von BI-Methoden in der simulativen Geschäftsprozessmodellierung Matthias Meling, PROMATIS software GmbH München, 17. April 2013 1 Simulative Geschäftsprozessmodellierung Gliederung Einleitung Simulation
MehrAPEX & SQL The Reporting Solution. Tobias Arnhold Tobias Arnhold IT Consulting Heppenheim
APEX & SQL The Reporting Solution Tobias Arnhold Tobias Arnhold IT Consulting Heppenheim Schlüsselworte APEX, DWH, BI, Visualisierung, Reporting, APEX-AT-WORK Einleitung Präsentationsdarstellung mal anders?
MehrPROSEMINAR: INFORMATIONSGEWINN DURCH EXPERIMENTE WS 09/10
PROSEMINAR: INFORMATIONSGEWINN DURCH EXPERIMENTE WS 09/10 DATA MINING ALS EXPERIMENT VORTRAG: CHRISTOPH NÖLLENHEIDT 26.01.10 Ablauf Das CRISP-DM-Modell Zwei verschiedene Standpunkte über die Theoriebildung
MehrBusiness Analytics Day Predictive Sales in CRM
Business Analytics Day Predictive Sales in CRM Business Analytics Day 07.03.2019 Artur Felic, CAS Software AG in Zahlen CAS Software AG eine Netzwerkorganisation Jedem Kunden seine CAS CAS Mittelstand:
MehrEclipse und EclipseLink
Eclipse und EclipseLink Johannes Michler Johannes.Michler@promatis.de PROMATIS, Ettlingen Zugriff auf Oracle Datenbanken aus Eclipse RCP Anwendungen via EclipseLink 18.09.2009 1 Gliederung Eclipse als
MehrSpace Usage Rules. Neele Halbur, Helge Spieker InformatiCup 2015 19. März 2015
Space Usage Rules? InformatiCup 2015 1 Agenda 1. Vorstellung des Teams 2. Entwicklungsprozess und Umsetzung 3. Verbesserung der Strategien 4. Auswertung der Strategien 5. Ausblick 6. Fazit 2 Vorstellung
MehrMicrosoft Azure Deutschland ist jetzt verfügbar -
Einordnung und Überblick Data Scientist Operationalisierung IT-Abteilung Anwendungsentwickler Der Data Scientist agil Tool seiner Wahl möglichst wenig Zeit Skalierung Code für die Operationalisierung Der
MehrPLANUNG MIT SAP ANALYTICS CLOUD
PLANUNG MIT SAP ANALYTICS CLOUD W E I T B L I C K. L E I D E N S C H A F T. W E N D I G K E I T. V O R S P R U N G. Hausmesse 4process AG, 08. März 2018 Christian Thurner Seite 1 2015 VORSTELLUNG 18 Jahre
MehrOracle XML Publisher
Oracle 1 Oracle übernimmt Generierung Verwaltung Verteilung der Geschäftsdokumente Rechnungen Invoice Check Print Schecks Etiketten Erfüllt die Anforderungen Reduziert Komplexität geringer Pflegeaufwand
MehrOracle Performance Analyse Erweiterte Möglichkeiten mit Statistiken und Wartezeiten
Oracle Performance Analyse Erweiterte Möglichkeiten mit Statistiken und Wartezeiten DOAG 2012, Nürnberg Felix Castillo Sanchez Akazienweg 6 D-61479 Glashütten email: felix.castillo@oraconsult.de Web: http://blog.oraconsult.de
Mehr22. Januar Gruppe 2: TOPCASED
22. Januar 2008 Aufgabenstellung Modellgetriebene Softwareentwicklung auf Basis von am Beispiel eines Seminarverwaltungssystems Ziel Entwicklungsprozess Anforderungen & Codegenerierung Modellierung & Templates
MehrData Warehouse und Data Mining
Einführungsseminar Data Mining Seminarvortrag zum Thema: Data Warehouse und Data Mining Von gehalten am Betreuer: Dr. M. Grabert Einführung Problemstellung Seite 2 Einführung Unternehmen bekommen eine
MehrNaive Bayes für Regressionsprobleme
Naive Bayes für Regressionsprobleme Vorhersage numerischer Werte mit dem Naive Bayes Algorithmus Nils Knappmeier Fachgebiet Knowledge Engineering Fachbereich Informatik Technische Universität Darmstadt
MehrSELF-SERVICE ANALYTICS: SMART INTELLIGENCE MIT INFONEA IM KONTINUUM ZWISCHEN INTERAKTIVEN REPORTS, ANALYTICS FÜR FACHANWENDER UND DATA SCIENCE
SELF-SERVICE BUSINESS INTELLIGENCE / INFONEA FUNKTIONSÜBERSICHT / SELF-SERVICE ANALYTICS: SMART INTELLIGENCE MIT INFONEA IM KONTINUUM ZWISCHEN INTERAKTIVEN REPORTS, ANALYTICS FÜR FACHANWENDER UND DATA
MehrPredictive Modeling Markup Language. Thomas Morandell
Predictive Modeling Markup Language Thomas Morandell Index Einführung PMML als Standard für den Austausch von Data Mining Ergebnissen/Prozessen Allgemeine Struktur eines PMML Dokuments Beispiel von PMML
MehrDigitalisierung personaldatenbezogener. www.er-ag.de
Digitalisierung personaldatenbezogener Prozesse www.er-ag.de Gründe für die Digitalisierung Übersicht über Risikofaktoren Bei der Einrichtung und Steuerung von Prozessen müssen folgende Risikofaktoren
MehrPrognose von Kostenschwankungen mit Predictive Analytics DOAG 2016
Prognose von Kostenschwankungen mit Predictive Analytics DOAG 2016 CGI Deutschland Ltd. & Co. KG (Sulzbach) Alfred Stelzl (Lead Consultant Big Data Analytics) November 2016 CGI Group Inc. Agenda 2 Agenda
MehrPrüfungen im Fach Biologie im Schuljahr 2013/14
Prüfungen im Fach Biologie im Schuljahr 2013/14 (1) Grundlagen Qualifizierender Hauptschulabschluss Realschulabschluss Externenprüfungen (Haupt-und Realschulabschluss) Besondere Leistungsfeststellung Abitur
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.
MehrCommon Warehouse Metamodel und Imperfektion
Common Warehouse Metamodel und Imperfektion Christoph Goebel Imperfektion und erweiterte Konzepte im Data Warehousing 2 Fragestellungen Welche Bedeutung haben Metadaten in der Information Supply Chain
MehrAPEX Office Print - Einfach Druck machen! Daniel Hochleitner Freelance APEX Developer, FOEX GmbH
APEX Office Print - Einfach Druck machen! Daniel Hochleitner Freelance APEX Developer, FOEX GmbH APEX Connect 2018 Call for Papers bis 08.11.2017!! Agenda About APEX Office Print Lizenz / Architektur /
MehrData Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML
Data Mining Standards am Beispiel von PMML Allgemeine Definitionen im Data Mining Data Mining (DM) Ein Prozess, um interessante neue Muster, Korrelationen und Trends in großen Datenbeständen zu entdecken,
MehrH E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z
H E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z 2 0 1 6 A D V A N C E D A N A L Y T I C S : V O N S E M I - S T R U K T U R I E R T E N D A T E N Z U W I S S E N T O M S E I D E L &
MehrProjekt-INF Folie 1
Folie 1 Projekt-INF Entwicklung eines Testbed für den empirischen Vergleich verschiedener Methoden des maschinellen Lernens im Bezug auf die Erlernung von Produktentwicklungswissen Folie 2 Inhalt Ziel
Mehr20. Deutsche Anwenderkonferenz 2007 Software Entwicklung 2.0
20. Deutsche Anwenderkonferenz 2007 Software Entwicklung 2.0 Raus aus dem Chaos mit der kollaborativen Open Source- Entwicklungsumgebung. Nürnberg 21. November 2007 Robert Szilinski PROMATIS software GmbH
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
MehrBIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004
BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick
MehrZentrale PDF Erzeugung verringert den administrativen Aufwand in Unternehmen. Nikolaj Langner HfT Stuttgart
Zentrale PDF Erzeugung verringert den administrativen Aufwand in Unternehmen Nikolaj Langner HfT Stuttgart 28. Oktober 2008 1 Inhaltsverzeichnis 1. Einleitung... 3 2. Technologien... 3 2.1. Dezentrale
MehrZurück in die Zukunft
Zurück in die Zukunft OPITZ CONSULTING GmbH 2014 Seite 1 Zurück in die Zukunft Umstellen einer ADF 10g Applikation auf ADF 12c Enno Schulte Consultant OPITZ CONSULTING GmbH Nürnberg, 19.11.2014 OPITZ CONSULTING
MehrDISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374
DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne
MehrEvaluation of Database Design and Reverse Engineering Tools for a Large Software System
Evaluation of Database Design and Reverse Engineering Tools for a Large Software System Anne Thomas TU Dresden Dr. B. Demuth Pre Press GmbH (Dresden) T. Reuter Gliederung Einleitung Vorgehensweise Kontext
Mehrtdwi E U R D P E OPEN SOURCE BUSINESS INTELLIGENCE HANSER MÖGLICHKEITEN, CHANCEN UND RISIKEN QUELLOFFENER BI-LÖSUNGEN
OPEN SOURCE BUSINESS INTELLIGENCE MÖGLICHKEITEN, CHANCEN UND RISIKEN QUELLOFFENER BI-LÖSUNGEN uwehaneke Stephan TRAHASCH tobias HAGEN tobias LAUER (Hrsg.)' tdwi E U R D P E HANSER Vorwort 9 Einführung
MehrDie GIS-Anwendungen Waldinfoplan und Geomail wurden über hochintegrierte Schnittstellen eingebunden.
Allgemein Konzeption Dieses Programm dient der umfassenden Abwicklung aller Geschäftsvorfälle, die im Zusammenhang mit Rundholz anfallen. Es ist Dreh- und Angelpunkt im Workflow des Anwenders. Um dem gerecht
MehrKennzahlen und Datenlogistik
Kennzahlen und Datenlogistik Neue Perspektiven auf das Tagesgeschäft für Technologie, KnowHow und Betrieb Martin Genest, Team Manager SAP & Data Solutions Leipzig, Inhalt 1. Das Thema 2. Kennzahlen und
MehrInstallationsattest / Anlagenbeschreibung. Übergabedokumente / Wartung + Inspektion
Installationsattest / Anlagenbeschreibung Übergabedokumente / Wartung + Inspektion Diese Erweiterung beinhaltet die Erstellung des Installationsattestes nach VdS 2309 und der Anlagenbeschreibung nach DIN
MehrKlein anfangen und groß rauskommen mit Data Vault 2.0 Leif Hitzschke & Dajana Schleuß
Klein anfangen und groß rauskommen mit Data Vault 2.0 Leif Hitzschke & Dajana Schleuß Hamburg, den 16.09.2016 Der führende B2B-Marktplatz wlw.de wlw.at wlw.ch Agenda 1. wlw das Unternehmen 2. BI im Überblick
MehrAufbau einer komplett automatischen Business Intelligence-Umgebung
Aufbau einer komplett automatischen Business Intelligence-Umgebung Toad BI Suite Udo Brede Senior Solutions Architect Databases udo.brede@software.dell.com Agenda Begriffserklärung BI Vorstellung Toad
MehrRODM Statistische Datenanalyse mit R und Oracle Data Mining
RODM Statistische Datenanalyse mit R und Oracle Data Mining Prof. Dr. Reinhold von Schwerin, Florian Langenbruch und Jörg Bellan Hochschule Ulm Schlüsselworte: Data Mining, R, Datenanalyse, Statistik,
MehrEinsatz von ADF im Wirtschaftsinformatik- Studium an der FHTW Berlin
Einsatz von ADF im Wirtschaftsinformatik- Studium an der FHTW Berlin Erfahrungsbericht M.Sc. Peter Morcinek Prof. Dr. Margret Stanierowski Agenda 1 Vorstellung 2 Zielstellung 3 Vorgehen 4 Erfahrungen (methodisch-didaktisch,
MehrJürgen Lesti. Analyse des Anbieterwechsels. mit Hidden-Markov-Modellen. Empirische Untersuchung im Retail Banking. Verlag Dr.
Jürgen Lesti Analyse des Anbieterwechsels mit Hidden-Markov-Modellen Empirische Untersuchung im Retail Banking Verlag Dr. Kovac Hamburg 2015 XIII Inhaltsverzeichnis Geleitwort Vorwort Danksagung Abbildungsverzeichnis
Mehropenbim Standards Übersicht und Einführung in die Datenformate des buildingsmart
openbim Standards Übersicht und Einführung in die Datenformate des buildingsmart Dipl.-Ing. Martin Egger, Fachbereich BIM, OBERMEYER Planen + Beraten, München Ablauf Was ist openbim? Was kann buildingsmart
MehrMicrosoft Office Visio 2007 Infowoche schneller zeigen schneller verstehen schneller handeln
Microsoft Office Visio 2007 Infowoche schneller zeigen schneller verstehen schneller handeln Hamburg, 29.01.2007 Wir sind für Sie da! Claus Quast Business Productivity Specialist Microsoft Deutschland
MehrMessen und Bewerten von Informationssicherheit
Messen und Bewerten von Informationssicherheit Möglichkeiten der Softwareunterstützung am Beispiel von HiScout René W. Klose Agenda Vorstellung des Partnerunternehmens Informationssicherheit und ihre Messbarkeit
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Approximation einer Kennlinie mit einem Künstlich Neuronalen Netz (KNN) in MATLAB 28.01.2008 5_CI2_Deckblatt_Kennlinie_Matlab_Schn2.doc
MehrData Mining mit RapidMiner. Fakultät Informatik Lehrstuhl für Künstliche Intelligenz
Data Mining mit RapidMiner Fakultät Informatik Motivation CRISP: DM-Prozess besteht aus unterschiedlichen Teilaufgaben Datenvorverarbeitung spielt wichtige Rolle im DM-Prozess Systematische Evaluationen
MehrEvolution der Kontoverbindung Von der Kontonummer über die IBAN zur DBAN. Frankfurt am Main, im Januar 2015
Evolution der Kontoverbindung Von der Kontonummer über die IBAN zur DBAN Frankfurt am Main, im Januar 2015 Die Entwicklung der Kontoverbindung DBAN max.mueller#mydban.de Von der Kontonummer über die IBAN
MehrOrientierung für soziale Investoren
Entdecken, Entscheiden, Engagieren Ina Epkenhans Berlin, Wünsche von sozialen Investoren Bei meinem gemeinwohlorientierten Engagement ist es wie im Unternehmen: Ich will sicher sein, dass mein Geld etwas
MehrDigitalisierung in der Industrie = Enterprise Integration und Business Process Management (BPM)? Referent: Dirk Detmer
Digitalisierung in der Industrie = Enterprise Integration und Business Process Management (BPM)? Referent: Dirk Detmer Tagung Industrie + Informatik SoftProject GmbH SoftProject GmbH Spezialist für die
MehrOpen Source BI Trends. 11. Dezember 2009 Wien Konstantin Böhm
Open Source BI Trends 11. Dezember 2009 Wien Konstantin Böhm Profil Folie 2 JAX 2009 11.12.2009 Gründung 2002, Nürnberg 50 Mitarbeiter Innovative Kunden Spezialisiert auf Open Source Integration Open Source
MehrReporting Lösungen für APEX wähle Deine Waffen weise
Reporting Lösungen für APEX wähle Deine Waffen weise Dietmar Aust Opal-Consulting Köln Schlüsselworte: Oracle APEX, Reporting, JasperReports, PL/PDF, BI Publisher, OPAL:XP, Doxxy, Oracle Rest Data Services
MehrRealisierung einer Problemlösungsstrategie für Logistikprozesse im Krankenhaus durch agentenbasierte Simulation
Realisierung einer Problemlösungsstrategie für Logistikprozesse im Krankenhaus durch agentenbasierte Simulation Lydia Lotzmann 12.07.2013 Institut für Medizinische Informatik, Statistik und Epidemiologie
MehrPOWER YOUR BUSINESS BY QUALIFICATION
POWER YOUR BUSINESS BY QUALIFICATION im s intelligent media systems ag IM S INTELLIGENT MEDIA SYSTEMS AG Competence Manager Competence Manager MANAGE YOUR QUALIFICATION IN A SINGLE SYSTEM Qualifizierte
Mehr1 Aus Theorie wird Praxis
1 BI@BITMARCK Aus Theorie wird Praxis BI@BITMARCK Aus Theorie wird Praxis René Wilms, BITMARCK Essen, 03. November 2016 2 BI@BITMARCK Aus Theorie wird Praxis Warum musste BITMARCK handeln? Zielstellung
MehrContinuous Delivery mit Orcas
Deployment von Oracle- Datenbanken in agilen Projekten Dr. Olaf Jessensky Senior Consultant OPITZ CONSULTING Deutschland GmbH DOAG Regionaltreffen Südbayern, München, 03.12.2015 OPITZ CONSULTING Deutschland
MehrAnalytisches Fundraising
Analytisches Fundraising Vorgehen, Verfahren, Werkzeuge DiaSys. Marketing Engineering AG, Wankdorffeldstr.102, 3014 Bern 031 922 31 50, zuercher@diasys.ch Analytisches Fundraising Inhaltsverzeichnis Datenbankgestütztes
MehrPUPPET 4 SOLARIS Thomas Rübensaal, Thorsten Schlump T-Systems International GmbH
PUPPET 4 SOLARIS Thomas Rübensaal, Thorsten Schlump T-Systems International GmbH INHALTSVERZEICHNIS 1. Einleitung 2. Puppet Was ist das? 3. Puppet Historie bei T-Systems 4. T-Systems Solaris 11 Architekturüberblick
MehrData Mining in technischen Daten sinnvoll oder nicht? DOAG BI 2014
Data Mining in technischen Daten sinnvoll oder nicht? DOAG BI 2014 Yves Philippe Chassein, PROMATIS software GmbH München, 1 Prolog Leistungsexplosion bei IT-Infrastrukturen Zusätzlicher Treiber für advanced
MehrAnleitung für die Datenübernahme etax.luzern
Anleitung für die Datenübernahme etax.luzern Diese Anleitung beschreibt ausführlich die Übernahme der Daten aus der Steuersoftware etax.luzern. Inhaltsverzeichnis Wo sind meine Steuerdaten auf dem PC abgelegt?...
MehrIndustrie 4.0 und Smart Data
Industrie 4.0 und Smart Data Herausforderungen für die IT-Infrastruktur bei der Auswertung großer heterogener Datenmengen Richard Göbel Inhalt Industrie 4.0 - Was ist das? Was ist neu? Herausforderungen
MehrEntwurf und Umsetzung eines Werkzeugs für die Fluchtwegplanung
Entwurf und Umsetzung eines Werkzeugs für die Fluchtwegplanung Diplomarbeit Christian Weiprecht Bauhaus-Universität Weimar Fakultät Bauingenieurwesen Professur CAD in der Bauinformatik Inhaltsübersicht
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 &
MehrDokumentation Datamining
Hochschule Wismar University of Applied Sciences Technology, Business and Design Fakultät für Ingenieurwissenschaften, Bereich EuI Dokumentation Datamining Eingereicht am: 13. Mai 2012 von: Karsten Diepelt
MehrGuided Research: Antrittsvortrag
Fakultät für Informatik Technische Universität München Guided Research: Antrittsvortrag Layouting Enterprise Information Visualizations employing hybrid constraint satisfaction algorithms Sascha Roth,
MehrProjektbericht. Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar
Business Intelligence Master Digitale Logistik und Management Projektbericht Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar Matthias Säger
MehrNotationen zur Prozessmodellierung
Notationen zur Prozessmodellierung August 2014 Inhalt (erweiterte) ereignisgesteuerte Prozesskette (eepk) 3 Wertschöpfungskettendiagramm (WKD) 5 Business Process Model and Notation (BPMN) 7 Unified Modeling
MehrDas diesem Dokument zugrundeliegende Vorhaben wurde mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen
Das diesem Dokument zugrundeliegende Vorhaben wurde mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen 16OH21005 gefördert. Die Verantwortung für den Inhalt dieser
MehrArcGIS Online. Übersicht 11.03.2013. Wasserkraftwerke in Deutschland. Einleitung Wasserkraft. Die Idee / Das Vorbild. Die Umsetzung.
ArcGIS Online Wasserkraftwerke in Deutschland 28.01.2013 Kristina Fehler 1 1 Übersicht Einleitung Wasserkraft Die Idee / Das Vorbild Möglichkeiten Grenzen Zusammenfassung und Ausblick 28.01.2013 Kristina
MehrCognos im Siebel Marketingprozess - die Integration zweier Welten
Cognos im Siebel Marketingprozess - die Integration zweier Welten Christian Sobetzko Altran CIS GmbH Co. & KG Business Line CIS Frankfurt Schlüsselworte: Siebel Marketing, Workflows, EAI, Kampagnenprozess
MehrBusiness Model Workshop. Die Zukunftsfähigkeit Ihres Geschäftsmodells sichern.
Dr. Benjamin Künzli Business Model Workshop. Die Zukunftsfähigkeit Ihres Geschäftsmodells sichern. Vs. April 2011 Übersicht über die Präsentation Ausgangslage Ziele Vorgehen und Instrumente Überblick Kick
MehrDineso Software - Technische Daten
Dineso Software - Technische Daten Zahlen, Daten, Fakten zu Software und Anwendung Inhaltsverzeichnis: 1. Allgemeine Informationen zur Dineso Software 2. Technische Voraussetzungen 3. Ablauf eines BI-Projektes
MehrGround Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining
Ground Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining Prof. Dr.-Ing. Peter Lehmann Hochschule der Medien Stuttgart GLIEDERUNG Etwas über Machine
MehrLösung betriebswirtschaftlicher Probleme mithilfe von Analysetechniken
Lösung betriebswirtschaftlicher Probleme mithilfe von Analysetechniken Malte L. Peters Institut für Produktion und Industrielles Informationsmanagement, Universität Duisburg-Essen, Campus Essen Agenda
MehrOracle Big Data Discovery Ein Überblick
Oracle Big Data Discovery Ein Überblick Hadoop Data Reservoir gewinnt weiter an Bedeutung Data Warehouse Bekannte Datenquellen Data Reservoir Entstehende Datenquellen Hadoop Umsatz und Forecast 49% CAGR,
MehrMethoden, Chancen und Risiken beim Auswerten großer Datenmengen
Methoden, Chancen und Risiken beim Auswerten großer Datenmengen Peter Dauscher Gymnasium am Kaiserdom, Speyer peter dauscher gak speyer de Data-Mining in der Schule - Eine Annäherung
Mehr(Software) Architektur der Dinge. Roland Graf / Simon Kranzer IKT-Forum 2016 I(o)T for Industry - Von IT zu IoT
(Software) Architektur der Dinge Roland Graf / Simon Kranzer IKT-Forum 2016 I(o)T for Industry - Von IT zu IoT Hardware Mainframe Speichersysteme Rechner Kopplung Zentralisierung Anwendungsprogramme Software
MehrVon Oracle auf MySQL zugreifen ohne GoldenGate Oracles vergessener Schatz
Von Oracle auf MySQL zugreifen ohne GoldenGate Oracles vergessener Schatz DB Systel GmbH Ronny Fauth System Design Databases DOAG 2013, Nürnberg 19.11-21.11.2012 Inhalt 1. 2. 3. 4. 5. 6. Einleitung Verwendung
MehrVorlesung Wissensentdeckung
Vorlesung Wissensentdeckung Einführung 5.4.2011 Gliederung 1 Modellbildung und Evaluation 2 Verlaufsmodell der Wissensentdeckung 3 Einführung in das Werkzeug RapidMiner Problem Wir haben nur eine endliche
MehrIntegration im Enterprise Umfeld
Integration im Enterprise Umfeld Sven Tissot pdv Technische Automation + Systeme GmbH Hamburg DOAG 2007 pdv Technische Automation + Systeme GmbH, 2007 1 Eckdaten Individual-Software Client/Server- und
MehrPENTA-Terminkalender
PENTA-Terminkalender PENTA-Terminkalender Terminplanung mit System Arbeitsbelastung von Arzt und Personal verringern Der Terminkalender unterstützt mit einer Workflow orientierten Terminplanung und Arbeitseinteilung
MehrModell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen
Modell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen Roland Koppe, Stefan Häusler, Axel Hahn 2 Übersicht Einleitung und Motivation Ansatz und Methodik
Mehr