Data Mining und Knowledge Discovery in Databases
|
|
- Sebastian Huber
- vor 8 Jahren
- Abrufe
Transkript
1 Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD Datenvorverarbeitung Datenproblematik Möglichkeiten der Datenvorverarbeitung Data Mining Ziele Wissenschaftliche Einordnung der KDD Begriffsdefinitionen Data Mining Methoden Beispiele für KDD-Systeme Hierarchisches Clustering Partitionierendes Clustering...4 Entscheidungsbäume...7 Bayes-Klassifikation...9 Seite von
2 Begriffsabgrenzungen Definition: Knowledge Discovery in Databases (KDD) Knowledge discovery in databases is the nontrivial process of indentifying valid, novel, potentially useful, and ultimately understandable patterns in data. Definition: Data Mining Data Mining ist ein einzelner Schritt im KDD Prozess, innerhalb dessen bestimmte Data Mining Algorithmen zur Anwendung kommen, die selbständig Annahmen generieren, diese Annahmen prüfen und dem Anwender dann die relevanten Ergebnisse in verständlicher Form präsentieren. Seite von
3 Phasen der KDD Analyse des Anwendungsgebietes Datenzugriff Anforderungs- und Machbarkeitsanalyse Datenvorverarbeitung Daten Umsetzung Exploration Interpretation und Bewertung Anwendung von Data Mining Methoden Einzelnen Phasen eines KDD-Prozess: Anforderungs- und Machbarkeitsanalyse Analyse des Anwendungsgebietes Datenzugriff Datenvorverarbeitung Exploration Anwendung von Data Mining Methoden Interpretation und Bewertung Umsetzung Seite 3 von
4 3 Datenvorverarbeitung 3. Datenproblematik Unvollständigkeit und Spärlichkeit der Daten Dynamik der Daten Datenschmutz Redundanz Irrelevanten Bestände Datenvolumen 3. Möglichkeiten der Datenvorverarbeitung Datentransformation Bearbeitung unreiner Daten Konstruktion neuer Informationen Datenselektion Seite 4 von
5 4 Data Mining Ziele Cluster-Analyse bzw. Segmentierung Klassifikation Konzeptbeschreibung Prognose Datenbeschreibung und zusammenfassung Erkennung von Abweichungen Abhängigkeitsanalyse 5 Wissenschaftliche Einordnung der KDD Datenbasen Maschinen- Lernen Experten Systeme KDD Visualisierung Statistik Seite 5 von
6 6 Begriffsdefinitionen Definition: Datensatz bzw. Objekt Ein logischer Datensatz wird durch ein Tupel X = x,..., x ) von m IN Attributen dargestellt. Dabei i ( i, i, m umfasst die gesamte Datenbasis n Datensätze, nämlich X,..., X n. Die Gesamtheit aller Datensätze wird durch die Menge der Attribute Attribut A j mit A,..., Am beschrieben, wobei für jedes j =,..., m ein eigener Wertebereich W A ) existiert, aus dem die jeweiligen Ausprägungen der ( j einzelnen Datensätze stammen x W ( A ) für i =,..., n. Für den Wertebereich aller Attribute i, j j zusammengenommen ergibt sich dann entsprechend m A ( m i= i = W A )... W ( A ) = Χ W ( A ), auch Merkmalsraum genannt. Seite 6 von
7 Numerische Attribute Binäre Attribute z. B. die Werte 0 oder Diskrete Attribute Kontinuierliche Attribute z. B. die ganzen Zahlen z. B. die reellen Zahlen Nominale Attribute Geordnete Attribute z.b. niedrig, mittel, hoch Ungeordnete Attribute z. B. die Produkte A, B und C Seite 7 von
8 7 Data Mining Methoden Freie und überwachte Data Mining Methoden Hierarchisches Clustering Partitionierendes Clustering Entscheidungsbäume Bayes-Klassifikation Seite 8 von
9 8 Beispiele für KDD-Systeme SKICAT (Sky Image Cataloging and Analysis Tool) TASA (Telecommunication Network Alarm Sequence Analyzer) Health-KEFIR (Key Findings Reporter) Steuerung der Prozesstechnik in der Zellstoff- und Papierindustrie Klassifikation von Verkehrszuständen Bildverarbeitung Aufbereitung von Röntgenbildern Seite 9 von
10 9 Hierarchisches Clustering Agglomeratives hierarchisches Clustering Divisives hierarchisches Clustering Metrik: x y = n i= x i y i p p x, y n IR Single Linkage Methode C C = min x C, y C x y Complete Linkage Methode C C = max x C, y C x y Average Linkage Methode C C = card( C ) card( C ) x C, y C x y Seite 0 von
11 Algorithmus: Hierarchisches Clustering Gegeben: n Datensätze X,..., X ), ein Distanzmaß und ( n die Cluster-Anzahl k - Starte mit n Clustern, wobei jeder aus genau einem Datensatz besteht - Berechne für alle Paar von Clustern die Distanzen zwischen ihnen und wähle dasjenige Paar von Clustern, das die geringste Distanz aufweist. Fasse diese beiden Cluster zu einem Cluster zusammen und reduziere die Anzahl der Cluster um eins. - Wiederhole Schritt bis die gewünschte Cluster-Anzahl erreicht ist. Beispiel für hierarchisches Clustering: Attribut Attribut Datensatz X Datensatz X 4,3 4, Datensatz X 3,9, Datensatz X 4 3,7 5, Datensatz X 5 0,7, Datensatz X 4, 4, 6 ( X X ) d ( X i, X j ) = di, j = i, k j, k k = Seite von
12 D 0 = 3,86 0,4,44 0 4,99,7 3,58 0,53 3,, 4,4 0 4,46 0,9 3,05, 3,98 0 X X 3 d,3 Cluster d 3,5 X 5 X d,6 X 6 d,4 Cluster X 4 Schritt Schritt Schritt 3 Schritt 4 Schritt 5 Seite von
13 5 Attribut Cluster 5 3 Cluster Attribut Seite 3 von
14 0 Partitionierendes Clustering Minimiere n k i= j= X i v j mit den Datensätzen X i und den Cluster-Zentren v j Algorithmus: K-means-Verfahren Gegeben: n Datensätze X,..., X ), ein Distanzmaß und die Cluster-Anzahl k ( n - Wähle k verschiedene Datensätze als vorläufige Zentren der Cluster. Dies können beliebige, neue Datensätze oder aber auch k der insgesamt n ursprünglichen Datensätze sein. - Ermittle für jeden Datensatz X l der Datensätze ( n X,..., X ) dasjenige Zentrum v j eines Clusters C j, so dass die Distanz d ( X l, v j ) für alle Cluster-Zentren v,...,vk minimal wird. - Berechne als neues Cluster-Zentrum v j als den Mittelwert aus dem alten Cluster-Zentrum und dem Datensatz X l. - Wiederhole die Schritte und 3 bis ein entsprechendes Abbruch-Kriterium erreicht ist (z. B. die angestrebte Cluster-Anzahl). Seite 4 von
15 - Überprüfe für alle Datensätze X,..., X ), ob sie in ( n demjenigen Cluster liegen, zu dessen sie Zentrum sie die geringste Distanz aufweisen. Andernfalls sind Austauschungen vorzunehmen. Beispiel für das K-means-Verfahren: Attribut Attribut Datensatz X Datensatz X 4,3 4, Datensatz X 3,9, Datensatz X 4 3,7 5, Datensatz X 5 0,7, Datensatz X 4, 4, 6 Cluster mit den Datensätzen, 3 und 5 sowie dem ''' = Cluster-Zentrum v (,,9) Cluster mit den Datensätzen, 4 und 6 sowie dem ''' = Cluster-Zentrum v (3,9 4,4) Seite 5 von
16 5 Attribut v 4 ''' v Cluster 5 ''' v 3 v Cluster Attribut Seite 6 von
17 Entscheidungsbäume IF Bedingung (Bedingung )(Bedingung 3) THEN Entscheidung (Entscheidung )(Entscheidung 3) Beispiel für einen Entscheidungsbaum Kunden Textilien Geschenkartikel Durchschnittspreis Katalogent (M) (M) (M3) scheidung X mittel wenig mittel T X wenig mittel niedrig N X 3 mittel viel mittel TG X 4 viel wenig hoch T X 5 wenig mittel hoch G X 6 viel mittel niedrig TG X 7 wenig viel niedrig G X 8 mittel wenig niedrig N X 9 viel wenig niedrig T X 0 wenig wenig hoch N X wenig viel mittel G X viel viel hoch TG Seite 7 von
18 Datensätze,..., M = wenig M = mittel M = viel Datensätze,4,8,9,0 Datensätze,5,6 Datensätze 3,7,, M = wenig M = mittel M = viel M = wenig M = mittel M = viel M = wenig M = mittel 0,8 4,9,6 5 7, 3 M = viel N T? G G TG TG M3 = niedrig M3 = mittel M3 = hoch M3 = niedrig M3 = mittel M3 = hoch 8 6 N T? N? TG Seite 8 von
19 Bayes-Klassifikation P ( C i ) Wahrscheinlichkeit, dass ein Objekt zur Klasse C i gehört. P (X ) Wahrscheinlichkeit, dass ein Objekt X vorliegt. P i ( C X ) Wahrscheinlichkeit, dass das Objekt X zur Klasse gehört. P ( X Ci ) Wahrscheinlichkeit, dass das Objekt X ist, unter der Bedingung, dass das Objekt zur Klasse C i gehört. C i Entscheidungsregel: Ein Objekt X sei neu zu klassifizieren. Das Risiko einer falschen Klassifikation soll dabei minimiert werden. Dementsprechend wird das Objekt X der Klasse j {,..., k} zugeteilt, für die gilt: C j mit P( X C j ) P( C j ) > P( X Ci ) P( Ci ) für alle i j bzw. P( C j X ) > P( Ci X ) für alle i j Seite 9 von
20 Beispiel Bayes-Klassifikation: Kunden Textilien Geschenkartikel Durchschnittspreis Katalogent- (M) (M) (M3) scheidung X 0-0 T X N X TG X 4 - T X 5-0 G X TG X G X N X T X N X - 0 G X TG Orthogonale Basisfunktionen 3 P *( X C) = + x x P *( X C) = x + x P *( X C3) = + x + x P *( X C4) = x x x Seite 0 von
21 Endgültige Entscheidungsfunktionen: 3 D ( X ) = + x x D ( X ) = x + x D 3( X ) = + x + x D 4 ( X ) = x x x Seite von
22 3 Literatur Adriaans, P. ; Data Mining; Addison-Wesley, Harlow, England, 997 Chamoni, P. ;Analytische Informationssysteme - data warehouse, on-line analytical processing, data mining; Springer, Berlin, 998 Fayyad, U. M. [Hrsg.] Advances in knowledge discovery and data mining; AAAI Press, Menlo Park, California, 996 Lusti, M. ; Data warehousing und data mining - eine Einführung in entscheidungsunterstützende Systeme; Springer, Berlin, 999 Nakhaeizadeh, G. [Hrsg.] Data Mining - theoretische Aspekte und Anwendungen; Physica-Verlag, Heidelberg, 998 Runkler A. T. ; Information Mining - Methoden, Algorithmen und Anwendungen intelligenter Datenanalyse; Vieweg Gabler, Braunschweig / Wiesbaden, 000 Wittmann, T. ; Data mining - Entwicklung und Einsatz robuster Verfahren für betriebswirtschaftliche Anwendungen; Lang, Frankfurt am Main, 000 Seite von
Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery
Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?
MehrClustering Seminar für Statistik
Clustering Markus Kalisch 03.12.2014 1 Ziel von Clustering Finde Gruppen, sodas Elemente innerhalb der gleichen Gruppe möglichst ähnlich sind und Elemente von verschiedenen Gruppen möglichst verschieden
MehrData Mining (ehem. Entscheidungsunterstützungssysteme)
Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 1 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNG UND ENTSCHEIDUNGSTHEORIE
MehrVoraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut, keine vorgegebenen Klassen
7. Clusteranalyse (= Häufungsanalyse; Clustering-Verfahren) wird der multivariaten Statistik zugeordnet Voraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut,
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
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,
MehrData Mining als Arbeitsprozess
Data Mining als Arbeitsprozess Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 31. Dezember 2015 In Unternehmen werden umfangreichere Aktivitäten oder Projekte im Bereich des Data Mining
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrData/Information Quality Management
Data/Information Quality Management Seminar WI/Informationsmanagement im Sommersemester 2002 Markus Berberov, Roman Eder, Peter Gerstbach 11.6.2002 Inhalt! Daten und Datenqualität! Einführung und Definition!
MehrKnowledge Discovery. Lösungsblatt 1
Universität Kassel Fachbereich Mathematik/nformatik Fachgebiet Wissensverarbeitung Hertie-Stiftungslehrstuhl Wilhelmshöher Allee 73 34121 Kassel Email: hotho@cs.uni-kassel.de Tel.: ++49 561 804-6252 Dr.
MehrData Mining-Projekte
Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein
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
MehrErfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.
Abstract zum Thema Handelssysteme Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.01 Einleitung: Handelssysteme
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrClusteranalyse. Multivariate Datenanalyse. Prof. Dr. Dietmar Maringer. Abteilung für Quantitative Methoden, WWZ der Universität Basel
Clusteranalyse Multivariate Datenanalyse Prof. Dr. Dietmar Maringer Abteilung für Quantitative Methoden, WWZ der Universität Basel Herbstsemester 2013 D Maringer: Datenanalyse Clusteranalyse (1) Ausgangssituation
MehrBegriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining
Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data
MehrPflegedossier für die kreisfreie Stadt Frankfurt (Oder)
Pflegedossier für die kreisfreie Stadt Frankfurt (Oder) Regionalbüros für Fachkräftesicherung - Fachkräftemonitoring - EUROPÄISCHE UNION Europäischer Sozialfonds Dieses Projekt wird durch das Ministerium
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrProzessbewertung und -verbesserung nach ITIL im Kontext des betrieblichen Informationsmanagements. von Stephanie Wilke am 14.08.08
Prozessbewertung und -verbesserung nach ITIL im Kontext des betrieblichen Informationsmanagements von Stephanie Wilke am 14.08.08 Überblick Einleitung Was ist ITIL? Gegenüberstellung der Prozesse Neuer
MehrWEKA A Machine Learning Interface for Data Mining
WEKA A Machine Learning Interface for Data Mining Frank Eibe, Mark Hall, Geoffrey Holmes, Richard Kirkby, Bernhard Pfahringer, Ian H. Witten Reinhard Klaus Losse Künstliche Intelligenz II WS 2009/2010
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,
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrMatrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note:
Fakultät für Wirtschaftswissenschaft Matrikelnr: Name: Vorname: : Modul 32711 Business Intelligence Termin: 28.03.2014, 9:00 11:00 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe
MehrFunktion Erläuterung Beispiel
WESTFÄLISCHE WILHELMS-UNIVERSITÄT WIRTSCHAFTSWISSENSCHAFTLICHE FAKULTÄT BETRIEBLICHE DATENVERARBEITUNG Folgende Befehle werden typischerweise im Excel-Testat benötigt. Die Beispiele in diesem Dokument
MehrGRÜNDUNG TRIFFT INNOVATION
Gründerwelt erleben GRÜNDUNG TRIFFT INNOVATION Die Initiative für schnell wachsende Technologien und Dienstleistungen INITIATOREN KOFINANZIERT DURCH PROJEKTTRÄGER www.best-excellence.de www.gruenden-wachsen.de
MehrPPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28.
PPC und Data Mining Seminar aus Informatik LV-911.039 Michael Brugger Fachbereich der Angewandten Informatik Universität Salzburg 28. Mai 2010 M. Brugger () PPC und Data Mining 28. Mai 2010 1 / 14 Inhalt
MehrStatistik II. Statistik II, SS 2001, Seite 1 von 5
Statistik II, SS 2001, Seite 1 von 5 Statistik II Hinweise zur Bearbeitung Hilfsmittel: - Taschenrechner (ohne Datenbank oder die Möglichkeit diesen zu programmieren) - Formelsammlung im Umfang von einer
Mehr4. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum
4. Lernen von Entscheidungsbäumen Klassifikation mit Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch /Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse zugeordnet werden.
MehrIdeation-Day Fit für Innovation
Your Partner in Change. Your Partner in Innovation. Ideation-Day Fit für Innovation Fotoprotokoll 12.07.2013 www.integratedconsulting.at 1 Einstieg www.integratedconsulting.at 2 Erwartungen und mögliche
MehrWinWerk. Prozess 4 Akonto. KMU Ratgeber AG. Inhaltsverzeichnis. Im Ifang 16 8307 Effretikon
Prozess 4 Akonto WinWerk 8307 Effretikon Telefon: 052-740 11 11 Telefax: 052 740 11 71 E-Mail info@kmuratgeber.ch Internet: www.winwerk.ch Inhaltsverzeichnis 1 Akonto... 2 1.1 Allgemein... 2 2 Akontobeträge
Mehro Patentrecherche für die
InnoLab-Ruhr Freedom-To-Operate Freiheit zum Handeln o Patentrecherche für die Produktentwicklung o Informationen für die Entwickler o Kleine Kosten mit großer Wirkung o Je früher um so besser Produktentwicklung
MehrIhre Interessentendatensätze bei inobroker. 1. Interessentendatensätze
Ihre Interessentendatensätze bei inobroker Wenn Sie oder Ihre Kunden die Prozesse von inobroker nutzen, werden Interessentendatensätze erzeugt. Diese können Sie direkt über inobroker bearbeiten oder mit
MehrVorlesung Text und Data Mining S9 Text Clustering. Hans Hermann Weber Univ. Erlangen, Informatik
Vorlesung Text und Data Mining S9 Text Clustering Hans Hermann Weber Univ. Erlangen, Informatik Document Clustering Überblick 1 Es gibt (sehr viele) verschiedene Verfahren für das Bilden von Gruppen Bei
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
Mehrin vielen technischen und wissenschaftlichen Anwendungen erforderlich: hohe Präzision große Dynamik möglich durch Verwendung von Gleitkommazahlen
Gleitkommazahlen in vielen technischen und wissenschaftlichen Anwendungen erforderlich: hohe Präzision große Dynamik möglich durch Verwendung von Gleitkommazahlen allgemeine Gleitkommazahl zur Basis r
MehrKosten-Leistungsrechnung Rechenweg Optimales Produktionsprogramm
Um was geht es? Gegeben sei ein Produktionsprogramm mit beispielsweise 5 Aufträgen, die nacheinander auf vier unterschiedlichen Maschinen durchgeführt werden sollen: Auftrag 1 Auftrag 2 Auftrag 3 Auftrag
MehrAufgaben zum Datenmanagement
Aufgaben zum Datenmanagement Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/10 Datentransformationen Berechnung neuer Variablen Berechne das Durchschnittsalter und die Durchschnittsgröße beider
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrKonsumentenkredit schnell und einfach. Sparkassen-Finanzgruppe. S finanz informatik
schnell und einfach Sparkassen-Finanzgruppe S finanz informatik im stationären Vertrieb Mit der Anwendung»«steht Ihnen in OSPlus (One System Plus) eine umfassende und durchgängige Prozessunterstützung
Mehrmeinpflegedienst.com Release Notes 3.4
meinpflegedienst.com Release Notes 3.4 Brönnerstr. 17 60313 Frankfurt am Main www.dealsoft.de Seite 1 von 7 Inhaltsverzeichnis 1Vorwort...3 2Notizen...3 3Mitarbeiterarbeitsverhältnis...5 4Medikamentenplan
MehrMessung und Aufwandsschätzung bei der Entwicklung von Web Applikationen. Frederik Kramer // Folie 1 von 14
Messung und Aufwandsschätzung bei der Entwicklung von Web Applikationen Frederik Kramer // Folie 1 von 14 Warum das ganze? Entwicklungskosten spielen eine immer wichtigere Rolle Messmethoden erlauben diese
MehrInformation Systems Engineering Seminar
Information Systems Engineering Seminar Algorithmische Prüfung der Planarität eines Graphen Marcel Stüttgen, 22.10.2012 FH AACHEN UNIVERSITY OF APPLIED SCIENCES 1 Planarität - Definition Ein Graph heißt
MehrSeminar zum Thema Künstliche Intelligenz:
Wolfgang Ginolas Seminar zum Thema Künstliche Intelligenz: Clusteranalyse Wolfgang Ginolas 11.5.2005 Wolfgang Ginolas 1 Beispiel Was ist eine Clusteranalyse Ein einfacher Algorithmus 2 bei verschieden
MehrKapiteltests zum Leitprogramm Binäre Suchbäume
Kapiteltests zum Leitprogramm Binäre Suchbäume Björn Steffen Timur Erdag überarbeitet von Christina Class Binäre Suchbäume Kapiteltests für das ETH-Leitprogramm Adressaten und Institutionen Das Leitprogramm
MehrAMS Alarm Management System
AMS Alarm Management System AMS ist das Alarm Management System für Mobotix Kamerasysteme. AMS ist speziell für die Verwendung in Einsatzzentralen bei Sicherheitsdiensten oder Werkschutzzentralen vorgesehen.
MehrInstitut für Computational Engineering ICE. N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t. w w w. n t b.
Institut für Computational Engineering ICE N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t w w w. n t b. c h Rechnen Sie mit uns Foto: ESA Das Institut für Computational Engineering
MehrEducase. Release Notes 1.7: Neue Funktionen und Verbesserungen. Base-Net Informatik AG Wassergrabe 14 CH-6210 Sursee
Educase Release Notes 1.7: Neue Funktionen und Verbesserungen Version: 1.0 Datum: 01.12.2015 08:34 Ersteller: Andreas Renggli Status: Abgeschlossen Base-Net Informatik AG Wassergrabe 14 CH-6210 Sursee
MehrKurzeinführung Moodle
Kurzeinführung Moodle 1. Einstieg, Kursinhalte, Datei-Download Nachdem Sie sich erfolgreich registriert und eingeloggt haben, gelangen Sie zu Ihrer Hauptseite. Aktivieren Sie Meine Startsteite um Ihren/Ihre
MehrVorbereitungsaufgaben
Praktikum Bildverarbeitung / Bildinformationstechnik Versuch BV 4 / BIT 3: Mustererkennung Paddy Gadegast, CV00, 160967 Alexander Opel, CV00, 16075 Gruppe 3 Otto-von-Guericke Universität Magdeburg Fakultät
MehrInformation zum wissenschaftlichen Arbeiten
Bündner Kantonsschule Chur Fachschaft MATHEMATIK Information zum wissenschaftlichen Arbeiten 1. Zeitplan 2. Zeichnungen, Grafiken, Tabellen,... 3. Mathematische Formeln und Sätze 4. Mathematische Umformungen
MehrÜberblick. Lineares Suchen
Komplexität Was ist das? Die Komplexität eines Algorithmus sei hierbei die Abschätzung des Aufwandes seiner Realisierung bzw. Berechnung auf einem Computer. Sie wird daher auch rechnerische Komplexität
Mehr4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.
Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel
MehrAnleitung Typo3-Extension - Raumbuchungssystem
Anleitung Typo3-Extension - Raumbuchungssystem t3m_calendar v 1.1 Stand 15.12.2011 Mehr Datails siehe: http://www.typo3-macher.de/typo3-ext-raumbuchungssystem.html 1 INHALT 1. Bedienungsanleitung der Anwendung...
MehrManagement Support Systeme
Management Support Systeme WS 24-25 4.-6. Uhr PD Dr. Peter Gluchowski Folie Gliederung MSS WS 4/5. Einführung Management Support Systeme: Informationssysteme zur Unterstützung betrieblicher Fach- und Führungskräfte
MehrTiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining
Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Ausgangssituation Kaizen Data Mining ISO 9001 Wenn andere Methoden an ihre Grenzen stoßen Es gibt unzählige Methoden, die Abläufe
MehrC09: Einsatz SAP BW im Vergleich zur Best-of-Breed-Produktauswahl
C09: Einsatz SAP BW im Vergleich zur Best-of-Breed-Produktauswahl Ein Seminar der DWH academy Seminar C09 Einsatz SAP BW im Vergleich zur Best-of-Breed- Produktauswahl Befasst man sich im DWH mit der Auswahl
MehrRisikomanagement in der Praxis Alles Compliance oder was?! 1. IT-Grundschutz-Tag 2014 13.02.2014
Risikomanagement in der Praxis Alles Compliance oder was?! 1. IT-Grundschutz-Tag 2014 13.02.2014 Risikomanagement Eine Einführung Risikomanagement ist nach der Norm ISO 31000 eine identifiziert, analysiert
MehrSpiel und Spaß im Freien. Arbeitsblat. Arbeitsblatt 1. Zeichnung: Gisela Specht. Diese Vorlage darf für den Unterricht fotokopiert werden.
Spiel und Spaß im Freien Arbeitsblatt 1 Arbeitsblat 1 Zeichnung: Gisela Specht Arbeitsblatt 1 Was kann man mit diesen Dingen machen? Was passt zusammen? Verbinde die richtigen Bildkarten miteinander. 2
MehrAnleitung zum Wechsel von einer auslaufenden VR-NetWorld Card auf eine neue VR-NetWorld Card in Profi cash 8
Anleitung zum Wechsel von einer auslaufenden VR-NetWorld Card auf eine neue VR-NetWorld Card in Profi cash 8 Zunächst sollten Sie das vorhandene HBCI-Kürzel löschen, und dann in einem zweiten Schritt die
MehrOhne Fehler geht es nicht Doch wie viele Fehler sind erlaubt?
Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt? Behandelte Fragestellungen Was besagt eine Fehlerquote? Welche Bezugsgröße ist geeignet? Welche Fehlerquote ist gerade noch zulässig? Wie stellt
MehrReborn Card Ultimate 8 Kurzanleitung Installation
Reborn Card Ultimate 8 Kurzanleitung Installation Reborn Card Ultimate 8 bietet Ihnen 3 verschiedene Möglichkeiten die Hard- oder Software auf Ihrem System zu installieren. Diese Varianten werden nachfolgend
Mehr----------------------------------------------------------------------------------------------------------------------------------------
0 Seite 0 von 20 03.02.2015 1 Ergebnisse der BSO Studie: Trends und Innovationen im Business Performance Management (BPM) bessere Steuerung des Geschäfts durch BPM. Bei dieser BSO Studie wurden 175 CEOs,
MehrVorankündigung Die Verlagsleitung und der Erfolgsautor der Blauen Business-Reihe ist auf der Frankfurter Buchmesse 2007 vertreten.
Pressenotiz vom 10. 09. 2007 Vorankündigung Die Verlagsleitung und der Erfolgsautor der Blauen Business-Reihe ist auf der Frankfurter Buchmesse 2007 vertreten. Einen schönen guten Tag die Verlagsleitung
MehrData Mining und maschinelles Lernen
Data Mining und maschinelles Lernen Einführung und Anwendung mit WEKA Caren Brinckmann 16. August 2000 http://www.coli.uni-sb.de/~cabr/vortraege/ml.pdf http://www.cs.waikato.ac.nz/ml/weka/ Inhalt Einführung:
MehrErwin Grüner 09.02.2006
FB Psychologie Uni Marburg 09.02.2006 Themenübersicht Folgende Befehle stehen in R zur Verfügung: {}: Anweisungsblock if: Bedingte Anweisung switch: Fallunterscheidung repeat-schleife while-schleife for-schleife
MehrCheckliste zur qualitativen Nutzenbewertung
Checkliste zur qualitativen Nutzenbewertung Herausgeber Pentadoc Consulting AG Messeturm Friedrich-Ebert-Anlage 49 60308 Frankfurt am Main Tel +49 (0)69 509 56-54 07 Fax +49 (0)69 509 56-55 73 E-Mail info@pentadoc.com
MehrGrundlagen der Theoretischen Informatik, SoSe 2008
1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)
MehrWasserfall-Ansätze zur Bildsegmentierung
Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz
MehrMai 2006. Hauptseminar: Nichtrelationale Datenbanken Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln
Hauptseminar: Nichtrelationale Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln Mai 2006 Was ist eine Datenbank? Erweiterung relationaler um eine Deduktionskomponente Diese
MehrAnwendung der Predictive Analytics
TDWI Konferenz mit BARC@TDWI Track 2014 München, 23. 25. Juni 2014 Anwendung der Predictive Analytics Prof. Dr. Carsten Felden Dipl. Wirt. Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg
MehrWas ist Analyse? Hannover, CeBIT 2014 Patrick Keller
Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität
MehrSkills-Management Investieren in Kompetenz
-Management Investieren in Kompetenz data assessment solutions Potenziale nutzen, Zukunftsfähigkeit sichern Seite 3 -Management erfolgreich einführen Seite 4 Fähigkeiten definieren und messen Seite 5 -Management
MehrInsulin Dependent Diabetes Mellitus Rats and Autoimmune Diabetes
1 Insulin Dependent Diabetes Mellitus Rats and Autoimmune Diabetes, Georg Füllen Institut für Biostatistik und Informatik in Medizin und Alternsforschung Universität Rostock 2 Einführung: Diabetes Diabetes
MehrWie wirksam wird Ihr Controlling kommuniziert?
Unternehmenssteuerung auf dem Prüfstand Wie wirksam wird Ihr Controlling kommuniziert? Performance durch strategiekonforme und wirksame Controllingkommunikation steigern INHALT Editorial Seite 3 Wurden
MehrEmaileinrichtung in den kaufmännischen Programmen der WISO Reihe
Emaileinrichtung in den kaufmännischen Programmen der WISO Reihe Voraussetzung für die Einrichtung eine Emailanbindung in den kaufmännischen Produkten der WISO Reihe ist ein auf dem System als Standardmailclient
MehrOrientierungstest für angehende Industriemeister. Vorbereitungskurs Mathematik
Orientierungstest für angehende Industriemeister Vorbereitungskurs Mathematik Weiterbildung Technologie Erlaubte Hilfsmittel: Formelsammlung Taschenrechner Maximale Bearbeitungszeit: 1 Stunde Provadis
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrErweiterung der Aufgabe. Die Notenberechnung soll nicht nur für einen Schüler, sondern für bis zu 35 Schüler gehen:
VBA Programmierung mit Excel Schleifen 1/6 Erweiterung der Aufgabe Die Notenberechnung soll nicht nur für einen Schüler, sondern für bis zu 35 Schüler gehen: Es müssen also 11 (B L) x 35 = 385 Zellen berücksichtigt
MehrWelchen Nutzen haben Risikoanalysen für Privatanleger?
Welchen Nutzen haben Risikoanalysen für Privatanleger? Beispiel: Sie sind im Sommer 2007 Erbe deutscher Aktien mit einem Depotwert von z. B. 1 Mio. geworden. Diese Aktien lassen Sie passiv im Depot liegen,
Mehrwhite sheep GmbH Unternehmensberatung Schnittstellen Framework
Schnittstellen Framework Mit dem Schnittstellen Framework können Sie einerseits Ihre Schnittstellen automatisch überwachen. Eine manuelle Kontrolle wird überflüssig, da das Schnittstellen Framework ihre
MehrÄnderung des IFRS 2 Anteilsbasierte Vergütung
Änderung IFRS 2 Änderung des IFRS 2 Anteilsbasierte Vergütung Anwendungsbereich Paragraph 2 wird geändert, Paragraph 3 gestrichen und Paragraph 3A angefügt. 2 Dieser IFRS ist bei der Bilanzierung aller
MehrHauptseminar am Fachgebiet für Quantitative Methoden der Wirtschaftswissenschaften
Hauptseminar am Fachgebiet für Quantitative Methoden der Wirtschaftswissenschaften Fehlende Daten in der Multivariaten Statistik SS 2011 Allgemeines Das Seminar richtet sich in erster Linie an Studierende
MehrDie Post hat eine Umfrage gemacht
Die Post hat eine Umfrage gemacht Bei der Umfrage ging es um das Thema: Inklusion Die Post hat Menschen mit Behinderung und Menschen ohne Behinderung gefragt: Wie zufrieden sie in dieser Gesellschaft sind.
Mehr15.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit
5.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit Einführendes Beispiel ( Erhöhung der Sicherheit bei Flugreisen ) Die statistische Wahrscheinlichkeit, dass während eines Fluges ein Sprengsatz an Bord
MehrClubWebMan Veranstaltungskalender
ClubWebMan Veranstaltungskalender Terminverwaltung geeignet für TYPO3 Version 4. bis 4.7 Die Arbeitsschritte A. Kategorien anlegen B. Veranstaltungsort und Veranstalter anlegen B. Veranstaltungsort anlegen
MehrToleranzschema. ArtemiS SUITE
Anzeige von Referenz- und Grenzwertkurven Überprüfung von Analyseergebnissen auf Über- bzw. Unterschreitungen der definierten Grenzwertkurven HEARING IS A FASCINATING SENSATION ArtemiS SUITE Motivation
MehrPRÜFUNG FÜR ELEKTROINGENIEURE. Softwaretechnik I. Musterlösung SS 12. - Ohne Gewähr -
PRÜFUNG FÜR ELEKTROINGENIEURE Softwaretechnik I Musterlösung SS 12 - Ohne Gewähr - LfdNr. Thema Punkte Zeitbedarf in min 1 Analyse und Entwurf 15 30 2 Basistechniken und Test 15 30 3 Projektmanagement
MehrKapitel 5: Dynamisches Programmieren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrWeb Information Retrieval. Zwischendiskussion. Überblick. Meta-Suchmaschinen und Fusion (auch Rank Aggregation) Fusion
Web Information Retrieval Hauptseminar Sommersemester 2003 Thomas Mandl Überblick Mehrsprachigkeit Multimedialität Heterogenität Qualität, semantisch, technisch Struktur Links HTML Struktur Technologische
MehrHandbuch zur Installation des Smart Card- Lesegerätes MiniLector USB
Handbuch zur Installation des Smart Card- Lesegerätes MiniLector USB Microsoft Windows (7, Vista, XP) Version: 1 / Datum: 28.09.2012 www.provinz.bz.it/buergerkarte/ Inhaltsverzeichnis Haftungsausschlussklausel...
MehrData Quality Management: Abgleich großer, redundanter Datenmengen
Data Quality Management: Abgleich großer, redundanter Datenmengen Westendstr. 14 809 München Tel 089-5100 907 Fax 089-5100 9087 E-Mail Datras@Datras.de Redundanz und relationales Datenbankmodell Redundanz:
Mehr2-tägiges Seminar. Dieser Workshop ist für Anfänger konzipiert, die noch keine oder nur geringe Erfahrung
Einführung in ATLAS.ti 7 2-tägiges Seminar Dieser Workshop ist für Anfänger konzipiert, die noch keine oder nur geringe Erfahrung mit ATLAS.ti haben. Das Seminar bietet eine ausführliche Einführung in
MehrDie Clusteranalyse 24.06.2009. Clusteranalyse. Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele. methodenlehre ll Clusteranalyse
Clusteranalyse Thomas Schäfer SS 2009 1 Die Clusteranalyse Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele Thomas Schäfer SS 2009 2 1 Die Clusteranalyse Grundidee: Eine heterogene Gesamtheit
MehrWelche Unterschiede gibt es zwischen einem CAPAund einem Audiometrie- Test?
Welche Unterschiede gibt es zwischen einem CAPAund einem Audiometrie- Test? Auch wenn die Messungsmethoden ähnlich sind, ist das Ziel beider Systeme jedoch ein anderes. Gwenolé NEXER g.nexer@hearin gp
MehrInformationssicherheit als Outsourcing Kandidat
Informationssicherheit als Outsourcing Kandidat aus Kundenprojekten Frankfurt 16.06.2015 Thomas Freund Senior Security Consultant / ISO 27001 Lead Auditor Agenda Informationssicherheit Outsourcing Kandidat
MehrBildverarbeitung Herbstsemester. Binärbildanalyse
Bildverarbeitung Herbstsemester Herbstsemester 2010 2012 Binärbildanalyse 1 Inhalt Einführung Partikelfilterung und -analyse Auffinden von Regionen und Konturen Gruppenarbeit Erkennung von geometrischen
MehrMethoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07
Regression Trees Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07 Ao.Univ.Prof. Dr. Marcus Hudec marcus.hudec@univie.ac.at Institut für Scientific Computing, Universität Wien 2
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
Mehr