Projektbericht. Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar
|
|
- Hermann Geisler
- vor 6 Jahren
- Abrufe
Transkript
1 Business Intelligence Master Digitale Logistik und Management Projektbericht Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar Matthias Säger / Stefan Wagner
2 I n h a l t s v e r z e i c h n i s 2 1 Prolog und Zielstellung 2 Datenvorbereitung 2.1 Datensäuberung 2.2 Datenreduktion und -transformation 3 Data Mining 3.1 Assoziationsanalyse - A Priori 3.2 Naive Bayes 3.3 Decision Tree 3.4 J 48 - Algorithmus 3.5 kmeans - Algorithmus 4 Gesamtfazit
3 3 1 Prolog und Zielstellung Evaluation eines Fragebogens Ableitung von Ergebnissen Nutzung einer signifikanten Datenvorbereitung sowie verschiedener Verfahren bzw. Methoden des Data Mining Sinnvolle Interpretation von Ergebnissen sowie deren Vorhersage mit einer hohen Wahrscheinlichkeit unter dem Aspekt einer vollständigen Dokumentation.
4 4 2 Datenvorbereitung 2.1 Datensäuberung Ziel: Trotz vielfältiger Anpassungen der Daten, werden fehlende-, verrauschte-, falsche- und inkonsistente Daten nur in dem Maße geändert, dass minimale Ergebnisabweichungen erzielt werden. Falsche Daten Beispiel: Fehlende Daten Attribut Fehler Methode Ergebnis vorhandenes Erststudium Falsche Attribute Datenlöschung Entfernung der folglich unrelevanten Anworten, da ein konsekutives Studium nicht beachtet wurde. Attribut Fehler Methode Ergebnis Video-/ Onlinespiele in Std. / Woche Fehlendes Attribut knn Ermittlung des höchsten Wertes von knn (100 %) bei 4 Attributen (0-10 Std (0)). Änderung von 6 Attributen bzw. Datensätze durch die Methode: Datenlöschung Ergebnis auf Projekt: Änderung von 9 Attributen bzw. Datensätze durch Methoden: Datenlöschung, Hinzufügen eines Attributs sowie knn
5 5 2 Datenvorbereitung 2.2 Datenreduktion und -transformation Ziel: Vermeidung von umfangreichen Datensätzen durch sinnvolles Zusammenlegen von Datensätzen bzw. Attributen. (Daten) -Aggregation Datenkompression Datenkombination Beispiel: Attribut Methode Ergebnis Zufriedenheit Lebenssituation Zusammenfassung (Aggregation) und Kodierung (Kompression) Zusammenfassung und Kodierung der Attribute "Sehr zufrieden", "Zufrieden", "Eher zufrieden" zu "Zufrieden (1)" Attribut Methode Ergebnis Einschätzung Studiumsleistung Datenkombination Kombination der Attribute "sehr gut (0)", "gut (1)", "okay (2)", "mäßig (3)", "schlecht (4)" mit Attribut "weiß nicht (5)" Änderung von 6 Attributen bzw. Datensätze durch die Methode: Aggregation Ergebnis auf Projekt: Änderung von 8 Attributen bzw. Datensätze durch die Methode: Kompression Änderung von 3 Attributen bzw. Datensätze durch die Methode: Kombination
6 6 3 Data Mining 3.1 Assoziationsanalyse - A Priori Ziel: Das Entdecken von Abhängigkeiten zwischen den Datensätzen des vorliegenden Datenbestandes. Umsetzung: Einteilung in 6 Klassen: Persönliche Daten, Schule - Ausbildung - Arbeitsmarkt, Finanzierung, Einschätzung Leistung Studium, Interessen und Persönliches Umfeld - Situation ; Die anschließende Assoziationsanalyse erfolgte mit Hilfe des A-Priori-Algorithmus in KNIME und anhand der eingeteilten Klassen. Probleme: Aufgrund der Vielzahl an ausgegebenen Assoziationsregeln (7.698) musste ein Vorgehen gefunden werden, den kompletten Datenbestand analysieren zu können. Bei einer Konfidenz und Support von 0,8 wurden die besten Ergebnisse der Assoziationsanalyse bei den Attributen sowie deren Ausprägungen Erststudium, Öffentliche und Private Verkehrsmittel zur Hochschule bzw. in Wismar und Zufriedenheit Lebenssituation erreicht.
7 7 3 Data Mining 3.2 Naive Bayes Vorgehen am Beispiel des Zielattributes Öffentliche Verkehrsmittel zur HS Ziel: Es sollte ein Gesamtvorhersageergebnis von mind. 80 % erreicht werden. Umsetzung: Kombination von unterschiedl. Attributen (anhand der 6 Klassen) in max. 10 Tests. Ergebnis: Knoten Scorer Naive Bayes: Zum Naive Bayes Verfahren in KNIME ist zu sagen, dass dieses Verfahren stets konstant gute Vorhersagewerte lieferte, zumindest bei den zu erwarteten guten Zielattributen, und es bei allen Tests keinerlei Probleme bei der Modellierung sowie Ausführung gab.
8 8 3 Data Mining 3.3 Decision Tree Vorgehen am Beispiel des Zielattributes Öffentliche Verkehrsmittel zur HS Ziel: Es sollte ein Gesamtvorhersageergebnis von mind. 80 % erreicht werden. Umsetzung: Kombination von unterschiedl. Attributen (anhand der 6 Klassen) in max. 10 Tests. Ergebnis: Knoten Scorer Decision Tree: Zum Decision Tree Verfahren in KNIME ist zu sagen, dass dieses Verfahren bei der Auswahl bestimmter Attribute keine Ergebnisse geliefert hat, wie z. B. beim allen Attributen Grund: Studium. Die Ursache könnte darin liegen, dass keine Ergebnisse einer Bedingung innerhalb eines Entscheidungsbaums verzweigt werden konnten.
9 9 3 Data Mining 3.4 J 48 - Algorithmus Vorgehen am Beispiel des Zielattributes Öffentliche Verkehrsmittel zur HS Ziel: Es sollte ein Gesamtvorhersageergebnis von mind. 80 % erreicht werden. Umsetzung: Kombination von unterschiedl. Attributen (anhand der 6 Klassen) in max. 10 Tests. Ergebnis: Knoten Scorer J 48 - Algorithmus: Zum J48 - Algorithmus in KNIME ist zu sagen, dass dieses Verfahren immer Ergebnisse ausgegeben hat (im Vergleich zum Decision Tree). Diese jedoch über mehrere Test immer gleich waren. Eine mögliche Ursache könnte ebenfalls darin liegen, dass keine Ergebnisse einer Bedingung innerhalb eines Entscheidungsbaums verzweigt werden konnten.
10 10 3 Data Mining 3.5 kmeans - Algorithmus Vorgehen am Beispiel des Zielattributes bzw. Fragestellung 9 und 10 Ziel : Mit Hilfe der Cluster-Bildung sollten die vorher eher schlechten Gesamtvorhersagewerte von 50 % (Fragestellung 9) sowie 65,22 % (Fragestellung 10) verbessert werden. Ergebnis im Knoten Scorer von allen 3 Data Mining- Verfahren: Mit großer Sicherheit wird das Clustern nicht immer, wie in unserem Einzelfall, zu dem Gesamtvorhersageergebnis von 100 % führen. Aber eine generelle Verbesserung der Vorhersageergebnisse kann damit gut möglich sein (muss jedoch nicht immer so sein).
11 11 Gesamtfazit Durch eine explizite und somit in einem hohen Maß zeitintensive Bearbeitung der Daten, stellt die Vorbereitung das Fundament für alle nachfolgenden Data Mining-Verfahren dar. Durch gezielte Fragestellungen bzw. Zielattribute war es möglich, Aussagen mit hohen Vorhersagewerten zu erhalten, wobei uns die Assoziationsanalyse, ein Grundgerüst für die guten Vorhersagewerte mit den Data Mining-Verfahren geschaffen hat. Mit der Einteilung der Attribute in 6 Klassen, wurde eine folgerichtige Methode impliziert, die uns eine sinnvolle Durchführung der Tests in allen gewählten Verfahren ermöglichte. Aber: Eine allgemeingültige Aussage bzgl. der Attributsauswahl ist für ein gutes Vorhersageergebnis trotzdem kaum möglich.
12 12 Vielen Dank für Ihre Aufmerksamkeit! Fragen?
Hochschule Wismar. Projektbericht. Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar
Hochschule Wismar Fakultät für Wirtschaftswissenschaften Projektbericht Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar zur VERANSTALTUNG
MehrData Mining Bericht. Analyse der Lebenssituation der Studenten. der Hochschule Wismar. Zur Veranstaltung. Business Intelligence
Data Mining Bericht Analyse der Lebenssituation der Studenten der Hochschule Wismar Zur Veranstaltung Business Intelligence Eingereicht von: Mohamed Oukettou 108 208 Maxim Beifert 118 231 Vorgelegt von:
Mehr2. Datenvorverarbeitung
Kurzreferat Das Ziel beim Clustering ist es möglichst gleich Datensätze zu finden und diese in Gruppen, sogenannte Cluster zu untergliedern. In dieser Dokumentation werden die Methoden k-means und Fuzzy
MehrData Mining in KNIME
Fakultät für Wirtschaftswissenschaften Studiengang Master Digitale Logistik und Management Seminararbeit Data Mining in KNIME zur Veranstaltung Business Intelligence WS 2012/2013 Eingereicht von: Christian
MehrFakultät für Wirtschaftswissenschaften. Data Mining
Fakultät für Wirtschaftswissenschaften Data Mining Untersuchung der Umfragedaten der Direktstudenten im Bereich Wirtschaft der Hochschule Wismar mit der Open-Source Software Knime Zur Veranstaltung Business
MehrMotivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining.
Motivation Themenblock: Klassifikation Praktikum: Data Warehousing und Data Mining Ziel Item hat mehrere Attribute Anhand von n Attributen wird (n+)-tes vorhergesagt. Zusätzliches Attribut erst später
MehrFrequent Itemset Mining + Association Rule Mining
Frequent Itemset Mining + Association Rule Mining Studiengang Angewandte Mathematik WS 2015/16 Frequent Itemset Mining (FIM) 21.10.2015 2 Einleitung Das Frequent-Itemset-Mining kann als Anfang des modernen,
MehrData Mining Anwendungen und Techniken
Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses
MehrData Mining - Wiederholung
Data Mining - Wiederholung Norbert Fuhr 9. Juni 2008 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)
MehrDomain-independent. independent Duplicate Detection. Vortrag von Marko Pilop & Jens Kleine. SE Data Cleansing
SE Data Cleansing Domain-independent independent Duplicate Detection Vortrag von Marko Pilop & Jens Kleine http://www.informatik.hu-berlin.de/~pilop/didd.pdf {pilop jkleine}@informatik.hu-berlin.de 1.0
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 mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG
Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information
MehrMotivation. Themenblock: Data Preprocessing. Einsatzgebiete für Data Mining I. Modell von Gianotti und Pedreschi
Motivation Themenblock: Data Preprocessing We are drowning in information, but starving for knowledge! (John Naisbett) Was genau ist Datenanalyse? Praktikum: Data Warehousing und Data Mining Was ist Data
MehrVorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
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
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,
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
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
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 28.05.2009 1 Korrektur zur letzten Vorlesung Bsp. Fehlerfortpflanzung in einer Messung c B a 2 2 E c Var c a b A b 2 2 2 n h( x)
MehrThe integration of business intelligence and knowledge management
The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence
MehrB I D D I G I T A L E T B A H N. Deutsche Bahn und Big Data
Platzhalter für Titelbild Hier können Sie Bilder aus der Mediathek einfügen! Placeholder for title picture You can insert here pictures from the Mediathek! Deutsche Bahn und Big Data B I D D I G I T A
MehrBusiness Intelligence und Geovisualisierung in der Gesundheitswirtschaft
Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media
MehrLäßt sich die Lernsituation in Massenlehrveranstaltungen
Läßt sich die Lernsituation in Massenlehrveranstaltungen durch E-Learning verbessern? Ergebnisse der Evaluation einer virtuellen Vorlesung Prof. Dr. Franz Lehner Vortrag im Rahmen der GML 2010, Berlin
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
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:
MehrData Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih
Data Mining mit Rapidminer im Direktmarketing ein erster Versuch Hasan Tercan und Hans-Peter Weih Motivation und Ziele des Projekts Anwendung von Data Mining im Versicherungssektor Unternehmen: Standard
MehrWeb Data Mining. Alexander Hinneburg Sommersemester 2007
Web Data Mining Alexander Hinneburg Sommersemester 2007 Termine Vorlesung Mi. 10:00-11:30 Raum?? Übung Mi. 11:45-13:15 Raum?? Klausuren Mittwoch, 23. Mai Donnerstag, 12. Juli Buch Bing Liu: Web Data Mining
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
MehrSchulinterne Evaluation im Rahmen des Projektes MSRG - Mehr Schulerfolg! Susanna Endler
Schulinterne Evaluation im Rahmen des Projektes MSRG - Mehr Schulerfolg! Schulinterne Evaluation ist ein bewusst eingeleiteter, geplanter und kontinuierlicher Prozess zur Verbesserung der Arbeit und der
MehrErmittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung
Ermittlung von Assoziationsregeln aus großen Datenmengen Zielsetzung Entscheidungsträger verwenden heutzutage immer häufiger moderne Technologien zur Lösung betriebswirtschaftlicher Problemstellungen.
MehrData Mining - Clustering. Sven Elvers
Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 2 Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 3 Data Mining Entdecken versteckter Informationen, Muster und Zusammenhänge
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
MehrHäufige Item-Mengen: die Schlüssel-Idee. Vorlesungsplan. Apriori Algorithmus. Methoden zur Verbessung der Effizienz von Apriori
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
MehrÜbungsblatt LV Künstliche Intelligenz, Data Mining (1), 2014
Übungsblatt LV Künstliche Intelligenz, Data Mining (1), 2014 Aufgabe 1. Data Mining a) Mit welchen Aufgabenstellungen befasst sich Data Mining? b) Was versteht man unter Transparenz einer Wissensrepräsentation?
Mehr6.6 Vorlesung: Von OLAP zu Mining
6.6 Vorlesung: Von OLAP zu Mining Definition des Begriffs Data Mining. Wichtige Data Mining-Problemstellungen, Zusammenhang zu Data Warehousing,. OHO - 1 Definition Data Mining Menge von Techniken zum
MehrMöglichkeiten Ihrer Studienfinanzierung. Stefan Erbe Studienorganisation
Möglichkeiten Ihrer Studienfinanzierung Stefan Erbe Studienorganisation 1. Möglichkeiten der Studienfinanzierung Vielzahl von staatlichen und privaten Fördermöglichkeiten! Welches dieser Instrumente im
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)
MehrModerne Methoden der KI: Maschinelles Lernen
Moderne Methoden der KI: Maschinelles Lernen Prof. Dr.Hans-Dieter Burkhard Vorlesung Entscheidungsbäume Darstellung durch Regeln ID3 / C4.5 Bevorzugung kleiner Hypothesen Overfitting Entscheidungsbäume
MehrHochschule Wismar University of Applied Sciences Technology, Business and Design Fakultät für Wirtschaftswissenschaften.
Hochschule Wismar University of Applied Sciences Technology, Business and Design Fakultät für Wirtschaftswissenschaften Projektarbeit Data Mining: Don t Get Kicked eingereicht von: Carolin Janitz geboren
MehrClusteranalyse: Gauß sche Mischmodelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse: Gauß sche Mischmodelle iels Landwehr Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
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.
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
MehrProjekt Maschinelles Lernen WS 06/07
Projekt Maschinelles Lernen WS 06/07 1. Auswahl der Daten 2. Evaluierung 3. Noise und Pruning 4. Regel-Lernen 5. ROC-Kurven 6. Pre-Processing 7. Entdecken von Assoziationsregeln 8. Ensemble-Lernen 9. Wettbewerb
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.
MehrBreaking a Cryptosystem using Power Analysis
Breaking a Cryptosystem using Power Analysis Clemens Hammacher clemens@stud.uni-saarland.de Proseminar The Magic of Cryptography, 2007 Motivation Motivation Klartext Ciphertext Motivation Motivation Klartext
Mehr9 Resümee. Resümee 216
Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls
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
MehrNeuerungen Analysis Services
Neuerungen Analysis Services Neuerungen Analysis Services Analysis Services ermöglicht Ihnen das Entwerfen, Erstellen und Visualisieren von Data Mining-Modellen. Diese Mining-Modelle können aus anderen
MehrData-Mining: Ausgewählte Verfahren und Werkzeuge
Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den
MehrUntersuchungsarten im quantitativen Paradigma
Untersuchungsarten im quantitativen Paradigma Erkundungsstudien / Explorationsstudien, z.b.: Erfassung der Geschlechterrollenvorstellungen von Jugendlichen Populationsbeschreibende Untersuchungen, z.b.:
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
MehrGesundheitsversorgung in den Bundesländern. Welle 1 Oktober 2012
Gesundheitsversorgung in den Bundesländern Welle 1 Oktober 2012 Forschungsdesign telefonische Befragung, durchgeführt von der Gesellschaft für Marketing (OGM) Stichprobe: n=308 österreichweit, n=400 Tirol/Vorarlberg,
MehrLernreflexionsdossier
Berufsprüfung Bereichsleiter/in Hotellerie-Hauswirtschaft www.examen-schweiz.ch Lernreflexionsdossier Während der Ausbildung und in der Praxis Das macht mich stark! Kandidatin: Vorname Name Strasse Nr.
MehrMAKE IT POSSIBLE. MAKE IT HAPPEN. MAKE IT FLY. Leitfaden Auswahlverfahren für den Bewerbungsstart und Ausbildungsbeginn 2017
Leitfaden Auswahlverfahren für den Bewerbungsstart und Ausbildungsbeginn 2017 Stand Juli 2016 Ablauf des Auswahlverfahrens Start des Auswahlverfahrens ist der 25.07.2016 für den Ausbildungsbeginn im Sommer/Herbst
MehrDIE FAHRSCHÜLER_INNEN-BEFRAGUNG: METHODISCHES VORGEHEN UND ERSTE ERGEBNISSE
DIE FAHRSCHÜLER_INNEN-BEFRAGUNG: METHODISCHES VORGEHEN UND ERSTE ERGEBNISSE Dipl.-Ing. Eckart Schenk Integrierte Verkehrsplanung emo-on-tour 27. Nov. 2014 Inhalt der Präsentation 1. Die wissenschaftliche
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
MehrTranskulturelle Prävention wirkt?! Was lernen wir aus der Evaluation des Femmes-Tische Projekts Tabakprävention in der Familie?
Transkulturelle Prävention wirkt?! Was lernen wir aus der Evaluation des Femmes-Tische Projekts Tabakprävention in der Familie? FachForum - Prävention im Migrationskontext 19. Januar 2016 Haus der Religionen,
MehrOptimierung des Abrechnungs- und. durch die automatisierte Kodierung. Entscheider-Event, 11.Feb.2015, Düsseldorf
Optimierung des Abrechnungs- und Dokumentationsprozesses durch die automatisierte Kodierung Entscheider-Event, 11.Feb.2015, Düsseldorf Krankenhaus-Erfolg durch optimalen IT-Einsatz www.entscheiderfabrik.com
MehrBefragung ehemaliger Absolventinnen und Absolventen des Gymnasiums
Befragung ehemaliger Absolventinnen und Absolventen des Gymnasiums Referat von Konstantin Bähr, Chef Bildungsplanung, anlässlich der Herbsttagung HSGYM vom 13. November 2014 Bildungsdirektion Kanton Zürich
MehrBaustein 2: Kompetenzinventar / Berufswegekonferenz Handhabung und Bedeutung im Alltag
Berufliche Orientierung / Berufswegeplanung für jungen Menschen mit einer wesentlichen Behinderung / mit einem festgestellten Anspruch auf ein sonderpädagogisches Bildungsangebot Baustein 2: Kompetenzinventar
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen II: Klassifikation mit Entscheidungsbäumen Vera Demberg Universität des Saarlandes 12. Juli 2012 Vera Demberg (UdS) Mathe III 12. Juli 2012 1 / 38 Einleitung
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
MehrOpinion Mining Herausforderungen und Anwendung in der Politik
Opinion Mining Herausforderungen und Anwendung in der Politik 28.09.2011 Umut Yilmaz Inhaltsübersicht 1. Einführung 2. Grundlagen 3. Anwendung in der Politik 4. Anwendungsbeispiel 5. Fazit 2 1. Einführung
MehrLeistungsmerkmale der Analyse-Software Anna4 in Abhängigkeit von TK-Systemen (Standalone) 1 Beschreibung Leistungsmerkmale... 2
Leistungsmerkmale der in Abhängigkeit von TK-Systemen (Standalone) Inhalt 1 Beschreibung Leistungsmerkmale... 2 2 Abhängigkeiten von TK-Systeme und mögliche Einschränkungen... 2 3 Leistungsmerkmale TK-Systeme
MehrData Preprocessing II
Seminar Business Intelligence Data Preprocessing II Sabine Queckbörner DATA PREPROCESSING II Übersicht Reduktion Numerosity Reduction Diskretisierung von Datenwerten Kompression Kompression multidimensionaler
MehrEinleitung: Ausgangslage:
Einleitung: Die Institut für Vermögensaufbau (IVA) AG (folgend IVA ) beschäftigt sich seit Jahren mit der umfangreichen Betrachtung von Beratungsprozessen aus Sicht eines Kunden. Die Schwerpunkte liegen
MehrVorlesung Wissensentdeckung
Gliederung Vorlesung Wissensentdeckung Additive Modelle Katharina Morik, Weihs 1 Merkmalsauswahl Gütemaße und Fehlerabschätzung.6.015 1 von 33 von 33 Ausgangspunkt: Funktionsapproximation Aufteilen der
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
MehrFragenkatalog zur Vorlesung "Grundlagen des Data Mining" (WS 2006/07)
Fragenkatalog zur Vorlesung "Grundlagen des Data Mining" (WS 2006/07) 1. Grenzen Sie die Begriffe "Daten" und "Wissen" mit je 3 charakteristischen Eigenschaften gegeander ab. 2. Nennen Sie vier verschiedene
MehrContinuous Information Quality Assessment in Stream Based Smart City Frameworks
Continuous Information Quality Assessment in Stream Based Smart City Frameworks 19. VDE/ITG Fachtagung Mobilkommunikation Osnabrück, 22.05.2014 Thorben Iggena Tel.: +49 541/969-2723 E-Mail: t.iggena@hs-osnabrueck.de
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
MehrErkennung Sequenzieller Muster Algorithmen und Anwendungen
Achim Eisele, Thema 1.4.3: Sequenzielle Muster 1 FernUniversität in Hagen Seminar 01912 im Sommersemester 2008 Erkennung Sequenzieller Muster Algorithmen und Anwendungen Thema 1.4.3: Sequenzielle Muster
MehrAnwendung der Business Analytics
Anwendung der Business Analytics TDWI 2013 München Prof. Dr. Carsten Felden Dipl.-Wirt.-Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg (Sachsen) Institut für Wirtschaftsinformatik
MehrMEDIENINFORMATION. Zürich,
MEDIENINFORMATION Zürich, 6.11. 2013 Emotionale Barrieren im Umgang mit Social Media: Die persönliche Einstellung von Führungskräften zu Social Media ist der relevante Treiber für die Nutzung in Unternehmen.
MehrEmpirische Belege und deren Ergebnisse
Empirische Belege und deren Ergebnisse a) Langzeitstudien zu den asiatischen Tigern (Taiwan, Singapur, Korea, Thailand b) 42-Jahre Langzeitstudie des amerikanischen National Bureau of Economic Research
MehrStudienordnung für den Master- Studiengang Digitale Logistik und Management der Hochschule Wismar University of Technology, Business and Design
Studienordnung für den Master- Studiengang Digitale Logistik und Management der Hochschule Wismar University of Technology, Business and Design vom 13.07.2007 Aufgrund von 2 Abs. 1 in Verbindung mit 39
MehrJetzt tierisch durchstarten. Jetzt bewerben: <h1>zeit aufzubrechen!</h1> Standort: Saarbrücken
zeit aufzubrechen! Jetzt tierisch durchstarten Sammeln Sie bereits während Ihres Studiums Praxiserfahrung für Ihre berufliche Zukunft und blicken Sie hinter die Kulissen eines erfolgreichen Unternehmens
MehrDer CRISP-DM Prozess für Data Mining. CRISP-DM Standard CRISP-DM. Wozu einen standardisierten Prozess?
Wozu einen standardisierten Prozess? Der Prozess der Wissensentdeckung muss verlässlich und reproduzierbar sein auch für Menschen mit geringem Data Mining Hintergrundwissen. Der CRISP-DM Prozess für Data
MehrSpezialisierung Business Intelligence
Spezialisierung Business Intelligence Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg peter.becker@h-brs.de 10. Juni 2015 Was ist Business Intelligence? Allgemein umfasst der Begriff Business
Mehr2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung
2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg
MehrWie beurteilen Studierende computergestützte Prüfungen? Erste Ergebnisse der Evaluation der E-Examinations an der Freien Universität Berlin
Wie beurteilen Studierende computergestützte Prüfungen? Erste Ergebnisse der Evaluation der E-Examinations an der Freien Universität Berlin Dr. Susanne Bergann Arbeitsstelle Lehr- und Studienqualität Fachbereich
MehrIntelligence (BI): Von der. Nürnberg, 29. November 2011
Modelle für Business Intelligence (BI): Von der Anforderung zum Würfel Nürnberg, 29. November 2011 Warum Modelle für Business Intelligence (BI)? Warum Modelle für Business Intelligence (BI)? Bis zur Auswertung
MehrBenchmarking: Historisches
Benchmarking 1 Benchmarking: Historisches wurde von Xerox 1979 eingeführt MIT-Benchmarking-Studie der Automobilindustrie im Jahre 1990 von James P. Womack In der Europäischen Union seit Ende 1996, um die
MehrAuswertung der Studiengebühren-Umfrage oder:
Auswertung der -Umfrage oder: 24. 06. 2005-3h zur Akzeptanz von Fragen zu Informationsstand zu und Informationsquellen Zahlungsmodalität und Höhe von in mit Quellen zur Finanzierung von Verteilung der
MehrFakultät für Wirtschaftswissenschaften. Projektbericht Don t get kicked - KNIME. Zur Veranstaltung. Business Intelligence
Fakultät für Wirtschaftswissenschaften Projektbericht Don t get kicked - KNIME Zur Veranstaltung Business Intelligence eingereicht von: Birte Spitz (110127) Mandy Schacht (110192) Betreuer: Prof. Cleve
MehrSoftwareergonomische Evaluation der mobilen Prozessunterstützung Bamberg, 05. Mai 2004
Lehrstuhl und Institut für Arbeitswissenschaft der RWTH Aachen www.iaw.rwth-aachen.de Softwareergonomische Evaluation der mobilen Prozessunterstützung Bamberg, 05. Mai 2004 Dirk Rösler, Katalin Meszlery
MehrSpezielle Prüfungsordnung für den konsekutiven Masterstudiengang Logistik Hochschule Ludwigshafen am Rhein vom 03.07.2013
SO ML Spezielle rüfungsordnung für den konsekutiven Masterstudiengang Logistik Hochschule Ludwigshafen am Rhein vom 03.07.2013 räambel Nach Beschluss des Fachbereichsrats des Fachbereichs Dienstleistungen
MehrBayes sches Lernen: Übersicht
Bayes sches Lernen: Übersicht Bayes sches Theorem MAP, ML Hypothesen MAP Lernen Minimum Description Length Principle Bayes sche Klassifikation Naive Bayes Lernalgorithmus Teil 5: Naive Bayes + IBL (V.
MehrWorkshop D Personalentwicklung zwischen Weiterbildungslüge und Nachhaltigkeit wer glaubt noch an den Weiterbildungserfolg?
Ehreshoven, 19. Mai 2011 Workshop D Personalentwicklung zwischen Weiterbildungslüge und Nachhaltigkeit wer glaubt noch an den Weiterbildungserfolg? Gabriele Braun, SAP AG Prof. Axel Koch alias Dr. Richard
MehrProbe-Klausur zur Vorlesung Multilinguale Mensch-Maschine Kommunikation 2013
Probe-Klausur zur Vorlesung Multilinguale Mensch-Maschine Kommunikation 2013 Klausurnummer Name: Vorname: Matr.Nummer: Bachelor: Master: Aufgabe 1 2 3 4 5 6 7 8 max. Punkte 10 5 6 7 5 10 9 8 tats. Punkte
Mehrstrategıx Space & Category Management Focus on Assortment Optimization Josef Ilgen Principal Business Consultant Demand Chain Supply Chain
strategıx Space & Category Management Focus on Assortment Optimization Josef Ilgen Principal Business Consultant Supply Chain Demand Chain Space & Category Management Trends Shopper Insights Lokale, automatisch
Mehr5. Assoziationsregeln
5. Generieren von Assoziationsregeln Grundbegriffe 5. Assoziationsregeln Assoziationsregeln beschreiben gewisse Zusammenhänge und Regelmäßigkeiten zwischen verschiedenen Dingen, z.b. den Artikeln eines
MehrLehrangebot. Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr. N. Fuhr, U. Duisburg-Essen. Lehrangebot
Lehrangebot Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr N. Fuhr, U. Duisburg-Essen Lehrangebot 1 Lehrangebot des FG Informationssysteme Datenbanken Internet-Suchmaschinen Information Retrieval
MehrAbschlussbericht. Erstellung eines automatisierten Build-Prozesses für Eclipse-RCP- Anwendungen am Fallbeispiel Control System Studio.
Abschlussbericht Erstellung eines automatisierten Build-Prozesses für Eclipse-RCP- Anwendungen am Fallbeispiel Control System Studio Christian Weber Agenda Motivation (3-5) Vorgehen (6-7) Konzeptionelle
MehrAusgabe Ludwigshafener Hochschulanzeiger Publikationsorgan der Hochschule Ludwighafen am Rhein. Inhaltsübersicht:
Ausgabe 09 11.04.2016 Ludwigshafener Hochschulanzeiger ublikationsorgan der Hochschule Ludwighafen am Rhein Inhaltsübersicht: Seite 2: Änderungsordnung zur Speziellen rüfungsordnung für den konsekutiven
MehrGfQG Gesellschaft für Qualität im Gesundheitswesen, Karlsruhe
Mitarbeiterbefragung und dann? Der erfolgreiche Umgang mit den Ergebnissen: Was zeigt sich in der Wiederholungsbefragung nach zwei Jahren? am Beispiel der Mittelrhein-Klinik, DRV-Rheinland-Pfalz, Bad Salzig
Mehr