MACHINE LEARNING MIT JAVA UND H2O. Dr. Jonathan Boidol, Stephan Schiffner , Java Forum, Stuttgart
|
|
- Gertrud Böhmer
- vor 5 Jahren
- Abrufe
Transkript
1 MACHINE LEARNING MIT JAVA UND H2O Dr. Jonathan Boidol, Stephan Schiffner , Java Forum, Stuttgart
2 Outline Introduction H 2 O Demo Use Case: Klassifikation von Sentiment in Tweets ML Pipeline Modellbildung ML Pipeline Anwendung Mehr Machine Learning mit H 2 O 2
3 Machine Learning im Einsatz 3
4 Machine Learning in a Nutshell Gelabelte Trainingsdaten Machine Learning Algo. Classifier Vorhersagen Oder wenigstens: supervised learning Neue (ungelabelte) Daten 4
5 Machine Learning im Einsatz Data Science Produktiv- Systeme 5
6 Tweet Klassifikation Sentimentvorhersage mit WordEmbeddings 6
7 Ziel Live-Vorhersage von Wetter-Gefühlen aus Tweets: Textvorverarbeitung von Tweets Training eines Word2Vec Modell Training eines 4-Klassen Klassifikators anhand der Word2Vec-Vektoren Streaming und Klassifizierung neuer Tweets 7
8 Weather Tweets Trainingsdaten Datensatz von Tweets 1000 gelabelte Beispiele 4 Klassen einschl. nicht relevant Negative Uqhhh it's sooooo hot outside! #Texasweather Neutral / author is just sharing information Weather Alert: Flood Warning issued May 22 at 6:32PM MDT expiring May 23 at 9:32AM MDT by NWS Glasgow {link}... {link} Positive Friday evening. Weather? Beautiful. Last man standing at the office. Bitter? Nah. It only makes payday that much sweeter. Stay hungry. Not related to weather condition Community Blood Center Media Blood drive Tues Noon-6 at Westridge Mall by Penneys lower level - Blood to help Joplin st... 8
9 Intro H2O Machine Learning Platform 9
10 H 2 O Fakten Open source In-memory, verteilte, skalierbare ML platform Erstellen von ML Modellen und einfacher Export zur Produktivanwendung der Modelle Hocheffiziente Versionen bekannter Algorithmen APIs: H2O4GPU, Sparkling Water, Steam Leader im 2018 Gartner Magic Quadrant für Data Science and Machine Learning Platforms 10
11 Überblick H 2 O Source: 11
12 H 2 O-Cluster H2O Cluster in Java (auch lokal) Funktionsaufrufe werden in REST- Calls übersetzt Interfaces in R/Python/Java/Scala/GUI Source: 12
13 Use-Case Architektur Implementiert mit R, H2O, Spark Streaming & Java 13
14 Architektur Trainingsdaten Modelltraining Modell Twitter Streaming Vorhersage Modell 14
15 Trainings-Pipeline 16
16 Teil I: R-Studio 17
17 Datenimport library(h2o) h2o_context <- h2o.init(nthreads=-1, max_mem_size = "12G") # aus Filesystem: twitter_data_raw <- h2o.importfile("weather-agg-dfe.csv", header = T) # Aufbereitung und Formatierung... w2v.model <- h2o.word2vec(words, epochs = 100) twitter.vecs <- h2o.transform(w2v.model, tokenize(twitter_data_df$tweet)) twitter_data_embedded <- h2o.cbind(twitter_data_df[, c("confidence", "emotion")], twitter.vecs) 18
18 Datenimport library(h2o) h2o_context <- h2o.init(nthreads=-1, max_mem_size = "12G") # aus Hadoop: twitter_data_hdfs <- "hdfs://node-1:/user/data/twitter/weather-agg-dfe.csv" twitter_data_raw <- h2o.importfile(twitter_data_hdfs, header = T) # Aufbereitung und Formatierung... w2v.model <- h2o.word2vec(words, epochs = 100) twitter.vecs <- h2o.transform(w2v.model, tokenize(twitter_data_df$tweet)) twitter_data_embedded <- h2o.cbind(twitter_data_df[, c("confidence", "emotion")], twitter.vecs) 19
19 Entscheidungsbäume Hierarchische Baum-Struktur Abzweigungen nach Kriterien Ja sun Nein Blatt des Baums -> Entscheidung gefunden too rain Varianten: Mehrere Bäume pleasant Spezialisierte Modelle in Blättern Kombination mit NN 20
20 Modellentwicklung target <- "emotion" emotion_model_gbm <- h2o.gbm(y = target, x = feature_list, training_frame = twitter_data_embedded_train, ntrees = 100, max_depth = 4, learn_rate = 0.1 ) # Validierung, Parameteroptimierung, andere Modelle... 21
21 Modellfiles H 2 O + Spark Cluster Integration ist optional möglich Entwicklung direkt in Spark-Umgebung Sparkling Water Auch hier Python/R/ Interfaces H 2 O-Cluster/-Umgebung/ nicht mehr nötig: Dependencies für Java-Einbindung Serialisierte Modelle vs. 22
22 MOJO vs POJO public class MyPojo { private String someproperty; public String getsomeproperty() { return someproperty; POJO: Kompilierbare Base-Klassen der Modelle Braucht h2o-genmodel.jar } public void setsomeproperty(string someproperty) { } this.someproperty = someproperty; } MOJO: Model ObJect, Optimized Platzsparendes Binärformat Erst für wenige Modelle verfügbar Braucht h2o-genmodel.jar 23
23 Modellexport # model_dependencies.jar enthält Abhängigkeiten für Java: # Importfunktionen, Modelwrapper, etc.. modelfile <- h2o.download_mojo(emotion_model_gbm, path = "/model/dir", get_genmodel_jar = T, genmodel_name = "model_dependencies.jar") 24
24 Anwendungs-Pipeline 25
25 Java & Spark 26
26 Receiver Spark/Spark-Streaming in a nutshell Spark Streaming Daten stream Batches Master Spark Context Results Slave Slave Slave Slave task task task task task task task task task task task task task task task task task task task task 27
27 Spark Streaming // Erzeugen des spark streaming context SparkConf sparkconf = new SparkConf().setMaster("local[4]").setAppName("StreamDemo"); JavaStreamingContext ssc = new JavaStreamingContext(sparkConf, Durations.seconds(2)); // stream processing definieren JavaReceiverInputDStream<Status> tweetstream = TwitterUtils.createStream(ssc, filters);... // Start des stream-processing ssc.start(); ssc.awaittermination(); ssc.close(); 28
28 Modell Einbinden // Mojos einlesen import hex.genmodel.algos.word2vec.wordembeddingmodel; import hex.genmodel.mojomodel; import hex.genmodel.easy.easypredictmodelwrapper; EasyPredictModelWrapper predictionmodel = new EasyPredictModelWrapper( MojoModel.load(predictionModelPath)); WordEmbeddingModel w2vmodel = Word2VecMojoModel.load(w2vModelPath); 29
29 Scoring //eigentliches scoring float[] tweetembedding = new float[vecsize]; words.stream().map(word -> w2vmodel.transform0(word, new float[vecsize]) ).reduce( tweetembedding, Utils::sumFloatarrays ); MultinomialModelPrediction prediction = predictionmodel.predictmultinomial(tweetembedding); 30
30 Live-Demo Wenn das Wifi mitspielt 31
31 Ausblick H 2 O Weitere Machine Learning Fähigkeiten 32
32 H 2 O Machine Learning: More Deep NN sm_deepl = h2o.deeplearning( epochs = 50, hidden = c(20, 20) ) XGBoost sm_xgb = h2o.xgb( ) Ensemble Models ens <- h2o.stackedensemble( ) Optimization param_opt <- h2o.grid( "model", hyper_params = ) 33
33 H2O Flow GUI für Programmierfaule 34
34 36 Thank you for your attention! Questions?
Machine Learning mit H2O und Java
Machine Learning mit H2O und Java Stephan Schiffner und Dr. Jonathan Boidol, Steadforce Schätzungsweise 60 Prozent aller Machine-Learningund Analytics-Projekte in Unternehmen schaffen es nicht über Experiment-
MehrSprecher. Stephan Krauß Enterprise Portale E-Commerce. Dipl.-Phys. Johannes Knauf Business Analytics Data Science
Sprecher Stephan Krauß Enterprise Portale E-Commerce T +49 (0)911 25 25 68 0 F +49 (0)911 25 25 68 68 info@ancud.de http://www.ancud.de Dipl.-Phys. Johannes Knauf Business Analytics Data Science T +49
MehrData Pipelines mit zentralem Kosmos Kafka. Markus Bente
Data Pipelines mit zentralem Kosmos Kafka Markus Bente @trivadis doag2018 Mit über 650 IT- und Fachexperten bei Ihnen vor Ort. 16 Trivadis Niederlassungen mit über 650 Mitarbeitenden. Erfahrung aus mehr
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
MehrS3 your Datacenter. Software Defined Object Storage. Die kostengünstige und skalierbare Lösung für Ihre unstrukturierten Daten
S3 your Datacenter Software Defined Object Storage Die kostengünstige und skalierbare Lösung für Ihre unstrukturierten Daten Unstrukturierte Daten explodieren Volume in Exabytes Sensors & Devices Social
MehrBIG DATA IM RETAIL-SEKTOR AM BEISPIEL KASSENBONDATEN BUSINESS ANALYTICS DAY
BIG DATA IM RETAIL-SEKTOR AM BEISPIEL KASSENBONDATEN BUSINESS ANALYTICS DAY 08.03.2017 REWE Systems GmbH Jonas Freiknecht inovex GmbH Bernhard Schäfer AGENDA 1 / Vorstellung REWE Systems GmbH und inovex
MehrA central repository for gridded data in the MeteoSwiss Data Warehouse
A central repository for gridded data in the MeteoSwiss Data Warehouse, Zürich M2: Data Rescue management, quality and homogenization September 16th, 2010 Data Coordination, MeteoSwiss 1 Agenda Short introduction
Mehr+++ Bitte nutzen Sie die integrierte Audio-Funktion von WebEx (Menü Audio -> Integrated Voice Conference -> Start auswählen), um uns zu hören!!!.
+++ Bitte nutzen Sie die integrierte Audio-Funktion von WebEx (Menü Audio -> Integrated Voice Conference -> Start auswählen), um uns zu hören!!!. +++ Oracle Mobile Cloud Service (MCS) MCS SDK & MAF MCS
MehrMaschinenlernen mit XML-Daten. und Weka
Maschinenlernen mit XML-Daten und Weka + Buzzword Bingo Data Mining Künstliche Intelligenz Knowledge Discovery Mustererkennung Statistik Big Data ML-Teilbereich: Klassifikation Der Computer lernt, Daten
MehrML Deployment. Vom Prototyp zur Produktion
ML Deployment Vom Prototyp zur Produktion Marcel Spitzer Karlsruhe, 15.3.2018 Marcel Spitzer Big Data Scientist @ inovex Wi.-Mathematik (B.Sc.), Wi.-Informatik (M.Sc.) Data Science mit Python und R Deployment
MehrSkalierbare Webanwendungen
Skalierbare Webanwendungen Thomas Bachmann Lead Software Architect & CIO Mambu GmbH Twitter: @thobach Anwendungsbeispiel Hohe Nichtfunktionale Anforderungen Sicherheit Vertraulichkeit Integrität Verfügbarkeit
MehrProjektgruppe. Thomas Kühne. Komponentenbasiertes Software Engineering mit OSGi
Projektgruppe Thomas Kühne Komponentenbasiertes Software Engineering mit OSGi Anforderungen der PG IDSE an ein Komponenten- Client Nativer Client Web Client Alternativen IDSE Nutzer Szenario Pipe IDSE
MehrNext generation open source BPM JBoss jbpm 4. Java Forum Stuttgart 02.07.2009 bernd.ruecker@camunda.com
Next generation open source BPM JBoss jbpm 4 Java Forum Stuttgart 02.07.2009 bernd.ruecker@camunda.com Bernd Rücker / bernd.ruecker@camunda.com / 2 Guten Morgen Berater, Trainer, Coach Softwareentwickler
MehrJPlus Platform Independent Learning with Environmental Information in School
JPlus Platform Independent Learning with Environmental Information in School Mario Härtwig, Pierre Karrasch Salzburg, 7. Juli 2010 Genesis Umweltmonitoring als Beitrag zur Umweltbildung an Schulen. Kulturlandschaftsentwicklung
MehrEclipse Equinox als Basis für Smart Client Anwendungen. Christian Campo, compeople AG, 5.7.2007 Java Forum Stuttgart 2007
Eclipse Equinox als Basis für Smart Client Anwendungen Christian Campo, compeople AG, 5.7.2007 Java Forum Stuttgart 2007 Übersicht Definition / Architektur Smart Client Smart Client mit RCP / Equinox Gesamtfazit
MehrA linear-regression analysis resulted in the following coefficients for the available training data
Machine Learning Name: Vorname: Prof. Dr.-Ing. Klaus Berberich Matrikel: Aufgabe 1 2 3 4 Punkte % % (Bonus) % (Gesamt) Problem 1 (5 Points) A linear-regression analysis resulted in the following coefficients
MehrBig Data im Retail-Sektor am Beispiel Kassenbondaten
Big Data im Retail-Sektor am Beispiel Kassenbondaten REWE Systems GmbH Jonas Freiknecht inovex GmbH Bernhard Schäfer Business Analytics Day, 08.03.2017 AGENDA 1. Vorstellung REWE Systems GmbH und inovex
MehrEXPERT SURVEY OF THE NEWS MEDIA
EXPERT SURVEY OF THE NEWS MEDIA THE SHORENSTEIN CENTER ON THE PRESS, POLITICS & PUBLIC POLICY JOHN F. KENNEDY SCHOOL OF GOVERNMENT, HARVARD UNIVERSITY, CAMBRIDGE, MA 0238 PIPPA_NORRIS@HARVARD.EDU. FAX:
MehrWCF RIA Services Datengetriebene Apps. Thomas Claudius Huber Senior Consultant Trivadis AG
WCF RIA Services Datengetriebene Apps Thomas Claudius Huber Senior Consultant Trivadis AG Thomas Claudius Huber.NET Senior Consultant @Trivadis Basel Spezialisiert auf Silverlight und WPF Autor der umfassenden
Mehr2011 European HyperWorks Technology Conference
2011 European HyperWorks Technology Conference Topology Optimization Methods applied to Automotive Transmission Housings 1 Agenda Introduction - Corporate Information - overview Topology Optimization for
MehrEinführung in NLP mit Deep Learning
Einführung in NLP mit Deep Learning Hans-Peter Zorn Minds mastering Machines, Köln, 26.4.2018 NLP ist auf einmal überall Zusammenfassung aggregated reviews Dokumentklassifikation Übersetzung Dialogsysteme
MehrSchnelles Denken - Maschinelles Lernen mit Apache Spark 2
Schnelles Denken - Maschinelles Lernen mit Apache Spark 2 Heiko Spindler Apache Spark - Components Machine Learning Machine learning explores the construction and study of algorithms that can learn from
MehrRegistration of residence at Citizens Office (Bürgerbüro)
Registration of residence at Citizens Office (Bürgerbüro) Opening times in the Citizens Office (Bürgerbüro): Monday to Friday 08.30 am 12.30 pm Thursday 14.00 pm 17.00 pm or by appointment via the Citizens
MehrMash-Up Personal Learning Environments. Dr. Hendrik Drachsler
Decision Support for Learners in Mash-Up Personal Learning Environments Dr. Hendrik Drachsler Personal Nowadays Environments Blog Reader More Information Providers Social Bookmarking Various Communities
MehrDer Weg zum intelligenten Assistenten Machine Learning, Künstliche Intelligenz und Kognitive Suche
Der Weg zum intelligenten Assistenten Machine Learning, Künstliche Intelligenz und Kognitive Suche Photo by Bence Boros on Unsplash AGENDA Über uns Begrifflichkeiten: Machine Learning, KI & Cognitive Search
MehrFachgebiet Softwaretechnik, Heinz Nixdorf Institut, Universität Paderborn. Testen. Tutorial im Rahmen des Software(technik)praktikums SS 2012
Testen Tutorial im Rahmen des Software(technik)praktikums SS 2012 Grundlagen (1) Software ist ein fundamentales Element in der Softwarequalitätssicherung Software wird am häufigsten eingesetzt Viele Organisationen
MehrUpgrade your home. alphaeos a predictive & intelligent heating control system
Upgrade your home alphaeos a predictive & intelligent heating control system Folie 1 Who we are... In 2009, an interdisciplinary team of software developers, engineers, and architects joined forces as
MehrAnalytic im Einsatz! Betrugserkennung auf Basis von Big Data. Karol Sobiech
Analytic im Einsatz! Betrugserkennung auf Basis von Big Data Karol Sobiech 2 ACCENTURE GLOBAL DELIVERY NETWORK 3 4 AGENDA 1 MOTIVATION & ZIEL 2 METHODEN FRAUD MANAGEMENT SYSTEM 4 ARCHITEKTUR & TOOLS 3
MehrBDCA Kick-Off München,
BDCA Kick-Off München, 3.3.2015 Unser Modus: Sprinter Fakten! Seit 2005! 60+ Mitarbeiter:! Certified Scrum Masters/Product Owners! Certified Java Spring Professionals! Certified MongoDB Devs/Admins! Certified
MehrSusanne Greiner, Data Scientist, Würth Phoenix. Würth Phoenix more than software
USER GROUP 2018 Von der Datenaufnahme zur Datenanalyse Das Performance Monitoring von morgen: Einfluss von User Experience, Anomaly Detection, Deep Learning Susanne Greiner, Data Scientist, Würth Phoenix
Mehrvolume velocity variety cost-effective innovative enhanced insight and decision making
BIG DATA Big data is high-volume, high-velocity and high-variety information assets that demand cost-effective, innovative forms of information processing for enhanced insight and decision making. -- Gartner
MehrServerless Architecture with Azure-Functions
Serverless Architecture with Azure-Functions Mark Allibone @mallibone Noser Engineering AG 2017, Alle Rechte vorbehalten. Mark Allibone, Head of Mobile @mallibone Noser Engineering AG Ambassador https://mallibone.com
MehrData Science mit Python und ML Engineering, ML Deployment Big Data, Hadoop, Spark
Data Science mit Python und R mspitzer@inovex.de @mspitzer243 ML Engineering, ML Deployment Big Data, Hadoop, Spark 2 Identifikation und Extraktion relevanter Features aus verschiedenen Quellen Explorative
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
MehrDatenprodukte für Deutschlands größten Fahrzeugmarkt. Vortrag beim BITKOM Big Data Summit am 16. Februar 2017 in Hanau
Datenprodukte für Deutschlands größten Fahrzeugmarkt Vortrag beim BITKOM Big Data Summit am 16. Februar 2017 in Hanau Was darf dieses Auto kosten? 2 Quelle: mobile.de Vortragende Benjamin Eckart Manager
MehrBig Data: Apache Hadoop Grundlagen
Seminarunterlage Version: 1.07 Version 1.07 vom 5. September 2018 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen
MehrMultimedia im Netz Wintersemester 2012/13
Multimedia im Netz Wintersemester 2012/13 Übung 10 Ludwig-Maximilians-Universität München Multimedia im Netz WS 2012/13 - Übung 10-1 Lösung zu Übungsblatt 08 Ludwig-Maximilians-Universität München Multimedia
MehrEnterprise JavaBeans Überblick
Enterprise JavaBeans Überblick 1. Überblick Java EE 5 und Komponententechnologien 2. Einführung Java EE 5 Plattform 3. Enterprise JavaBeans Architektur 4. Ressourcen Management und Primäre Services 5.
MehrBig Data Technologien
Big Data Technologien - Ein Überblick - Prof. Dr. Jens Albrecht jens.albrecht@th-nuernberg.de Big Data Landscape 2016 Prof. Dr. Jens Albrecht Big Data 3 Systemarchitektur im Wandel Gestern und heute Strukturierte
MehrUsing TerraSAR-X data for mapping of damages in forests caused by the pine sawfly (Dprion pini) Dr. Klaus MARTIN klaus.martin@slu-web.
Using TerraSAR-X data for mapping of damages in forests caused by the pine sawfly (Dprion pini) Dr. Klaus MARTIN klaus.martin@slu-web.de Damages caused by Diprion pini Endangered Pine Regions in Germany
MehrJava Forum Stuttgart 2013 Kai.Spichale@adesso.de twitter.com/kspichale spichale.blogspot.de
NoSQL für Java-Entwickler Java Forum Stuttgart 2013 Kai.Spichale@adesso.de twitter.com/kspichale spichale.blogspot.de 23.06.2013 Agenda Datengröße Key-value Stores 1. Wide Column 2. Cassandra Document
MehrInformatik II Übung 2. Pascal Schärli
Informatik II Übung 2 Pascal Schärli pascscha@student.ethz.ch 08.03.2018 Code Expert Pascal Schärli 08.03.2018 2 Nachbesprechung Serie 1 Aufgabe 1 a) Induktionsbeweis über a möglich? Nein! Der Induktionsanfang
MehrIndustrie Chance oder Risiko? Martin Botteck Prof. Dr.-Ing. Kommunikationsdienste und -anwendungen
Industrie 4.0 - Chance oder Risiko? Martin Botteck Prof. Dr.-Ing. Kommunikationsdienste und -anwendungen Industrielle Revolution, Version 4.0 Der Kongress im Jahr 2015: Worum geht es überhaupt? Kongress
MehrBig Data im Call Center: Kundenbindung verbessern, Antwortzeiten verkürzen, Kosten reduzieren! 25.02.2016 Sascha Bäcker Dr.
Big Data im Call Center: Kundenbindung verbessern, Antwortzeiten verkürzen, Kosten reduzieren! 25.02.2016 Sascha Bäcker Dr. Florian Johannsen AGENDA 1. Big Data Projekt der freenet Group Dr. Florian Johannsen
MehrInnere Klassen. Innere Klassen. Page 1. Lernziele: innere Klassen, statische geschachtelte Klassen, anonyme Klassen.
Innere Klassen Innere Klassen Lernziele: innere Klassen, statische geschachtelte Klassen, anonyme Klassen. Literatur: Java Tutorial & Arnold, K., Gosling, J. und Holmes,D... Page 1 Innere Klassen Der erste
MehrSAP Analytics für KMU. Oktober 2017
SAP Analytics für KMU Oktober 2017 1. Trend 2. Lösung Inhalt 3. Szenarien 4. Angebot 5. Vorteile 6. Testen Sie es! 7. Referenz 8. Unsere Kunden 9. Kontakt Reporting mit Excel? Werden Sie es los. Ganz einfach.
MehrSeminar aus Programmiersprachen. Markus Raab LVA
Seminar aus Programmiersprachen Markus Raab LVA 185.307 09.03.2016 Outline Problem description Topics Seminar course Grading Select date Choose topic+registration Elektra's
MehrVisualisierung und Vorhersagesteuerung mit Delft FEWS in der Schweiz
Federal Department of the Environment, Transport, Energy and Communications DETEC Federal Office for the Environment FOEN Visualisierung und Vorhersagesteuerung mit Delft FEWS in der Schweiz Martin Ebel,
MehrEuropean Qualification Strategies in Information and Communications Technology (ICT)
European Qualification Strategies in Information and Communications Technology (ICT) Towards a European (reference) ICT Skills and Qualification Framework Results and Recommendations from the Leornardo-da-Vinci-II
MehrWeather forecast in Accra
Weather forecast in Accra Thursday Friday Saturday Sunday 30 C 31 C 29 C 28 C f = 9 5 c + 32 Temperature in Fahrenheit Temperature in Celsius 2 Converting Celsius to Fahrenheit f = 9 5 c + 32 tempc = 21
MehrDr. Daniel Fasel, CEO DATEN, DAS WERTSCHÖPFENDE GUT FÜR DIE DIGITALISIERUNG
Dr. Daniel Fasel, CEO DATEN, DAS WERTSCHÖPFENDE GUT FÜR DIE DIGITALISIERUNG End 2 End Big Data Services Platform Engineering & DevOps Analytics Solutions Proof of Concept Architecture & Strategy Machbarkeitsstudien
MehrProf. Dr. Margit Scholl, Mr. RD Guldner Mr. Coskun, Mr. Yigitbas. Mr. Niemczik, Mr. Koppatz (SuDiLe GbR)
Prof. Dr. Margit Scholl, Mr. RD Guldner Mr. Coskun, Mr. Yigitbas in cooperation with Mr. Niemczik, Mr. Koppatz (SuDiLe GbR) Our idea: Fachbereich Wirtschaft, Verwaltung und Recht Simple strategies of lifelong
MehrCoding Design Systems Building Software for Designers
Coding Design Systems Building Software for Designers (4) Hallo, Prioritize ich bin Marius Wilms Ziel: Tech innerhalb lead, Software der Gruppe creator und Konsens Künstler. CTO über bei Atelier Disko.
MehrStephan Brumme, SST, 3.FS, Matrikelnr
Aufgabe M3.1 Ich habe versucht, die Funktionalität als Baustein in Klassen zu verpacken. Mein Programm enthält daher keine Routinen zur Ein- / Ausgabe, falls man zu Testzwecken die Abläufe verfolgen will,
MehrWhat s New? Skype for Business. Dirk THORMANN
What s New? Skype for Business Dirk THORMANN Agenda Skype for Business - SERVER Neue Rollen Backend Server Edge Updates Voice Updates Upgrade Skype for Business - CLIENT OPTIONAL New Look New Client Features
MehrOO Programmiersprache vs relationales Model. DBIS/Dr. Karsten Tolle
OO Programmiersprache vs relationales Model Vorgehen bisher Erstellen eines ER-Diagramms Übersetzen in das relationale Datenmodell Zugriff auf das relationale Datenmodell aus z.b. Java ER rel. Modell OO
MehrMASP MANAGED ANALYTIC SERVICES PROVIDER UWE BENZ SAS ALLIANCE MANAGER
MANAGED ANALYTIC SERVICES PROVIDER UWE BENZ SAS ALLIANCE MANAGER MANAGED ANALYTIC SERVICES PROVIDER NEUE MARKTPOTENTIALE FÜR SAS-PARTNER Multi Threaded Routes to Market CHANNEL PROGRAMS SAS MASP Program
MehrVorkurs Informatik WiSe 16/17
Java Ausdrücke und Variablen Dr. Werner Struckmann / Stephan Mielke, Jakob Garbe, 05.10.2016 Technische Universität Braunschweig, IPS Überblick Ausdrücke, Datentypen und Variablen Kontrollstrukturen 05.10.2016
MehrMotivation. Klassifikationsverfahren sagen ein abhängiges nominales Merkmal anhand einem oder mehrerer unabhängiger metrischer Merkmale voraus
3. Klassifikation Motivation Klassifikationsverfahren sagen ein abhängiges nominales Merkmal anhand einem oder mehrerer unabhängiger metrischer Merkmale voraus Beispiel: Bestimme die Herkunft eines Autos
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
MehrWann soll ich mocken? XP Days Germany David Völkel
Wann soll ich mocken? XP Days Germany David Völkel 21.11.2016 @davidvoelkel @softwerkskammer @codecentric TDD & Design SCHICHTEN TESTEN? INTEGRIERTER TEST Unittest MOCKING Mock Unittest MOCKING Mock Unittest
MehrWatson Collaborator Cognitive Training für Collaboration Solutions
Watson Collaborator Cognitive Training für Collaboration Solutions Arnd Layer Competency Leader Social Collaboration, IBM Collaboration & Talent Solutions - Cognitive Solutions Unit DACH, 2017-04-03 2
MehrOpEx at Nycomed Austria Linz
OpEx at Nycomed Austria Linz OpEx KPIs People (current status): 221 Yellow Belts (Target 2011: 291) 3 Green Belts 3 Black Belts Projects OPEX Activities Pipeline 2 About to be started 1 Ongoing 16 Completed
MehrIUG DRESDEN ERSTELLUNG VON ROBUSTEN NATURAL SERVICES Software AG. All rights reserved. For internal use only
IUG DRESDEN ERSTELLUNG VON ROBUSTEN NATURAL SERVICES 2016 Software AG. All rights reserved. For internal use only DIGITAL BUSINESS APPLICATIONS DRIVE THE DIGITAL BUSINESS Partner Lieferanten Kunden SaaS
MehrOliver Paulus, oliver@code-project.org. 7. Februar 2006. Spring Framework Einführung. Oliver Paulus, oliver@codeproject.org. Was ist Spring?
oliver@code-project.org 7. Februar 2006 Inhalt 1 2 3 4 5 6 7 8 9 Inhalt 1 2 3 4 5 6 7 8 9 Inhalt 1 2 3 4 5 6 7 8 9 Inhalt 1 2 3 4 5 6 7 8 9 Inhalt 1 2 3 4 5 6 7 8 9 Inhalt 1 2 3 4 5 6 7 8 9 Inhalt 1 2
MehrVorkurs Informatik WiSe 17/18
Java Ausdrücke und Variablen Dr. Werner Struckmann / Stephan Mielke, Nicole Naczk, 05.10.2017 Technische Universität Braunschweig, IPS Überblick Ausdrücke, Datentypen und Variablen Kontrollstrukturen 05.10.2017
MehrSchneller als Hadoop?
Schneller als Hadoop? Einführung in Spark Cluster Computing 19.11.2013 Dirk Reinemann 1 Agenda 1. Einführung 2. Motivation 3. Infrastruktur 4. Performance 5. Ausblick 19.11.2013 Dirk Reinemann 2 EINFÜHRUNG
MehrInstitut für Programmierung und Reaktive Systeme. Java 6. Markus Reschke
Institut für Programmierung und Reaktive Systeme Java 6 Markus Reschke 13.10.2014 OOP Objekte = Verhalten (durch Methoden) + Daten (durch Attribute) Klassen = Baupläne für Objekte Kapselung von Programmteilen
MehrOracle Bare Metal Cloud Service
Oracle Bare Metal Cloud Service Ein Überblick Marcus Schröder Master Principal Sales Consultant Business Unit Core & Cloud Technologies November, 2017 2 Safe Harbor Statement The following is intended
Mehrentwine for the open minded
cdn dualstream html5 player processing youtube video portal lms metadata live on demand learning recording annotation 9employees 3 continents 80 000 hours of content 14 happy clients produced per 2011
MehrInstitut für Programmierung und Reaktive Systeme. Java 2. Markus Reschke
Java 2 Markus Reschke 07.10.2014 Datentypen Was wird gespeichert? Wie wird es gespeichert? Was kann man mit Werten eines Datentyps machen (Operationen, Methoden)? Welche Werte gehören zum Datentyp? Wie
MehrOpen Source Data Center Virtualisierung mit OpenNebula. 22.05.2013 LinuxTag Berlin. Bernd Erk www.netways.de
Open Source Data Center Virtualisierung mit OpenNebula 22.05.2013 LinuxTag Berlin Bernd Erk VORSTELLUNG NETWAYS NETWAYS! Firmengründung 1995! GmbH seit 2001! Open Source seit 1997! 38 Mitarbeiter! Spezialisierung
MehrKapitel zu bearbeitende Aufgaben: 6.1 bis :
Kapitel 6.3.1 1. zu bearbeitende Aufgaben: 6.1 bis 6.5 6.1: 6.2: === Day 23 === 9: pause 10: 11: 12: 13: lunch 14: 15: 16: 17: meeting 6.3: 6.4: PRG1_OOP8_ALG3_SS.docx Seite 1 von 10 http://hslu.ximit.ch
MehrEinführung: Verteilte Systeme - Remote Method Invocation -
Einführung: Verteilte Systeme - - Prof. Dr. Michael Cebulla 11. Dezember 2014 Fachhochschule Schmalkalden Wintersemester 2014/15 1 / 43 M. Cebulla Verteilte Systeme Gliederung 1 2 Architektur RMI Kommunikation
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:
MehrEinführung in Hadoop & MapReduce. Dr. Kathrin Spreyer Big Data Engineer
Einführung in Hadoop & MapReduce Dr. Kathrin Spreyer Big Data Engineer München, 19.06.2013 Agenda Einleitung 1. HDFS 2. MapReduce 3. APIs 4. Hive & Pig 5. Mahout Tools aus Hadoop-Ökosystem 6. HBase 2 Worum
MehrCloud Computing in der öffentlichen Verwaltung
Cloud Computing in der öffentlichen Verwaltung Willy Müller - Open Cloud Day 19.6.2012 2 Plug and Cloud? 3 The plug tower BPaaS Software SaaS Platform PaaS Storage/ Computing IaaS Internet Power grid 4
MehrMSE/SWF - API Design. Arthur Zaczek. Feb 2015
Arthur Zaczek Feb 2015 1 Einleitung Dieses Dokument ist eine Zusammenfassung des Buches Practical API Design: Confessions of a Java Framework Architect. [@Tulach2012] 1.1 Cluelessness Je einfacher eine
MehrErstellen von PDF-Dokumenten für Business-Anwendungen mit XSL-FO
Erstellen von PDF-Dokumenten für Business-Anwendungen mit XSL-FO Ich über mich Rudi Gast (rgast@ghs-software.de) seit 2000 angestellt bei der GHS Tätigkeiten: Projektleitung Softwareentwicklung F&E ca.
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
MehrTHEMA: SAS DATA INTEGRATION STUDIO FÜR MEHR TRANSPARENZ IM DATENMANAGEMENT EVA-MARIA KEGELMANN
WEBINAR@LUNCHTIME THEMA: SAS DATA INTEGRATION STUDIO FÜR MEHR TRANSPARENZ IM DATENMANAGEMENT EVA-MARIA KEGELMANN HERZLICH WILLKOMMEN BEI WEBINAR@LUNCHTIME Moderation Anne K. Bogner-Hamleh SAS Institute
MehrGranite Gerhard Pirkl
Granite Gerhard Pirkl 2013 Riverbed Technology. All rights reserved. Riverbed and any Riverbed product or service name or logo used herein are trademarks of Riverbed Technology. All other trademarks used
MehrModulare Anwendungen und die Lookup API. Geertjan Wielenga NetBeans Team Deutschsprachige Überarbeitung, Aljoscha Rittner NetBeans Dream Team
Modulare Anwendungen und die Lookup API Geertjan Wielenga NetBeans Team Deutschsprachige Überarbeitung, Aljoscha Rittner NetBeans Dream Team Die Notwendigkeit modularer Anwendungen Die Notwendigkeit modularer
Mehr(Mobile) Geschäftsprozesse mit SharePoint & Co.
(Mobile) Geschäftsprozesse mit SharePoint & Co. Lösungsansätze zur Digitalisierung von zessen Stefan von Niederhäusern CTO @Nexplore Informatik Ing. FH 20 Jahre IT Architekt & Beratung seit 1999 Office:
MehrTool-Chain. Übung. Eclipse, SVN, Ant, Cobertura, Metrics Labor "Software Engineering Experiment" Sebastian Meyer und Kai Stapel
Tool-Chain Übung Eclipse, SVN, Ant, Cobertura, Metrics Labor "Software Engineering Experiment" 2009 Sebastian Meyer und Kai Stapel 05.05.2009 Überblick SVN Grundlagen SVN in Eclipse Ant in Eclipse Cobertura
MehrJava Tools JDK. IDEs. Downloads. Eclipse. IntelliJ. NetBeans. Java SE 8 Java SE 8 Documentation
Java Tools JDK http://www.oracle.com/technetwork/java/javase/ Downloads IDEs Java SE 8 Java SE 8 Documentation Eclipse http://www.eclipse.org IntelliJ http://www.jetbrains.com/idea/ NetBeans https://netbeans.org/
MehrKNIME HPC INTEGRATION VIA UNICORE
KNIME HPC INTEGRATION VIA UNICORE *, Florian Jug*, Bernd Schuller, René Jäkel, Gene Myers, Wolfgang E. Nagel www.scads.de OVERVIEW Introduction KNIME UNICORE Data Oriented Processing KNIME HPC Integration
MehrZeitsteuerung von Abläufen in Java
Zeitsteuerung von Abläufen in Java auf Basis von TerracottaQuartz Ralph Löwe Competence Center Wirtschaftsinformatik Gliederung 1. Einleitung 2. Klassische Java-Hilfsmittel 3. TerracottaQuartz 4. Anwendungsobjekte
MehrBring your own Schufa!
Bring your own Schufa! Jan Schweda Senior Softwareengineer Web & Cloud jan.schweda@conplement.de @jschweda Ziele des Vortrags Die Möglichkeiten von maschinellem Lernen aufzeigen. Azure Machine Learning
MehrRAP vs. GWT vs. GAE/J + jquery. Web Technologien im Verlgeich
RAP vs. GWT vs. GAE/J + jquery Web Technologien im Verlgeich RAP vs GWT vs jquery Dominik Wißkirchen 30. Oktober 2010 Abkürzungen RAP AJAX RWT Rich AJAX Platform Asynchronous JavaScript and XML RAP Widget
MehrRessourcenmanagement in Netzwerken SS06 Vorl. 12,
Ressourcenmanagement in Netzwerken SS06 Vorl. 12, 30.6.06 Friedhelm Meyer auf der Heide Name hinzufügen 1 Prüfungstermine Dienstag, 18.7. Montag, 21. 8. und Freitag, 22.9. Bitte melden sie sich bis zum
MehrProgrammieren in Java
Programmieren in Java Vorlesung 02: Methoden Prof. Dr. Peter Thiemann Albert-Ludwigs-Universität Freiburg, Germany SS 2017 Peter Thiemann (Univ. Freiburg) Programmieren in Java JAVA 1 / 17 Inhalt Scanner
MehrMit Chatbots den Service Desk optimieren. Michael Kuschke, Materna GmbH
Mit Chatbots den Service Desk optimieren Michael Kuschke, Materna GmbH Inhalte. Hype-Themen Artificial Intelligence, Cognitive Computing, Machine Learning und Chatbot Chatbot Was ist das? Wo braucht man
MehrArten von Streams. Daten. Bytes (8-Bits) Java Programm. Daten. Java Programm. Characters (16 - Bits)
Datenströme Arten von Streams Daten 0 1 1 0 1 0 1 0 Java Programm Bytes (8-Bits) Daten 0 1 1 0 1 0 1 0 1 0 1 1 0 0 1 1 Java Programm Characters (16 - Bits) Byteströme(InputStream/OutputStream) I Java Programm
MehrSOLID für.net und JavaScript
SOLID für.net und JavaScript www.binarygears.de Stefan Dirschnabel Twitter: @StefanDirschnab #dncgn SOFTWARE ENTWICKLUNG BERATUNG SCHULUNG 5 Prinzipien für das Design von Software Wartbarer Code Leicht
MehrTMF projects on IT infrastructure for clinical research
Welcome! TMF projects on IT infrastructure for clinical research R. Speer Telematikplattform für Medizinische Forschungsnetze (TMF) e.v. Berlin Telematikplattform für Medizinische Forschungsnetze (TMF)
MehrLesbares Java. Steffen Gemkow. Freitag, 16. November 12
Lesbares Java Steffen Gemkow Zur Person Steffen Gemkow Geschäftsführer Java seit 1996 Agile Coach, Scrum-Master JUnitDoclet, TheWayOut Der Pragmatische Programmierer Wartbarkeit Funktion von Lesbarkeit
Mehr