CAS Data Science. Die Datenanalyse spielt für Unternehmen eine immer wichtigere Rolle.
|
|
- Lucas Schulze
- vor 5 Jahren
- Abrufe
Transkript
1 Die Datenanalyse spielt für Unternehmen eine immer wichtigere Rolle. Geschäftsreleante Informationen aus einer grossen gesammelten Datenmenge herauslesen! 1
2 Hauptkursziel: Das Ziel des Kurses ist die Vermittlung on Data Science Methodiken zur Analyse und Auswertung on Daten, mit einem kurzen Einblick in die Welt on Large Scale Data Analytics («Big Data»). Patrizia Hostettler Administration Martin Hüsler CAS-Leiter ad interim Prof. Dr. André Csillaghy Institutsleiter I4DS 2
3 Zielpublikum: Fachpersonen aus der Informatik mit analytischem Interesse, die sich bereits heute schon mit Datenerwaltung und -auswertung beschäftigen oder neu Aufgaben im Bereich Data Science übernehmen. Nutzen: Sie können nützliche Datenquellen problembezogen auswählen und anbinden, die Daten aufarbeiten und kombinieren und mit Hilfe on geeigneten Data Science Methodiken auswerten und anschliessend isualisieren. Sie können den Bereich Data Science on Large Scale Data Analytics abgrenzen und damit bedarfsgerechte Softwarelösungen zur Datenauswertung konzipieren. Es wird iel Wert auf eine anwendungsorientierte Vermittlung der theoretischen Inhalte gelegt. Theoretische Ausbildungsblöcke werden im Unterricht mit «hands-on» Übungen begleitet, um das gelernte Wissen praktisch anwenden und ertiefen zu können. 3
4 Kurs Übersicht - 12 Kurstage, Freitags und Samstags 8.45 Uhr bis Uhr Starttag: Schlusstag: Zertifikat: CAS FHNW in Data Science (10 ECTS) Kurzprüfung am : Multiplechoice - Prüfung, 120 Minuten - Arbeit am eigenen Notebook (ca % der Kurszeit) Jede/r Teilnehmer/in soll einen eigenen Laptop mitbringen, auf welchem die für den Kurs benötigten Tools installiert werden können. Die Teilnehmer werden angewiesen, im Vorfeld des Kurses die Werkzeuge für den Unterricht zu installieren. Die benötigten Tools/Software und detaillierte Anweisungen zur Installation werden zur Verfügung gestellt. - Teilnehmer max. 20 Personen - Gemeinsame Unterrichtsplattform ist «inside.fhnw.ch» mit allen Dokumenten 4
5 Kurs Unterrichsblock Einführung in Data Science (Prof. A.Csillaghy) Data Mining (Prof. A.Csillaghy) Machine Learning (Dr. M.Graber) Information Retrieal & Natural Language Processing (R.Richardet) Information Visualization (M.Soldati) Graphen Analyse / Social Network Analysis (M.Henninger) Einblick in Large Scale Data Science (Prof. A.Csillaghy) 5
6 Stundenplan 6
7 Stundenplan 7
8 Stundenplan 8
9 Kurs Unterrichsblock Detail- Inhalte (1/8) Einführung in Data Science Dieser Themenblock gibt Ihnen eine Übersicht über Data Science. Sie werden in die Grundlagen eingeführt und anhand on Beispielen aus Forschung und Wirtschaft werden Ihnen die Chancen, Risiken und Herausforderungen aufgezeigt. Wieso ist Data Science wichtig geworden? Chancen und Risiken Einführung der Begriffe Data Science und Big Data. Wie sind sie gebunden? Herausforderungen, Limitierungen -> Chancen und Risiken Grundaufbau einer Data Science Lösung: Ansätze und Vorgehen Beispiele aus Forschung und Wirtschaft Einführung in Python und Arbeitsplattform, als Beispiel einer Data-ScienceUmgebung 9
10 Kurs Unterrichsblock Detail- Inhalte (2/8) Data Mining Im Block Data Mining lernen Sie, wie Sie eine Warenkorbanalyse durchführen und Muster in bestimmten Datensätzen erkennen und auswerten können. Sie werden in erschiedene Data-Mining-Modelle eingeführt und praktizieren die orgestellten Verfahren. Einführung Data Mining - Was bringt Data Mining? - Die Aufwertungskette des Data Mining Data Mining an Objektmengen Market Basket Analysis Regeln suchen Data Mining Modelle Übungen zu den orgestellten Verfahren 10
11 Kurs Unterrichsblock Detail- Inhalte (3/8) Machine Learning Im Machine Learning Block lernen Sie Methoden und Algorithmen kennen, mit welchen Sie Muster in Daten erkennen und zur Vorhersage nutzen können. Es werden Ihnen anhand praktischer Beispiele gängige ML Algorithmen wie bspw. Decision Trees und Support Vector Machines ermittelt, und Sie machen erste Schritte mit Neuronalen Netzwerken/ Deep Learning. Einführung und Grundbegriffe Grundlagen der Beschreibung und Visualisierung on Daten Überblick Machine Learning Methodologie Regression: Lineare Regression, Kernel Regression Methoden zur Klassifikation Logistische Regression Naïe Bayes Support Vector Machines 11
12 Kurs Unterrichsblock Detail- Inhalte (4/8) Machine Learning Methoden zur Dimensionsreduktion: PCA, NMF Clustering: Kmeans Einführung Neuronale Netzwerke Multi-Layer Perceptron Deep Learning: Konzepte und Architekturen Übersicht Machine Learning Projekte in der Praxis Übungen mit: Jupyter Notebooks, python, numpy, pandas, matplotlib, seaborn, scikit-learn, keras 12
13 Kurs Unterrichsblock Detail- Inhalte (5/8) Information Retrieal and Natural Language Processing Dieser Block befasst Sich mit Information Retrieal und Natural Language Processing. Dabei werden natürlich sprachliche Texte maschinell erarbeitet und die zentralen Informationen daraus gewonnen. Einführung im Natural Language Processing; typisches Vorgehen (workflow), Überblick on erfügbaren Algorithmen & Modellen Datenorbereitung (Text Normalisierung, Spracherkennung, Segmentierung, Stemming,.); - Übungen mit Jupiter Notebook: Datenorbereitung auf 50k biomedizinischen Artikeln. Information Extraction; - Übungen mit ElasticSearch und regulären Ausdrücken. Suchmaschinen (ector space Modell); - Übungen mit ElasticSearch und Jupyter Notebooks: Indexierung on obigen Artikeln. Language modelling; - Übungen mit Jupyter Notebooks und word2ec. 13
14 Kurs Unterrichsblock Detail- Inhalte (6/8) Information Visualization Im Block Information Visualisation werden Ihnen die notwendigen Konzepte und Techniken ermittelt, um Daten or, während und nach der Analyse nutzbringend zu isualisieren. Sie erhalten ein ertieftes Verständnis der Daten und können Ergebnisse für Drittpersonen aufbereiten. Einleitung: Wofür isualisieren? - Motiation, Anwendungen und Einsatzbereiche on Visualisierungen Daten und grundlegende Grafiken - Die erschiedenen Arten on Daten und die dafür geeigneten grafischen Darstellungen Grammar of Graphics - Theoretische Grundlagen der Informationsisualisierung Visuelle Wahrnehmung und Informationsdesign - Grundlegende Effekte, Designprinzipien, die Verwendung on Farbe Interaktie Visualisierungssysteme - Designprinzipien, Multi-iewSysteme, Interaktion Anwendung in der Praxis - Anwendung der theoretischen Kenntnisse anhand on Praxisbeispielen 14
15 Kurs Unterrichsblock Detail- Inhalte (7/8) Graphen Analyse Dieser Block befasst sich mit Graph Analyse und Ontologien. Es wird ermittelt, wie Daten als Graph repräsentiert und analysiert werden können. Dabei wird beispielsweise das Kommunikationserhalten genauer untersucht, was Aufschluss über wichtige Personen sowie auch die Team-interne Zusammenarbeit gibt. Themenblock «Ontologien»: - Qualität on Daten - Semantic Web - Aktuell frei erfügbare Ressourcen - Abfrage SPARQL Tools: KNIME (möglicherweise Tableau) (*) Themenblock «Soziale Netzwerkanalyse»: - Anwendungsfälle on Sozialer Netzwerkanalyse - Soziologische Aspekte & aktuelle Soziale Netzwerke - Modellierung on sozialen Netzwerken - Finden on wichtigen Personen in sozialen Netzwerken - Finden on Gruppen in Netzwerken - Kennwerte zu Netzwerk-Strukturen - Statistik & Netzwerke Tools: Gephi, Condor (*) (*) Die Tools werden auf einer irtuellen Maschine orinstalliert sein 15
16 Kurs Unterrichsblock Detail- Inhalte (8/8) Einblick Large Scale Data Science In diesem Block werden Sie in die Thematik on Big Data eingeführt. Was sind die 5 Vs? Was sind die Herausforderungen und Probleme, in Verbindung mit dem Aufbau, der Verarbeitung und dem Betrieb on Big Data? Sie erhalten Beispiele für aktuelle Implementierungen und Lösungen sowie Beispiele für Big Data-Frameworks. Wann wird ein Problem ein Big Data Problem? Die berühmte 5 Vs Herausforderungen an Konzeption, Aufbau, und Betrieb: bei jeder Verdoppelung der Menge kommen tauchen neue Probleme auf Cloud-Lösungen: Amazon, Azure, & Co. Map / Reduce Example of a Big Data Frameworks: Berkeley Data Analytics Stack Datenbanken und Data Warehousing für Big Data 16
17 Beispiele aus Data Science Anwendungen (1/11) Data Mining Assoziations-Analyse 17
18 CAS Data Science Beispiele aus Data Science Anwendungen (2/11) Machine Learning Regression - Vorhersagen eines Zahlenwertes Gebäudeschätzung: Kandidaten-Matching: 18
19 CAS Data Science Beispiele aus Data Science Anwendungen (3/11) Machine Learning Klassifikation - Einteilen in «Gruppen» - Stelleninserat im Internet erkennen 19
20 Beispiele aus Data Science Anwendungen (4/11) Machine Learning Clustering - Gruppieren on Elementen mit ähnlichen Eigenschaften (Unsuperised) - z.b: Kundenanalyse 20
21 Beispiele aus Data Science Anwendungen (5/11) Information Retrieal & NLP 21
22 Beispiele aus Data Science Anwendungen (6/11) Information Visualization 22
23 Beispiele aus Data Science Anwendungen (7/11) Ontologien Google Knowledge Graph 23
24 Beispiele aus Data Science Anwendungen (8/11) Social Network Analysis 24
25 Beispiele aus Data Science Anwendungen (9/11) Social Network Analysis (Film-Produktions Firmen (ohne Top 10%)) 25
26 Beispiele aus Data Science Anwendungen (10/11) Social Network Analysis: Firmenanalyse 26
27 Beispiele aus Data Science Anwendungen (11/11) Social Network Analysis: Trendanalysen 27
28 END Danke für Ihre Aufmerksamkeit! 28
Anwendungen der KI / SoSe 2018
Anwendungen der KI / SoSe 2018 Organisatorisches Prof. Dr. Adrian Ulges Angewandte Informatik / Medieninformatik / Wirtschaftsinformatik / ITS Fachbereich DSCM Hochschule RheinMain KursWebsite: www.ulges.de
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen
MehrData Science mit Python
Data Science mit Python Vertiefung von Algorithmen und Einführung in die Data Science- Programmiersprache Python Kurzbeschreibung Python ist eine Programmiersprache, welche im Bereich Data Science immer
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation Literatur Inhalt und Ziele der Vorlesung Beispiele aus der Praxis 2 Organisation Vorlesung/Übung + Projektarbeit. 4 Semesterwochenstunden.
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
MehrTeil VIII. Weiterführende Veranstaltungen im FG Wissensverarbeitung
Teil VIII Weiterführende Veranstaltungen im FG Wissensverarbeitung Überblick 1 Zusammenfassung AlgoDS 2 Datenbanken 3 Internet-Suchmaschinen 4 Knowledge Discovery 5 Künstliche Intelligenz 6 Seminare &
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Einführungsveranstaltung
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation. Literatur. Inhalt und Ziele der Vorlesung. Beispiele aus der Praxis. 2 Organisation Vorlesung/Übung + Projektarbeit.
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,
MehrNeue Erkenntnisse aus unstrukturierten Daten gewinnen
Neue Erkenntnisse aus unstrukturierten Daten gewinnen Univ.-Prof. Dr. Josef Küng Institut für anwendungsorientierte Wissensverarbeitung (FAW) Johannes Kepler Universität Linz In Zusammenarbeit mit Mag.
MehrInformation Retrieval and Semantic Technologies
Information Retrieval and Semantic Technologies Gerhard Wohlgenannt 6. April 2013 Inhaltsverzeichnis 1 Informationen zur Lehrveranstaltung 2 1.1 Inhalt................................... 2 2 Unterlagen
Mehr(Pro-)Seminar - Data Mining
(Pro-)Seminar - Data Mining Vorbesprechung SCCS, Fakultät für Informatik Technische Universität München SS 2018 Data Mining: Beispiele (1) Hausnummererkennung (Klassikation) Source: http://arxiv.org/abs/1312.6082
MehrSchneller als Hadoop? Einführung in Spark Cluster Computing
Schneller als Hadoop? Einführung in Spark Cluster Computing Dirk Reinemann Oracle Deutschland B.V. & Co. KG Potsdam Schlüsselworte Big Data, Cluster Computing, Spark, Shark, Resilient Distributed Datasets,
MehrGold schürfen im Marketing mit Data Science
Gold schürfen im Marketing mit Data Science SOMEXcircle 9. Mai 2017 Dr. Patricia Feubli Erfahrung 9 Jahre Economic Research und Data Science, 4 davon als Senior Economist im Credit Suisse Swiss Industries
MehrEinführung in Big Data und Hadoop (mit verschiedenen Live Demos) Eintägiges Intensivseminar
Einführung in Big Data und Hadoop (mit verschiedenen Live Demos) Eintägiges Intensivseminar Die Referenten sind keine exklusiven Trainer, sondern Berater aus dem Projektgeschäft, die auch Trainings durchführen.
MehrWorkload: 150 h ECTS Punkte: 5
Modulbezeichnung: Modulnummer: DLBINGDABD Modultyp: Pflicht Data Analytics und Big Data Semester: -- Dauer: Minimaldauer 1 Semester Regulär angeboten im: WS, SS Workload: 150 h ECTS Punkte: 5 Zugangsvoraussetzungen:
MehrModulliste. für den Masterstudiengang. Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Masterstudiengang Data & Knowledge
MehrData Science (WS 2017/2018) Klaus Berberich
1 Data Science (WS 2017/2018) Klaus Berberich (klaus.berberich@htwsaar.de) 0. Organisation Agenda 1. Einführung 2. Regression 3. Klassifikation 4. Clusteranalyse 5. Neuronale Netze 6. Assoziationsanalyse
MehrBig Data and Machine Learning
Weiterbildung Big Data and Machine Learning Certificate of Advanced Studies CAS Institut für Informatik Institut für Computerlinguistik Universität Zürich 2018 Seite 1/6 Beschreibung Die Informatik ist
MehrBusiness Analytics. Aktuelle Methoden und Werkzeuge im Zeitalter der Digitalisierung. Business Analytics
Aktuelle Methoden und Werkzeuge im Zeitalter der Digitalisierung Workshop für Führungskräfte (Gesamtheitlicher Überblick) mit Excel 2019 mit R Workshop für Führungskräfte (Gesamtheitlicher Überblick) Chancen
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
MehrBig Data in der Praxis
Jonas Freiknecht Big Data in der Praxis Lösungen mit Hadoop, HBase und Hive Daten speichern, aufbereiten, visualisieren HANSER Vorwort XI 1 Einleitung 1 2 Big-Data 7 2.1 Historische Entstehung 8 2.2 Big-Data
MehrModulliste. für den Bachelorstudiengang. Wirtschaftsinformatik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Bachelorstudiengang Wirtschaftsinformatik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Sommersemester 2017 Der Bachelorstudiengang Wirtschaftsinformatik
MehrNeural Networks: Architectures and Applications for NLP
Neural Networks: Architectures and Applications for NLP Übungssitzung 1: Organisation und Orientierung Julian Hitschler ICL, Universität Heidelberg, WiSe 2016/17 27.10.2016 1 / 1 Inhalt Vorstellung Organisatorisches
MehrBusiness Intelligence & Machine Learning
AUSFÜLLHILFE: BEWEGEN SIE DEN MAUSZEIGER ÜBER DIE ÜBERSCHRIFTEN. AUSFÜHRLICHE HINWEISE: LEITFADEN MODULBESCHREIBUNG Business Intelligence & Machine Learning Kennnummer Workload Credits/LP Studiensemester
MehrDATA ANALYTICS & PREDICTIVE MAINTENANCE IM MASCHINEN- UND ANLAGEBAU. PD Dr.-Ing. Marco Huber
DATA ANALYTICS & PREDICTIVE MAINTENANCE IM MASCHINEN- UND ANLAGEBAU PD Dr.-Ing. Marco Huber USU AUF EINEN BLICK > 72 Mio. Euro Umsatz > 30 % Auslandsumsatz 1977 Gründungsjahr > 590 Angestellte 16.03.2018
MehrWeiterbildung. Modul: Business Analytics - Angewandte Datenanalyse Inhaltliches Konzept. Weitere Informationen:
Modul: Business Analytics - Angewandte Datenanalyse Inhaltliches Konzept Weitere Informationen: www.fhms.eu/analytics Fachhochschule Münster Münster School of Business Corrensstraße 25 Trakt C, 5. Etage
MehrDeep Learning Prof. Dr. E. Rahm und Mitarbeiter
Deep Learning Prof. Dr. E. Rahm und Mitarbeiter Seminar, WS 2017/18 Big Data Analyse-Pipeline Dateninte -gration/ Anreicherung Datenextraktion / Cleaning Datenbeschaffung Datenanalyse Interpretation Volume
MehrData Mining Cup deck using PDA or similar devices. Wissensextraktion Multimedia Engineering
Data Mining Cup 2012 Wissensextraktion Multimedia Engineering deck using PDA or similar devices Fakultät für Ingenieurwissenschaften Jevgenij Jakunschin Christian Mewes www.hs-wismar.de 2 Gliederung 1.
MehrModulliste. für den Bachelorstudiengang. Wirtschaftsinformatik. an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Bachelorstudiengang Wirtschaftsinformatik an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Bachelorstudiengang Wirtschaftsinformatik
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
MehrProduktionscontrolling auf dem Weg zur Industrie 4.0
Produktionscontrolling auf dem Weg zur Industrie 4.0 Intelligente Produktion durch Real-Time-Big-Data-Analyse von Sensordaten & Bern, 27.05.2016 Jörg Rieth Jedox vereinfacht Planung, Reporting & Analyse
MehrSupervised & Unsupervised Machine Learning
Machine Learning-Algorithmen in Python mit scikit-learn Machine Learning-Algorithmen in Python mit scikit-learn Kurzbeschreibung Machine Learning-Algorithmen sind ein elementares Element von Künstlicher
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
MehrGrundlagen und Definitionen
Grundlagen und Definitionen Wissensmanagement VO 340088 Bartholomäus Wloka https://www.adaptemy.com Maschinelle Sprachverarbeitung Breites Spektrum an Methoden der Computerverarbeitung von Sprache. Kann
MehrVISUAL BUSINESS ANALYTICS EFFEKTIVER ZUGANG ZU DATEN UND INFORMATIONEN
VISUAL BUSINESS ANALYTICS EFFEKTIVER ZUGANG ZU DATEN UND INFORMATIONEN IGD_Folienvorlage_v2010.10.ppt Prof. Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße
MehrBasiswissen Big Data und Künstliche Intelligenz. Aus der Praxis von Interim Manager zu Interim Manager und Auftraggeber.
Webinar Präsentiert von KNUTH Concepts UNITEDINTERIM Basiswissen Big Data und Künstliche Intelligenz Aus der Praxis von Interim Manager zu Interim Manager und Auftraggeber. Interim Manager Rafael Knuth
MehrProseminar - Data Mining
Vorbesprechung Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2015 Vorbesprechung, SS 2015 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source:
MehrBereich Softwareentwicklung/Technologie
Abschlussarbeiten Bereich Softwareentwicklung/Technologie Kai Dörnemann genua mbh - Kirchheim 11. Februar 2015 Revision: 1.1 INHALTSVERZEICHNIS Inhaltsverzeichnis 1 Firmenprofil genua 3 2 Visualisierung
MehrGlobale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten
Globale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten M. Siebers 1 U. Schmid 2 1 Otto-Friedrich-Universität Bamberg 2 Fakultät für Wirtschaftsinformatik und Angewandte Informatik
MehrMathematisch-algorithmische Grundlagen für Big Data
Mathematisch-algorithmische Grundlagen für Big Data Numerische Algorithmen für Datenanalyse und Optimierung Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Sommersemester 2017
MehrData Mining - Wiederholung
Data Mining - Wiederholung Norbert Fuhr 18. Januar 2006 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)
MehrData Mining 7-1. Kapitel 7: Advertising on the Web. Johannes Zschache Wintersemester 2018/19
Data Mining Kapitel 7: Advertising on the Web Johannes Zschache Wintersemester 2018/19 Abteilung Datenbanken, Universität Leipzig http://dbs.uni-leipzig.de Data Mining 7-1 7-2 Data Mining Übersicht Hochdimension.
MehrSession: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto)
Session: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto) 06. Juli 2016 Bielefeld www.its-owl.de Agenda Abschlusspräsentation Einführung
MehrZusammenfassung. Vorlesung Webbasierte Informationssysteme (CS4130) Zusammenfassung
/ Vorlesung Webbasierte Informationssysteme (CS4130) Privatdozent Dr. rer. nat. habil. Sven Groppe https://www.ifis.uni-luebeck.de/index.php?id=groppe / 2 / 15 Chronologische Übersicht über die Themen
MehrPräzisierung zur Absolvierung von Studienschwerpunkten
K 066/926 CURRICULUM ZUM MASTERSTUDIUM WIRTSCHAFTSINFORMATIK Präzisierung zur Absolvierung von Studienschwerpunkten o. Univ.-Prof. DI Dr. Michael Schrefl Institutsvorstand, Institut für Wirtschaftsinformatik
MehrUser-Centered Visual Analytics
User-Centered Visual Analytics Prof. Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155-646 Fax: +49 6151 155-139
MehrModulliste. für den Bachelorstudiengang. Wirtschaftsinformatik. an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Bachelorstudiengang Wirtschaftsinformatik an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2016 Der Bachelorstudiengang Wirtschaftsinformatik
MehrVergleich von SVM und Regel- und Entscheidungsbaum-Lernern
Vergleich von SVM und Regel- und Entscheidungsbaum-Lernern Chahine Abid Bachelor Arbeit Betreuer: Prof. Johannes Fürnkranz Frederik Janssen 28. November 2013 Fachbereich Informatik Fachgebiet Knowledge
MehrLarge Scale Data Management
Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype
Mehr1. Übungsblatt. Besprechung: (Gruppe A), (Gruppe B), (Gruppe C)
Datenbanken in der Praxis: Data Warehousing Sommersemester 2017 Prof. Dr. Jens Teubner DBIS Group 1. Übungsblatt Besprechung: 3.05. (Gruppe A), 10.05. (Gruppe B), 5.05. (Gruppe C) Allgemeine Hinweise Zu
MehrJens Schmidt Senior Member Technical Staff
Jens Schmidt Senior Member Technical Staff Oracle 9i Data Mining Connector 1.1 für mysap BW Agenda Data Mining Grundlagen Der Data Mining Prozess Oracle Data Mining Integration mit mysap BW Agenda Data
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
MehrCertificate of Advanced Studies (CAS) Digital Basics for Life Sciences. Zürcher Fachhochschule
Certificate of Advanced Studies (CAS) Digital Basics for Life Sciences Zürcher Fachhochschule Certificate of Advanced Studies (CAS) Digital Basics for Life Sciences Vorteile der Digitalisierung nutzen
MehrDer Wert von Daten in Zeiten von Big Data Microsoft Vision Days, Thilo Stadelmann
Der Wert von Daten in Zeiten von Big Data Microsoft Vision Days, 21.01.2016 Thilo Stadelmann Wert Anforderungen Trends 1 Der Wert von Daten 2 «Data is the new oil» (Clive Humby, ANA Senior marketer s summit,
MehrLehrangebot. Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr
Lehrangebot Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr N. Fuhr, U. Duisburg-Essen Lehrangebot 1 Lehrangebot des FG Informationssysteme Datenbanken Internet-Suchmaschinen Information Retrieval
MehrEntwicklung einer MATLAB-Analysesoftware für Big Data in der Motoren-Komponenten Produktion
Entwicklung einer MATLAB-Analysesoftware für Big Data in der Motoren-Komponenten Produktion Dipl.-Ing.(FH) Jessica Fisch Powertrain / Technischer Instandhaltungsbereich (PT/TIB) 10.05.2016 Agenda 2. Herausforderungen
MehrMethoden, Chancen und Risiken beim Auswerten großer Datenmengen
Methoden, Chancen und Risiken beim Auswerten großer Datenmengen Peter Dauscher Gymnasium am Kaiserdom, Speyer peter dauscher gak speyer de Data-Mining in der Schule - Eine Annäherung
MehrData Science (WS 2018/2019) Klaus Berberich
1 Data Science (WS 2018/2019) Klaus Berberich (klaus.berberich@htwsaar.de) 0. Organisation Agenda 1. Einführung 2. Regression 3. Klassifikation 4. Clusteranalyse 5. Assoziationsanalyse 6. Neuronale Netze
MehrData Science mit Python. Einführung in die Data Science-Programmiersprache Python zur Datenanalyse
Data Science mit Python Einführung in die Data Science-Programmiersprache Python zur Datenanalyse Data Science mit Python Einführung in die Data Science-Programmiersprache Python zur Datenanalyse Kurzbeschreibung
MehrWas ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science
Was ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science 15.12.2017 Suchinteresse 15.12.2017 Was ist, kann und darf Deep Learning? 2 Google Trends für Deep Learning ILSVRC 2012:
MehrOrganisatorisches. Unit1: Intro and Basics. Bewertung. About Me.. Datenorientierte Systemanalyse. Gerhard Wohlgenannt
Organisatorisches Datenorientierte Systemanalyse Unit1: Intro and Basics Gerhard Wohlgenannt Inhalt: Datenorientierte Systemanalyse Umfang: 5 units XX.10.2013 XX.11.2013 09:00-13:30 Uhr Room XXX Infos,
MehrChancen und Risiken intelligenter Datennutzung für den Mittelstand. Dr. Meike Wocken
Chancen und Risiken intelligenter Datennutzung für den Mittelstand Dr. Meike Wocken Datengenerierung Entwicklung Fertigung Montage Vertrieb Qualitätsmgmt. 120 100 80 60 40 20 0 0 5 10 15 20 25 Wartung
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
MehrErfolg durch Wissen. Petershauser Straße 6, D Hohenkammer
Erfolg durch Wissen www.analyticalsemantics.com Petershauser Straße 6, D-85411 Hohenkammer Plattform der Analytical Semantics AG Funktionsweise und Plattform Prozess der Informationslogistik Lösungen für
MehrDATA SCIENCE GEBEN SIE IHREN DATEN BEDEUTUNG
DATA SCIENCE GEBEN SIE IHREN DATEN BEDEUTUNG ... DAMIT DATA SCIENCE FÜR DEN ANWENDER KEINE WISSENSCHAFT, SONDERN EINFACH FASZINIEREND IST! INFONEA ist die erste Self-Service Data-Science-Lösung, mit der
MehrKapitel IR:I. I. Einführung. Retrieval-Szenarien Begriffsbildung Einordnung Information Retrieval
Kapitel IR:I I. Einführung Retrieval-Szenarien Begriffsbildung Einordnung Information Retrieval IR:I-1 Introduction STEIN 2005-2010 Retrieval-Szenarien Liefere Dokumente, die die Terme «Information» und
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
MehrData Science mit Python. Einführung in die Data Science-Programmiersprache Python zur Datenanalyse
Data Science mit Python Einführung in die Data Science-Programmiersprache Python zur Datenanalyse Data Science mit Python Einführung in die Data Science-Programmiersprache Python zur Datenanalyse Kurzbeschreibung
MehrKünstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer?
ASQF Automation Day 2018 - Predictive Analytics Künstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer? Vasilij Baumann Co-Founder/Co-CEO vasilij.baumann@instrunext.com +49 931
MehrSEMINAR KLASSIFIKATION & CLUSTERING EINFÜHRUNG. Stefan Langer CIS Universität München Wintersemester 2016/17
SEMINAR KLASSIFIKATION & CLUSTERING EINFÜHRUNG Stefan Langer CIS Universität München Wintersemester 2016/17 stefan.langer@cis.uni-muenchen.de Anmeldung Bereits erfolgt über LSF Falls alternative Email
MehrData Science Marktforschung
Data Science Marktforschung Webinar 12. Juli 2018 Wie Data Science die Marktforschung verändert Christopher Harms, Consultant Research & Development Klassische Marktforschungsprojekte sind fokussiert auf
MehrLehrangebot. Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr
Lehrangebot Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr N. Fuhr, U. Duisburg-Essen Lehrangebot 1 Lehrangebot des FG Informationssysteme Datenbanken Internet-Suchmaschinen Information Retrieval
MehrTensorFlow Open-Source Bibliothek für maschinelles Lernen. Matthias Täschner Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig
TensorFlow Open-Source Bibliothek für maschinelles Lernen Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig Motivation Renaissance bei ML und KNN Forschung bei DNN fortgeschrittene
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
Mehr(Software) Architektur der Dinge. Roland Graf / Simon Kranzer IKT-Forum 2016 I(o)T for Industry - Von IT zu IoT
(Software) Architektur der Dinge Roland Graf / Simon Kranzer IKT-Forum 2016 I(o)T for Industry - Von IT zu IoT Hardware Mainframe Speichersysteme Rechner Kopplung Zentralisierung Anwendungsprogramme Software
MehrMehrrechner-Datenbanksysteme (Verteilte und Parallele DBS)
Mehrrechner-Datenbanksysteme (Verteilte und Parallele DBS) Prof. Dr. E. Rahm Wintersemester 2017/2018 Universität Leipzig Institut für Informatik http://dbs.uni-leipzig.de WS17/18, Prof. Dr. E. Rahm 0-1
MehrAMA. Applied Machine Learning Academy. Prof. Wolfgang Nejdl
Applied Machine Learning Academy AMA Applied Machine Learning Academy Prof. Wolfgang Nejdl Projektziele Aufbau einer Applied Machine Learning Academy (AMA) auf der Grundlage eines inhaltlich nachhaltigen,
MehrErmittlung der informatischen Inhalte durch
Ermittlung der informatischen Inhalte durch Didaktik der Informatik Abstract: insbesondere in den Bereichen Big Data, Datenmanagement und Maschinenlernen, hat sich der Umgang mit Daten und deren Analyse
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
MehrData Warehousing 0-1. DBS-Module
Data Warehousing Sommersemester 2016 Prof. Dr. E. Rahm Universität Leipzig Institut für Informatik y y y http://dbs.uni-leipzig.de 0-1 DBS-Module Master-Studium Informatik 10-202-2215 Moderne Datenbanktechnologien
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
MehrArtificial Intelligence. Deep Learning Neuronale Netze
Artificial Intelligence Deep Learning Neuronale Netze REVOLUTION Lernende Maschinen Mit lernenden Maschinen/Deep Learning erleben wir aktuell eine Revolution in der Informationsverarbeitung. Neue Methoden
MehrDo you know what K-Means for your Business?
Do you know what K-Means for your Business? Cluster-Analysen mit Oracle Harald Erb Oracle Business Analytics & Big Data Kontakt Harald Erb Principal Sales Consultant Information Architect Kontakt +49 (0)6103
MehrMaster-Studiengang & Bewerbung/Zulassung. Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich
Master-Studiengang & Bewerbung/Zulassung Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich Master's in Data Science 120 Core Courses 62 Data Analysis 16 Information and Learning
MehrPredictive Analytics. Warum datenbasierte Vorhersagen kein Hexenwerk sind. ASQF Automation Day Dr. Stefano Signoriello
Predictive Analytics Warum datenbasierte Vorhersagen kein Hexenwerk sind Dr. Stefano Signoriello Seite 1 Inhalte des Vortrags Analytics Von Daten zu Wissen Von Nachsicht über Einsicht zu Voraussicht Descriptive,
MehrPräsentation: Vorname, Nachname. Lizenz:
Machine Learning: Lineare Regression Präsentation: Vorname, Nachname Lizenz: HTW Berlin Informatik und Wirtschaft Aktuelle Trends der Informations- und Kommunikationstechnik Machine Learning: Lineare Regression
MehrSeminare/Praktika/ Projekte
Seminare/Praktika/ Projekte ANGEWANDTE INFORMATIK IV PROF.DR.-ING. STEFAN JABLONSKI TOPICS PROCESS MANAGEMENT AND DATA SCIENCE Processes In organisations many kinds of systems and people work together
Mehr:21 Uhr Modulbeschreibung #1290/1 Seite 1 von 5
04.12.2015 16:21 Uhr Modulbeschreibung #1290/1 Seite 1 von 5 Modulbeschreibung Maschinelles Lernen 1 Modultitel: Maschinelles Lernen 1 Machine Learning 1 URL: Leistungspunkte: 9 Sekretariat: Modulsprache:
MehrInterdisziplinäre fachdidaktische Übung: Sprache und Modelle. SS 2015: Grossmann, Jenko
Interdisziplinäre fachdidaktische Übung: Sprache und Modelle SS 2015: Grossmann, Jenko Einleitung Was ist ein Modell? Sprachlich orientierte Modelle Beispiele Wie entstehen Modelle? Zusammenhang Modell
MehrMarketing Research mit Schwerpunkt Data Science. Fachbereich Wirtschaftswissenschaften
Marketing Research mit Schwerpunkt Fachbereich Wirtschaftswissenschaften Sem. 1-3 Sem. 4 1. Aufbau des Master in Marketing: Vertiefungsmöglichkeiten in der Übersicht Marketing Management Marketing Research
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Niels Landwehr, Jules Rasetaharison, Christoph Sawade, Tobias Scheffer
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen Niels Landwehr, Jules Rasetaharison, Christoph Sawade, Tobias Scheffer Organisation Vorlesung/Übung, praktische
MehrVon Big Data zu Deep Insights
Von Big Data zu Deep Insights Prof. Dr. Dirk Nowotka Christian-Albrechts-Universität zu Kiel Maritime IT 2013 Big Data = Überwachung + Marketing? Kommunikations- und Kundendaten XKeyScore, Google Ads,
MehrAktuelle Themen für die Masterstudiengänge Wirtschaftsingenieurwesen 1
Aktuelle Themen für die Masterstudiengänge Wirtschaftsingenieurwesen 1 Im Wintersemester 2017/18 werden folgende Module im Rahmen des Dummy-Moduls Aktuelle Themen für die Masterstudiengänge Wirtschaftsingenieurwesen
MehrInnovative Datenanalyse für die Medizin
Innovative Datenanalyse für die Medizin IDEALearning Intelligent Data Evaluation and Analysis by Machine Learning Dr. Susanne Winter winter:science Technologiezentrum Ruhr Universitätsstr. 142 44799 Bochum
MehrIMPULSVORTRAG KÜNSTLICHE INTELLIGENZ & HELMHOLTZ
IMPULSVORTRAG KÜNSTLICHE INTELLIGENZ & HELMHOLTZ PROF. DR. ING. MORRIS RIEDEL, JUELICH SUPERCOMPUTING CENTRE (JSC) / UNIVERSITY OF ICELAND GRUPPENLEITER HIGH PRODUCTIVITY DATA PROCESSING & CROSS-SECTIONAL
MehrIn 30 Minuten zur BI-Lösung in der Cloud Aufbau einer BI-Infrastruktur & Entwicklung von Reports Live. Referent: Patrick Eisner & Ronja Schermer
In 30 Minuten zur BI-Lösung in der Cloud Aufbau einer BI-Infrastruktur & Entwicklung von Reports Live Referent: Patrick Eisner & Ronja Schermer Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei
MehrData Science als Treiber für Innovation Neue Anforderungen und Chancen für Ausbildung und Wirtschaft
Data Science als Treiber für Innovation Neue Anforderungen und Chancen für Ausbildung und Wirtschaft b Univ-Prof. Dr. Stefanie Lindstaedt b www.know-center.at Know-Center GmbH Know-Center: Austria s Research
MehrLiving Lab Big Data Konzeption einer Experimentierplattform
Living Lab Big Data Konzeption einer Experimentierplattform Dr. Michael May Berlin, 10.12.2012 Fraunhofer-Institut für Intelligente Analyseund Informationssysteme IAIS www.iais.fraunhofer.de Agenda n Ziele
Mehr