Data Mining in technischen Daten sinnvoll oder nicht? DOAG BI 2014
|
|
- Annika Hauer
- vor 5 Jahren
- Abrufe
Transkript
1 Data Mining in technischen Daten sinnvoll oder nicht? DOAG BI 2014 Yves Philippe Chassein, PROMATIS software GmbH München, 1
2 Prolog Leistungsexplosion bei IT-Infrastrukturen Zusätzlicher Treiber für advanced Analytics PROMATIS software GmbH
3 Prolog Neue Potenziale für Business Analytics Neuartige Anwendungsfelder durch größere Datenmengen verbesserte Performance Advanced Analytics für Big Data Big Data bezeichnet häufig unstrukturierte und voluminöse Informationen, die nicht aus traditioneller Datenerfassung, sondern aus Datenquellen wie Blogs, Social Media, , Sensoren, Fotografien, Videos etc. gewonnen werden. Aus der Kombination von Big Data mit herkömmlichen Transaktionsdaten entsteht eine multidimensionale Geschäftssicht, die tiefe Einblicke bspw. in das Verhalten von Kunden und Lieferanten ermöglicht. Können Data Mining Verfahren auf Basis von technischen Daten unerkannte Strukturen, die beispielsweise auf Qualitätsprobleme schließen lassen, entdecken? PROMATIS software GmbH
4 Gliederung Data Mining in technischen Daten Einführung Einführung in Data Mining Was ist Data Mining? Übersicht der Algorithmen für Oracle Data Mining Integration in den SQL Developer Anwendungsszenario Aufgabenstellung: Vorhersage von Fehlerdaten Gütekriterien, Konfidenz, Lift, etc. Klassifikation, Vorhersage von Werten Support Vektor Maschine Algorithmus Demo Zusammenfassung und Handlungsempfehlungen PROMATIS software GmbH
5 Einführung Oracle Advanced Analytics Produktstruktur Enterprise Systems & Content Stores Content Mgt Systems Databases SOA, ESB, Web Service File Systems Internet / Social Networks Un-/Semistructured Data Sources Data Snapshots Oracle OLTP Database Oracle NoSQL Database Hadoop Distributed File System (HDFS) Oracle Big Data Appliance Information Integration ETL/ELT-Systems (Warehouse Builder. Data Integrator) Oracle Endeca Integration Suite Oracle Loader für HADOOP Unstructured Data Transformation Hadoop MapReduce (Framework) Data Warehouse & Data Marts OLAP Cubes Oracle Data Warehouse Database In-Database Analytics ( R, Data Mining, etc.) Data Marts, Analysis Sandpits Information Discovery & Search Endeca Server Information Delivery [ Quelle: Oracle Corp.] Oracle Business Intelligence Analytical Applications Oracle Endeca Studio Reports, Visualisierung,... Embedded Analytics / Search. Multidim. Analysis & Search PROMATIS software GmbH
6 In-Database Analytics Einführung Big Analytics for Big Data HDFS Oracle NoSQL Database Unternehmensapplikation Hadoop (MapReduce) Oracle Loader for Hadoop Oracle Data Integrator Data Warehouse Oracle BI: Analyse, Statistik, Data Mining AQUIRE ORGANIZE ANALYZE DECIDE Big Data bezeichnet häufig unstrukturierte und voluminöse Informationen, die nicht aus traditioneller Datenerfassung, sondern aus Datenquellen wie Blogs, Social Media, , Sensoren, Fotografien, Videos etc. gewonnen werden. Aus der Kombination von Big Data mit herkömmlichen Transaktionsdaten entsteht eine multidimensionale Geschäftssicht, die tiefe Einblicke bspw. in das Verhalten von Kunden und Lieferanten ermöglicht. Integration der Oracle Big Data-Produkte mit Oracle Data Warehouse und Oracle BI PROMATIS software GmbH
7 Anwendungsszenario Data Mining Data Mining hilft bei der Beantwortung von Fragen Welche Kunden wandern wahrscheinlich zur Konkurrenz ab? Welche Kunden werden das neue Produkt kaufen? Welche Kunden haben hohes Umsatzpotenzial? Welche Produkte werden meistens zusammen gekauft? Welche Transaktionen sind verdächtig? Data Mining ist der Prozess des Identifizierens neuartiger, nützlicher, bislang versteckter und verständlicher Muster in Datenbeständen PROMATIS software GmbH
8 Data Mining Algorithmen (1 von 2) Aufgabenstellung Algorithmen Hinweis Klassifikation Regression Anormaly Detection Attribute Importance Generalized Linear Model (GLM), Entscheidungsbaum, Naive Bayes, Support Vector Machine GLM, Support Vector Machine One Class SVM Minimum Description Lenght (MDL) Klassifikation: Bildung von Gruppen innerhalb einer Gesamtmenge. Kann auch zur Vorhersage von Attributen genutzt werden. Regressionsanalyse: Ermittlung des statistischen Zusammenhangs zwischen Attributen. Ermittlung von Datensätzen, die nicht der Vorgabe entsprechen. Bestimmung der Wichtigkeit von Attributen für bestimmte Aufgabenstellungen. Wird ebenfalls zur Feature Extraction genutzt PROMATIS software GmbH
9 Data Mining Algorithmen (2 von 2) Aufgabenstellung Algorithmen Hinweis Association Rules Apriori Warenkorbanalysen: Welche Regeln können auf Basis von Transaktionsdaten abgeleitet werden. Clustering Feature Extraction Hierachical K-Means Hierachical O-Cluster Nonnegative Matric Factorizing Clusteranalyse: Bildung von Gruppen mit nicht vordefinierten Eigenschaften. Einschränkung der Datenmengen für bestimmte Aufgabenstellungen PROMATIS software GmbH
10 Data Mining Funktionen und Algorithmen PROMATIS software GmbH
11 Oracle SQL Developer Data Miner Integration in den SQL Developer PROMATIS software GmbH
12 Anwendungsszenario Vorhersage von Fehlerdaten Vorgehensweise Es existieren Maschinendaten für die Produktion von Teilen und eine Verknüpfung von Qualitätsmessungen für die produzierten Teile. Transaktionsdaten als Eingangsdaten: Finde einen Algorithmus der die vorhandenen Fehlerklassen gut vorhersagt? Der gefundene Algorithmus kann zur Vorhersage von unbekannten Fehlerklassen genutzt werden. Vorteil: Viele Teile müssen nicht den aufwändigen Qualitätskontrollen unterzogen werden, man konzentriert sich auf die Teile mit potentiellen Fehlern PROMATIS software GmbH
13 Gütekriterien Beispiel: Assoziationsregel Schema einer Assoziationsregel: Wenn A (Prämisse unabhängige Variable) dann B (Konsequenz abhängige Variable) Beispiel: Wenn Zahnbürste gekauft wird dann wird auch Zahnpasta gekauft. Gütekriterien für Regeln Konfidenz = Quotient aus Anzahl der Transaktionen die im wenn-dann Teil enthalten sind und der Anzahl der Transaktionen aus der wenn-bedingung Support = Anteil der Transaktionen die im wenn-dann Teil enthalten sind an den gesamten Transaktionen Erwartete Konfidenz = Anteil der dann Transkationen an den gesamten Transaktionen Lift = Konfidenz / Erwartete Konfidenz (misst die Korrelation zwischen Regelrumpf und Regelkopf > 1 positive Korrelation < 1 negative Korr.) PROMATIS software GmbH
14 Gütekriterien Beispiel: Assoziationsregel Gegeben ist eine Menge Von Transaktionen Transaktionen Gesamt Schuhe Socken Schuhe und Socken Assoziationsregel Wenn ein Kunde Schuhe kauft dann kauft er auch Socken. Wenn Schuhe (Prämisse) dann Socken (Konsequenz) Gütekriterien Konfidenz = / = 10% Support = / = 2% Erwartete Konfidenz = / = 5% Lift = 10 / 5 = 2 positive Korrelation PROMATIS software GmbH
15 Vorhersage von Werten Grundkonzept Grundkonzept Grundaufgabe ist das Überprüfen von Entscheidungen bzw. die Einteilung in Klassen. Beispiel: Gehe ich ins Kino oder Nicht? Ist der Kunde ein A, B oder C-Kunde?. Historische Daten sind vorhanden Es gibt Datenbestände mit mehreren Attributen von denen vermutet wird sie beeinflussen die Entscheidung. Beispiel: Attribute Wetter, Freunde, Kinoprogramm beeinflussen die Kinoentscheidung. Entscheidungsbaum / Support Vector Maschine Vorgehensweise Baue einen Entscheidungsbaum oder erstelle einen Algorithmus, der die Entscheidung gut für die Trainingsdaten trifft. Überprüfe den Algorithmus (Entscheidungsbaum, Support Vector Maschine) mit Testdaten. Nutze den Algorithmus für Daten mit unbekanntem Ergebnis PROMATIS software GmbH
16 Vorhersage von Werten Beispiel: Entscheidungsbaum Ausgangsdaten (historische Daten) Nr Prämie VB Monate Region Abw Nord nein Ost nein Südwest ja Süd nein Südwest nein Ost ja Südwest nein Nord ja Mitte ja Trainingsmodell Entscheidungsbaum < 5 ja (100%) nein (83,3%) Prämie >= 5 < 8 VB Monate >= 8 ja (100%) PROMATIS software GmbH
17 Support Vector Maschine Grundkonzept Trennung Jedes Objekt wird durch einen Vektor in einem Vektorraum repräsentiert. Trennung durch Hyperebene, die als Trennfläche fungiert und die Trainings-objekte in Klassen teilt. Maximiere den Abstand der Vektoren, um einen breiten leeren Rand zu erhalten. Der Rand soll dafür sorgen, dass andere Objekte als die Trainingsobjekte möglichst zuverlässig klassifiziert werden. Zu bestimmende Hyperebene kann nicht verbogen werden. Somit sind SVMs nur auf linear trennbare Daten anwendbar PROMATIS software GmbH
18 Support Vector Maschine Grundkonzept Linear trennbar Nicht linear trennbar PROMATIS software GmbH
19 Support Vector Maschine Grundkonzept Quelle: Wikipedia.de PROMATIS software GmbH
20 Support Vector Maschine Grundkonzept Was tun bei nicht linear trennbarer Daten? Nicht linear trennbare Daten sind in höherdimensionalen Räumen linear trennbar. Lösung: Daten in höherdimensionalen Raum transformieren, Hypereben bestimmen, Rücktransformation in die Ursprungsdimension. Problem: Transformation in höherdimensionalen Raum sehr rechenaufwendig, Hypereben nach Rücktransformation eventuell sehr komplex. Anwendung des Kerneltrick Beschreibung der Trennfläche durch so genannte Kernelfunktionen Transformationen sind möglich, ohne diese mathematisch vollständig zu berechnen PROMATIS software GmbH
21 Support Vector Maschine Demo PROMATIS software GmbH
22 Zusammenfassung & Handlungsempfehlungen Data Mining für technische Daten Neuartige Hochleistungs-Infrastrukturen bieten bessere Performance und öffnen neue Anwendungsfelder für Business Analytics. Informieren und Potenziale prüfen: Data Mining in der Datenbank besitzt hohes Potential für Verbesserungen Komplexe Algorithmen können auf großen Datenmengen durchgeführt werden. Vorhersagen werden genauer durch bessere Rechenleistung Business Analytics-Innovationen für technische Daten bieten Potential für signifikante Geschäftsprozessverbesserungen. Datenbestände und unterschiedlichste Systeme für Analysen neu erschließen: Maschinen- oder Sensordaten und Korrelation zu QS-Maßnahmen prüfen Netzwerkdaten und sicherheitsrelevante Vorfälle als Basis für Fraud Detection. Größere Datenmengen in der gesamten Logistikkette für Verbesserungen nutzen PROMATIS software GmbH
23 Kontaktdaten Yves Philippe Chassein Dipl. Informatiker Consultant PROMATIS software GmbH Pforzheimer Str Ettlingen Tel Fax Web: PROMATIS software GmbH
Verwaltung von OBI Metadaten: XML-Integration die Lösung aller Probleme? DOAG Konferenz und Ausstellung 2013
Verwaltung von OBI Metadaten: XML-Integration die Lösung aller Probleme? DOAG Konferenz und Ausstellung 2013 Michael Weiler, PROMATIS software GmbH Nürnberg, 1 Gliederung OBIEE Metadatenverwaltung Einführung
MehrAdvanced Business Analytics in Fertigungs- und Logistikprozessen. DOAG Applications 2013
Advanced Business Analytics in Fertigungs- und Logistikprozessen DOAG Applications 2013 Michael Weiler, PROMATIS software GmbH Berlin, 1 Prolog Leistungsexplosion bei IT-Infrastrukturen Zusätzlicher Treiber
MehrOracle BI&W Referenz Architektur Big Data und High Performance Analytics
DATA WAREHOUSE Oracle BI&W Referenz Architektur Big Data und High Performance Analytics Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen
MehrDATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle
DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell
MehrAnalyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria
Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards
MehrKennzahlenbasierte Governance und Führung von Logistikprozessen
Kennzahlenbasierte Governance und Führung von Logistikprozessen DOAG 2013 Logistik Community-Konferenz Intelligente Prozesse und IT-Systeme Dr. Frank Schönthaler, PROMATIS software GmbH Hamburg, 25. April
MehrH E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z
H E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z 2 0 1 6 A D V A N C E D A N A L Y T I C S : V O N S E M I - S T R U K T U R I E R T E N D A T E N Z U W I S S E N T O M S E I D E L &
MehrÜbersicht Streams nach Liste Produkte/Themen
Stream Datenbank: DB Oracle 9i bis 12c In-Memory Datenbanken Enterprise Manager Appliances EXADATA RAC DataGuard Upgrades, Konsolidierungen Implementationen Administration / Monitoring Performance Tuning
MehrOracle Big Data Discovery Ein Überblick
Oracle Big Data Discovery Ein Überblick Hadoop Data Reservoir gewinnt weiter an Bedeutung Data Warehouse Bekannte Datenquellen Data Reservoir Entstehende Datenquellen Hadoop Umsatz und Forecast 49% CAGR,
MehrWas ist Analyse? Hannover, CeBIT 2014 Patrick Keller
Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität
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
MehrMaschinelles Lernen und Data Mining
Semestralklausur zur Vorlesung Maschinelles Lernen und Data Mining Prof. J. Fürnkranz / Dr. G. Grieser Technische Universität Darmstadt Wintersemester 2004/05 Termin: 14. 2. 2005 Name: Vorname: Matrikelnummer:
MehrCopyright 2013, Oracle and/or its affiliates. All rights reserved.
1 Big Data Integration in das Oracle Data Warehouse Michael Künzner Principal Sales Consultant DATA WAREHOUSE Agenda Big Data Integration in das DWH Übersicht Big Data Architektur für eine Integration
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
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
MehrOracle Data Mining 10g Rel 2
18. Deutsche ORACLE-Anwenderkonferenz Mittwoch, 9. November 2005 11h00, Variohalle 2 Oracle Data Mining 10g Rel 2 Lars Priebe ORACLE Deutschland GmbH Geschäftsstelle Hamburg Schlüsselworte: Data Mining,
MehrData Mining auf Datenströmen Andreas M. Weiner
Technische Universität Kaiserslautern Fachbereich Informatik Lehrgebiet Datenverwaltungssysteme Integriertes Seminar Datenbanken und Informationssysteme Sommersemester 2005 Thema: Data Streams Andreas
MehrEinsatz von BI-Methoden in der simulativen Geschäftsprozessmodellierung
Einsatz von BI-Methoden in der simulativen Geschäftsprozessmodellierung Matthias Meling, PROMATIS software GmbH München, 17. April 2013 1 Simulative Geschäftsprozessmodellierung Gliederung Einleitung Simulation
MehrSAP BO Web Intelligence auf SQL Server [A4] Üetliberg,
SAP BO Web Intelligence auf SQL Server [A4] Üetliberg, 12.09.2017 www.boak.ch AGENDA Einführung Auswahl des Reporting Werkzeugs Universum & WebI Dokumente erstellen Live Demo Nebenprodukte Vertiefende
MehrDOAG SIG Day E-Business Suite
DOAG SIG Day E-Business Suite Planung und Simulation in, um und um die Oracle E-Business Suite herum München 15. Juni 2005 Dr. Frank Schönthaler PROMATIS software GmbH 1 Gliederung Gliederung Traditionelle
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
MehrÜbersicht. A. Hinneburg, Web Data Mining MLU Halle-Wittenberg, SS 2007
Übersicht Grundlagen für Assoziationsregeln Apriori Algorithmus Verschiedene Datenformate Finden von Assoziationsregeln mit mehren unteren Schranken für Unterstützung Finden von Assoziationsregeln für
MehrSupport Vector Machines (SVM)
Universität Ulm 12. Juni 2007 Inhalt 1 2 3 Grundlegende Idee Der Kern-Trick 4 5 Multi-Klassen-Einteilung Vor- und Nachteile der SVM 1 2 3 Grundlegende Idee Der Kern-Trick 4 5 Multi-Klassen-Einteilung Vor-
MehrRobotron Datenbank-Software GmbH
Robotron Datenbank-Software GmbH Prozessoptimierung durch Datenanalyse & Datenprognose mit R in der Praxis Simon Hofinger Nürnberg, 20.11.2013 Prozessoptimierung durch Datenanalyse & -prognose mit R in
MehrBig Data Hype und Wirklichkeit Bringtmehrauchmehr?
Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Günther Stürner, Vice President Sales Consulting 1 Copyright 2011, Oracle and/or its affiliates. All rights Überschrift 2 Copyright 2011, Oracle and/or
MehrBig Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen
Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Oracle DWH-Konferenz 21. März 2012 Dr. Carsten Bange Gründer & Geschäftsführer BARC Big Data bietet Methoden und Technologien
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
MehrNoSQL-Datenbanken und Hadoop im Zusammenspiel mit dem Data Warehouse
NoSQL-Datenbanken und Hadoop im Zusammenspiel mit dem Data Warehouse Carsten Czarski Oracle Deutschland B.V. & Co KG Big Data Betrachten von Daten die bislang nicht betrachtet wurden
MehrVon ERP bis Predictive Maintenance
Von ERP bis Predictive Maintenance Analytics als Steuerungsinstrument PROFI Business Frühstück Chemnitz BIG DATA VORSTELLUNG Stefan Held Software Architekt PROFI GS Bochum / Köln Schwerpunkte: Business
MehrCopyright 2014, Oracle and/or its affiliates. All rights reserved.
1 Integrierte Systeme für SIs und VARs Matthias Weiss Direktor Mittelstand Technologie ORACLE Deutschland B.V. & Co. KG 2 Agenda Engineered Systems Oracle s Strategie Engineered Systems Big Data einmal
MehrDWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH. Referent: Ilona Tag
DWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH Referent: Ilona Tag Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.30 11.00 11.00
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
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.
MehrStep 0: Bestehende Analyse-Plattform
Die Themen 09:30-09:45 Einführung in das Thema (Oracle) 09:45-10:15 Hadoop in a Nutshell (metafinanz) 10:15-10:45 Hadoop Ecosystem (metafinanz) 10:45-11:00 Pause 11:00-11:30 BigData Architektur-Szenarien
MehrPromotoren des Data Mining im betrieblichen Umfeld
Gliederung MSS. Einführung in die Management Support Systeme (MSS) 2. Data Warehouse als Basis-Konzept aktueller MSS 3. Business Intelligence (BI) als Weiterführung des DW-Ansatzes 4. XML und BI 5. Grundlagen
MehrBig Data und Oracle bringen die Logistik in Bewegung
OPITZ CONSULTING Deutschland GmbH Dortmund, 07.05.2014 Bild-Quelle: Web-Seite von Pasta ZARA, Big Artikel Data So und entstehen Oracle bringen unsere die Nudeln Logistik in Bewegung http://de.pastazara.com/so-entstehen-unsere-nudeln
MehrMachine Learning. Dr. Bartholomäus Wissmath 3. Swiss Innovation Day
Machine Learning Dr. Bartholomäus Wissmath 3. Swiss Innovation Day Artificial Intelligence (AI) Teilgebiet der Informatik, welches sich mit der Automatisierung von intelligenten Verhalten und dem Maschinenlernen
MehrInhaltsverzeichnis. Holger Schrödl. Business Intelligence mit Microsoft SQL Server 2008. BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1
sverzeichnis Holger Schrödl Business Intelligence mit Microsoft SQL Server 2008 BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-41210-1
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
MehrProjektbericht. Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar
Business Intelligence Master Digitale Logistik und Management Projektbericht Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar Matthias Säger
MehrSelbstständiges Lernen
Kapitel 5 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
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
MehrCopyright 2014, Oracle and/or its affiliates. All rights reserved.
1 Oracle Fusion Middleware Ordnung im Ganzen Matthias Weiss Direktor Mittelstand Technologie ORACLE Deutschland B.V. & Co. KG 2 Agenda Begriffe & Ordnung Fusion Middleware Wann, was, warum Beispiel für
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.
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
MehrA Big Data Change Detection System. Carsten Lanquillon und Sigurd Schacht
A Big Data Change Detection System Carsten Lanquillon und Sigurd Schacht Digitale Transformation in Unternehmen u Umfassende Erfassung, Speicherung und Verfügbarkeit von Daten à Big Data Quelle: Rolland
MehrEchtzeiterkennung von Cyber-Angriffen auf IT-Infrastrukturen. Frank Irnich SAP Deutschland
Echtzeiterkennung von Cyber-Angriffen auf IT-Infrastrukturen Frank Irnich SAP Deutschland SAP ist ein globales Unternehmen... unser Fokusgebiet... IT Security für... 1 globales Netzwerk > 70 Länder, >
MehrODI und Big Data Möglichkeiten und ein Erfahrungsbericht Dr. Holger Dresing Oracle Deutschland B.V. & Co. KG Hannover
ODI und Big Data Möglichkeiten und ein Erfahrungsbericht Dr. Holger Dresing Oracle Deutschland B.V. & Co. KG Hannover Schlüsselworte Oracle Data Integrator ODI, Big Data, Hadoop, MapReduce,, HDFS, PIG,
MehrSQL oder NoSQL: Das ist die Frage! Oracle NoSQL Database
SQL oder NoSQL: Das ist die Frage! Oracle NoSQL Database Carsten Czarski Oracle Deutschland B.V. & Co KG Agenda NoSQL: Was ist das und wozu ist das gut? Anwendungsbereiche für NoSQL-Technologien,
MehrOracle BI Publisher - PDF und einiges mehr
Oracle BI Publisher - PDF und einiges mehr Christian Piasecki PITSS GmbH 22.09.2017 1 Agenda Hersteller/Community, Lizensierung Installation, Voraussetzungen Hardware/Software Erforderliche Skills, Lernkurve
MehrDie Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com
Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen
MehrPrognose von Kostenschwankungen mit Predictive Analytics DOAG 2016
Prognose von Kostenschwankungen mit Predictive Analytics DOAG 2016 CGI Deutschland Ltd. & Co. KG (Sulzbach) Alfred Stelzl (Lead Consultant Big Data Analytics) November 2016 CGI Group Inc. Agenda 2 Agenda
MehrOracle Big Data Technologien Ein Überblick
Oracle Big Data Technologien Ein Überblick Jürgen Vester Oracle Deutschland B.V. & Co KG Um was geht es bei Big Data? Bei Big Data sprechen wir eine Klasse von Daten an, die in der
MehrGliederung. 1. Einleitung (1) 1. Einleitung (2) On detecting differences between groups
Seminar im Fach Informatik Sommersemester 2006 Sascha Rüger Gliederung 1. Einleitung 2. Data Mining Systeme 3. Auswertung 4. Weitere Untersuchungen 5. Fazit 1. Einleitung (1) wichtige Aufgabe der Datenanalyse:
Mehr1Ralph Schock RM NEO REPORTING
1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen
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
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
MehrPräsentation der Bachelorarbeit
Präsentation der Bachelorarbeit Einrichtung einer BI-Referenzumgebung mit Oracle 11gR1 Jörg Bellan Hochschule Ulm Fakultät Informatik Institut für Betriebliche Informationssysteme 15. Oktober 2009 Agenda
MehrPRODATIS CONSULTING AG. Folie 1
Folie 1 Führend im Gartner Magic Quadranten für verteilte, interagierende SOA Projekte Oracle ist weltweit auf Rang 1 auf dem Markt der Enterprise Service Bus Suiten (ESB) für SOA Software 2010 26,3 %
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
MehrBusiness Intelligence mit Excel 2007 und den Excel Services von Office SharePoint Server 2007
Business Intelligence mit Excel 2007 und den Excel Services von Office SharePoint Server 2007 Steffen Krause Technologieberater http://blogs.technet.com/steffenk Agenda Excel 2007 als BI-Client BI in Office
MehrDATENQUALITÄT UND DATENBEREINIGUNG. F e b r u a r 2017
ALTRAN, GLOBAL LEADER IN INNOVATION DATENQUALITÄT UND DATENBEREINIGUNG F e b r u a r 2017 1 Data Quality Services Ihre geschäftlichen Entscheidungen sind von vertrauenswürdigen Daten abhängig. Ungültige
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
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:
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
MehrRisiken bei der Analyse sehr großer Datenmengen. Dr. Thomas Hoppe
Risiken bei der Analyse sehr großer Datenmengen Dr. Thomas Hoppe Datenaufbereitung Datenanalyse Data Mining Data Science Big Data Risiken der Analyse Sammlung Integration Transformation Fehlerbereinigung
MehrBig Data Neue Erkenntnisse aus Daten gewinnen
Big Data Neue Erkenntnisse aus Daten gewinnen Thomas Klughardt Senior Systems Consultant 0 Software Dell Software Lösungsbereiche Transform Inform Connect Data center and cloud management Foglight APM,
MehrBIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004
BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick
MehrMit In-Memory Technologie zu neuen Business Innovationen. Stephan Brand, VP HANA P&D, SAP AG May, 2014
Mit In-Memory Technologie zu neuen Business Innovationen Stephan Brand, VP HANA P&D, SAP AG May, 2014 SAP Medical Research Insights : Forschung und Analyse in der Onkologie SAP Sentinel : Entscheidungsunterstützung
MehrEinführung in Data-Mining mit analytischen Funktionen und R. Vladimir Poliakov, Nürnberg, November 2015
Einführung in Data-Mining mit analytischen Funktionen und R Vladimir Poliakov, Nürnberg, November 2015 Vladimir Poliakov (v.poliakov@gmx.net) Hydrometeorologische Hochschule in St.Petersburg (mathematische
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
MehrSeminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing
Seminar in der Seminarreihe Business Intelligence 1 OLAP und Datawarehousing OLAP & Warehousing Die wichtigsten Produkte Die Gliederung Produkt Bewertung & Vergleiche Die Marktentwicklung Der aktuelle
MehrAdvanced Analytics umsetzen 7 Kernthemen. Hannover, Dr. Sebastian Derwisch, Data Scientist
Advanced Analytics umsetzen 7 Kernthemen Hannover, 21.3.2017 Dr. Sebastian Derwisch, Data Scientist BARC: Expertise für datengetriebene Unternehmen 2 Agenda 1. Use Cases 2. Data Discovery 3. Externe Daten
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.
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,
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
MehrDOAG BI Data-Mining in sozialen Online-Netzwerken
DOAG BI 2013 Data-Mining in sozialen Online-Netzwerken Bianca Vornamen Böckelmann, Name, 17. dd.mm.yyyy April 2013 Agenda Über Robotron Motivation Knowledge Discovery in Databases (KDD)-Prozess Oracle
MehrWas ist Data Mining... in der Fundraising Praxis?
Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten
MehrAnwendungen des Data Mining in der Praxis. Seminarvortrag von Holger Dürr
Anwendungen des Data Mining in der Praxis Seminarvortrag von Holger Dürr Seminar Data Mining Wintersemester 2003/20042004 Professor Dr. Schweigert - Universität Ulm Themenübersicht Data Mining - Kleine
MehrBig Data und Extreme Analytics als Antwort auf die Datenflut
Big Data und Extreme Analytics als Antwort auf die Datenflut Björn Ständer, Business Development Director - Business Intelligence Oracle Deutschland B.V. & Co. KG, München 1 Copyright 2012, Oracle and/or
MehrData Mining und Maschinelles Lernen Lösungsvorschlag für das 12. Übungsblatt
Data Mining und Maschinelles Lernen Lösungsvorschlag für das 12. Übungsblatt Knowledge Engineering Group Data Mining und Maschinelles Lernen Lösungsvorschlag 12. Übungsblatt 1 Aufgabe 1: Apriori (1) Gegeben
MehrCopyright 2009 Oracle Corporation
Bereitstellung und Nutzung von aussagekräftigen Data Mining Analysen in Real-Time-Datenströmen Oracle Team Dr. Holger Dresing Leitender Systemberater STCC Nord MW Oracle Deutschland
MehrData Mining und Maschinelles Lernen Wintersemester 2015/2016 Lösungsvorschlag für das 13. Übungsblatt
Data Mining und Maschinelles Lernen Wintersemester 2015/2016 Lösungsvorschlag für das 13. Übungsblatt 9. Februar 2016 1 Aufgabe 1: Apriori (1) Gegeben seien folgende Beobachtungen vom Kaufverhalten von
MehrBig-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht
Big-Data-Technologien - Überblick - Quelle: http://www.ingenieur.de/panorama/fussball-wm-in-brasilien/elektronischer-fussball-smartphone-app-helfen-training Big-Data-Anwendungen im Unternehmen Logistik
MehrVorlesung. Data und Web Mining. Kurzinformation zur. Univ.-Prof. Dr. Ralph Bergmann. Lehrstuhl für Wirtschaftsinformatik II
Kurzinformation zur Vorlesung Data und Web Mining Univ.-Prof. Dr. Ralph Bergmann www.wi2.uni-trier.de - I - 1 - Die Ausgangssituation (1) Unternehmen und Organisationen haben enorme Datenmengen angesammelt
MehrProzessbasiertes Master Data Management für intralogistische Systeme. Thomas Karle PROMATIS software GmbH Berlin, 9. Mai 2012
Prozessbasiertes Master Data Management für intralogistische Systeme 1 Thomas Karle PROMATIS software GmbH Berlin, Agenda Problemstellung Generelle Anforderungen an ein Master Data Management (MDM) Einbettung
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
MehrSupport Vector Machines, Kernels
Support Vector Machines, Kernels Katja Kunze 13.01.04 19.03.2004 1 Inhalt: Grundlagen/Allgemeines Lineare Trennung/Separation - Maximum Margin Hyperplane - Soft Margin SVM Kernels Praktische Anwendungen
MehrSocial Data Analyse mit Oracle Endeca
Social Data Analyse mit Oracle Endeca DOAG Konferenz 2012 Norbert Henz Principal Consultant, Trivadis GmbH, Nürnberg BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. HAMBURG MÜNCHEN
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
MehrTextmining Klassifikation von Texten Teil 2: Im Vektorraummodell
Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten Teil
Mehr<Insert Picture Here> 8. Business Intelligence & Data Warehouse Konferenz
1 The Safe Harbor The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into any contract. It is not a commitment
MehrDie wichtigsten Hadoop-Komponenten für Big Data mit SAS
Webinar@Lunchtime Die wichtigsten Hadoop-Komponenten für Big Data mit SAS Herzlich Willkommen bei Webinar@Lunchtime Moderation Anne K. Bogner-Hamleh SAS Institute GmbH Education Consultant Xing-Profil:
MehrData Mining Kapitel 11: Machine Learning. Johannes Zschache Wintersemester 2018/19
Data Mining Kapitel 11: Machine Learning Johannes Zschache Wintersemester 2018/19 Abteilung Datenbanken, Universität Leipzig http://dbs.unileipzig.de Data Mining 111 112 Data Mining Übersicht Hochdimension.
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
MehrDatenanalyse mit Data Mining
Datenanalyse mit Data Mining von Jan-Christoph Meier Hamburg, 19.01.2012 1 Ablauf Motivation Speicherung der Daten für das Data Mining Data Mining Algorithmen Ausblick auf die Masterarbeit Konferenzen
MehrSeminar Business Intelligence Teil II. Data Mining & Knowledge Discovery
Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?
MehrBig Data Vom Hype zum Geschäftsnutzen
Big Data Vom Hype zum Geschäftsnutzen IBM IM Forum, Berlin, 16.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Hype 15.04.2013 BARC 2013 2 1 Interesse an Big Data Nature 09-2008 Economist 03-2010
MehrKlassifikation und Ähnlichkeitssuche
Klassifikation und Ähnlichkeitssuche Vorlesung XIII Allgemeines Ziel Rationale Zusammenfassung von Molekülen in Gruppen auf der Basis bestimmter Eigenschaften Auswahl von repräsentativen Molekülen Strukturell
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
Mehr