Fuzzy-Summierbarkeit. Benjamin Hohl. Imperfektion und erweiterte Konzepte im Data Warehousing Seminar im Sommersemester 2005
|
|
- Friedrich Kappel
- vor 5 Jahren
- Abrufe
Transkript
1 Fuzzy-Summierbarkeit Benjamin Hohl Imperfektion und erweiterte Konzepte im Data Warehousing
2 2 Überblick Was ist Summierbarkeit? Wann kann man sie nutzen? Wann nicht? Ansatz nach Pedersen, Jensen & Dyreson Fuzzy-Summierbarkeit Vergleich
3 3 Überblick Was ist Summierbarkeit? Wann kann man sie nutzen? Wann nicht? Ansatz nach Pedersen, Jensen & Dyreson Fuzzy-Summierbarkeit Vergleich
4 4 Summierbarkeit =?
5 5 Summierbarkeit = 3 Bundesland Baden-Württemberg Stadt Karlsruhe Stuttgart
6 6 Summierbarkeit Standard-Aggregationsoperatoren: Summe Anzahl Durchschnitt Minimum Maximum sum() count(), card() avg() min() max()
7 7 Summierbarkeit Aggregation entlang Dimensions-Hierarchie unter Wiederverwendung von Zwischenergebnissen konsistent und nachvollziehbar = 3? 1,5 Kunden?
8 8 Summierbarkeit: Bedingungen 1. Vollständigkeit (completeness) 2. Disjunktheit (disjointness) 3. Typverträglichkeit (type compatibility)
9 9 Summierbarkeit: Bedingungen 1. Vollständigkeit a) b)
10 10 Summierbarkeit: Bedingungen 2. Disjunktheit
11 11 Summierbarkeit: Bedingungen 3. Typkompatibilität Januar: 3200 Einwohner 10 Geburten Februar: 3300 Einwohner 15 Geburten März: 3100 Einwohner 5 Geburten Jahr: sum =? sum = 30 max = 3300 max = 15 Hier nicht wichtig!
12 12 Summierbarkeit: Bedingungen? Dimension muss Voraussetzungen erfüllen Vollständigkeit Disjunktheit Typverträglichkeit = 4 Aber wenn nicht...?
13 13 Überblick Was ist Summierbarkeit? Wann kann man sie nutzen? Wann nicht? Ansatz nach Pedersen, Jensen & Dyreson Fuzzy-Summierbarkeit Vergleich
14 14 Ansatz nach Pedersen, Jensen & Dyreson ( Extending Practical Pre-Aggregation in On- Line Analytical Processing ) Fall: Dimension ist nicht disjunkt / vollständig Ziel: trotzdem summieren
15 15 Ansatz nach Pedersen, Jensen & Dyreson Beispiel: Krankenhaus T Diagnose-Gruppe Knochenbruch Grippe... Diagnose A Armbruch B Beinbruch C Grippe Typ C... Patient Müller Maier Schmidt...
16 16 Ansatz nach Pedersen, Jensen & Dyreson Methode: Zusätzliche Kategorien einfügen, nach bestimmten Regeln Drei verschiedene Algorithmen: makecovering() makeonto() makestrict() Vollständigkeit Disjunktheit
17 17 Ansatz nach Pedersen, Jensen & Dyreson Vollständigkeit makecovering() A B C A B C makeonto() A B M C A B M C
18 18 Ansatz nach Pedersen, Jensen & Dyreson Disjunktheit: makestrict() A B
19 19 Ansatz nach Pedersen, Jensen & Dyreson Disjunktheit: makestrict() A B nur A AB nur B
20 20 Ansatz nach Pedersen, Jensen & Dyreson Disjunktheit: makestrict() A B A B nur A AB nur B
21 21 Ansatz nach Pedersen, Jensen & Dyreson Disjunktheit: makestrict() = A B nur A A AB nur B B
22 22 Ansatz nach Pedersen, Jensen & Dyreson Konsequenzen: Wiederverwendung von Zwischenergebnissen konsistent Keine halben Patienten = 3, aber nur scheinbar
23 23 Überblick Was ist Summierbarkeit? Wann kann man sie nutzen? Wann nicht? Ansatz nach Pedersen, Jensen & Dyreson Fuzzy-Summierbarkeit Vergleich
24 24 Fuzzy - Summierbarkeit Fall: Dimension ist nicht disjunkt / vollständig Ziel: trotzdem summieren
25 25 Fuzzy? Unscharfe Mengen / Fuzzy Sets Menge: M = {a; b; c}
26 26 Fuzzy? Unscharfe Mengen / Fuzzy Sets Menge: M = {a; b; c} M = {a 1; b 1; c 1}
27 27 Fuzzy? Unscharfe Mengen / Fuzzy Sets Menge: M = {a; b; c} M = {a 1; b 1; c 1} M = {a 1; b 1; c 1; d 0; e 0;...}
28 28 Fuzzy? Unscharfe Mengen / Fuzzy Sets Menge: M = {a; b; c} M = {a 1; b 1; c 1} M = {a 1; b 1; c 1; d 0; e 0;...} Unscharfe Menge U = {a 0,6; b 0,3; c 0,9}
29 29 Fuzzy? Unscharfe Mengen - Rechenregeln Bounded sum: M N M U N = {a 0,3; b 0,9} = {a 0,2; b 0,8} = {a 0,5; b 1,0}...
30 30 Fuzzy? Unscharfe Klassifikationen Elemente: Alice (10), Bob (30), Carol(50), Dave(70) Klassen (Terme): jung, alt jung = {Alice 1,0, Bob 0,8, Carol 0,2,Dave 0,0} alt = {Alice 0,0, Bob 0,2, Carol 0,8,Dave 1,0}
31 31 Fuzzy? Unscharfe Dimensionen Beispiel Stromzähler Lageplan: account. A acc.b Firmen (3) account. A logistics B Räume (8) cust. care C Stromzähler (1) cust. care C reception area log.
32 32 A B Fuzzy? A C B Unscharfe Dimensionen C reception area log. <BILD (Fig 5?)>
33 33 Fuzzy - Summierbarkeit Methode Zugehörigkeiten auch zwischen 0 und 1 Fuzzy-Vollständigkeit Fuzzy-Disjunktheit
34 34 Fuzzy - Summierbarkeit Fuzzy-Vollständigkeit Σ 1 Company A Company B Company C 0,4 0,4 0,2... reception area...
35 35 Fuzzy - Summierbarkeit Fuzzy-Disjunktheit Σ 1 Company A Company B Company C 0,4 0,4 0,2... reception area...
36 36 Fuzzy - Summierbarkeit Fuzzy-Summierbarkeit wenn... Fuzzy-Vollständigkeit Fuzzy-Disjunktheit Typverträglichkeit Σ=1 Fuzzy-Summierbarkeit Summierbarkeit
37 37 Fuzzy - Summierbarkeit Konsequenzen Wiederverwendung von Zwischenergebnissen konsistent 1,5 + 1,5 = 3
38 38 Überblick Was ist Summierbarkeit? Wann kann man sie nutzen? Wann nicht? Ansatz nach Pedersen, Jensen & Dyreson Fuzzy-Summierbarkeit Vergleich
39 39 Vergleich - Ansatz Fuzzy-Summierbarkeit Neue Bedingungen: Fuzzy-Vollständigkeit Fuzzy-Disjunktheit Ansatz nach Pedersen, Jensen & Dyreson Klassifikationen werden geändert Klassen einfügen verborgene Schichten
40 40 Vergleich - Folgen Beide Ansätze Wiederverwendung von Zwischenergebnissen Konsistenz Fuzzy-Summierbarkeit Summen für User nachvollziehbar (1,5 + 1,5 = 3) Methode nach Pedersen, Jensen & Dyreson Keine halben Patienten Bester Ansatz abhängig von Zielsetzung
41 41 Fragen
Anpassung von Data-Warehouse-Techniken für den Einsatz unsicherer Verkehrsdaten
Diplomvortrag Anpassung von Data-Warehouse-Techniken für den entstanden im Rahmen des OVID-Projektes Institut für Programmstrukturen und Datenorganisation Verantwortlicher Betreuer: Prof. Dr.-Ing. Klemens
MehrDatenqualität-Der GQM- Ansatz und das DWQ- Projekt
Datenqualität-Der GQM- Ansatz und das DWQ- Projekt Guy Hermann Ngassa Imperfektion und erweiterte Konzepte im Data Warehousing 2 Überblick Einleitung Data-Warehouse-Qualität-Projekt (DWQ-Projekt) Bezug
MehrSoft Control (AT 3, RMA)
Soft Control (AT 3, RMA) Zur 3. Übung Fuzzy Control Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken bearbeiten Prinzip eines Fuzzy Systems: 2 Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken
MehrData Cube. 1. Einführung. 2. Aggregation in SQL, GROUP BY. 3. Probleme mit GROUP BY. 4. Der Cube-Operator. 5. Implementierung des Data Cube
Data Cube 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator 5. Implementierung des Data Cube 6. Zusammenfassung und Ausblick Dank an Hanna Köpcke! 1 On-line Analytical
MehrUniversität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5
Universität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5 Aufgabe 1: Projektion Datenbanksysteme I π A1,...,A n (π B1,...,B
MehrVorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Uwe Ligges Informatik LS 8 22.04.2010 1 von 26 Gliederung 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der
MehrVorlesung Wissensentdeckung in Datenbanken
Gliederung Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Claus Weihs 14.07.2009 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der Cube-Operator 5 Implementierung
MehrSkalierbare Graph-basierte Analyse und Business Intelligence
Skalierbare Graph-basierte Analyse und Business Intelligence André Petermann Universität Leipzig & ScaDS Dreden/Leipzig Graphs are everywhere GRADOOP Business Intelligence Zusammenfassung Skalierbare Graph-basierte
MehrZum Umgang mit unscharfen chronologischen Informationen. Oliver Nakoinz
Zum Umgang mit unscharfen chronologischen Informationen 1. 2. 3. Oliver Nakoinz 4. 5. Einleitung a. Zeit & temporales Wissen b. Zeitskalen c. Meßfehler d. Typologische Datierung Chronologische Inferenz
MehrErhalt von Imperfektion in einem Data Warehouse
Erhalt von Imperfektion in einem Data Warehouse Heiko Schepperle, Andreas Merkel, Alexander Haag {schepperle,merkela,haag}@ipd.uni-karlsruhe.de Abstract: Üblicherweise werden in einem Data-Warehouse-System
MehrFortgeschrittene OLAP Analysemodelle
Fortgeschrittene OLAP Analysemodelle Jens Kübler Imperfektion und erweiterte Konzepte im Data Warehousing 2 Grundlagen - Datenanalyse Systemmodell Datenmodell Eingaben System Schätzer Datentypen Datenoperationen
Mehr3 Query Language (QL) Einfachste Abfrage Ordnen Gruppieren... 7
1 Data Definition Language (DDL)... 2 1.1 Tabellen erstellen... 2 1.1.1 Datentyp...... 2 1.1.2 Zusätze.... 2 1.2 Tabellen löschen... 2 1.3 Tabellen ändern (Spalten hinzufügen)... 2 1.4 Tabellen ändern
MehrSQL Intensivpraktikum SS 2008
SQL Intensivpraktikum SS 2008 Aggregation von Daten Arbeit mit Gruppen SQL1 basierend auf OAI-Kurs Copyright Oracle Corporation, 1998. All rights reserved. Gruppenfunktionen Gruppenfunktionen verarbeiten
MehrAnfragesprachen für On-Line Analytical Processing (OLAP)
Anfragesprachen für On-Line Analytical Processing (OLAP) Seminar Business Intelligence Teil I: OLAP & Data Warehousing René Rondot rondot@informatik.uni-kl.de Universität Kaiserslautern Anfragesprachen
MehrDatenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen
Datenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen 28. V. 2018 Outline 1 Organisatorisches 2 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 3 Ranking 4 SQL Organisatorisches Ergebnisse
MehrMySQL: Einfaches Rechnen. www.informatikzentrale.de
MySQL: Einfaches Rechnen Vorweg: Der Merksatz Warum geht Herbert oft laufen? Vorweg: Der Merksatz Warum geht Herbert oft laufen?...... WHERE... GROUP BY... HAVING... ORDER BY... LIMIT Beispieldatenbank
MehrInhaltsverzeichnis. 1 Einleitung Motivation und Umfeld Zielsetzung der Arbeit Methodisches Vorgehen und Aufbau der Arbeit 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Motivation und Umfeld 1 1.2 Zielsetzung der Arbeit 2 1.3 Methodisches Vorgehen und Aufbau der Arbeit 3 2 Grundlagen des Feuerwehrwesens 5 2.1 Kategorisierung der Feuerwehren
MehrSummarization-based Aggregation
Summarization-based Aggregation Daten Generalisierung: Prozess, der Anwendungsdaten schrittweise von niedrigen auf höhere konzeptuelle Level aggregiert Conceptual levels 2 3 4 5 example: all federal states
MehrE-Mail Verschlüsselung in der Praxis Probleme und Lösungen
E-Mail Verschlüsselung in der Praxis Probleme und Lösungen Georg Duma Senior Technical Consultant georg.duma@group-technologies.com Agenda Sichere E-Mail Motivation Verschlüsselungsverfahren SMIME und
MehrKapitel Fuzzy Logic. Überblick. 20_1_fuzzy_logic.PRZ
Kapitel.3 Fuzzy Logic Überblick 2 fuzzy_logic.prz 2..5 Definition Fuzzy Logik Erweiterung der klassischen Logik um unscharfe Mengenzugehörigkeiten und Regeln, für die keine exakten Vorschriften bestehen.
MehrInhaltsübersicht...IX Inhaltsverzeichnis...XI Abbildungsverzeichnis...XVII Tabellenverzeichnis... XXIII Abkürzungsverzeichnis...
Inhaltsübersicht...IX Inhaltsverzeichnis...XI Abbildungsverzeichnis...XVII Tabellenverzeichnis... XXIII Abkürzungsverzeichnis... XXV 1 Einführung... 1 1.1 Problemstellung... 1 1.2 Zielsetzung... 3 1.3
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrSQL Data Manipulation Language (DML) und Query Language (QL)
Innsbruck Information System University of Innsbruck School of Management Information Systems Universitätsstraße 15 6020 Innsbruck SQL Data Manipulation Language (DML) und Query Language (QL) Universität
MehrSQL Wiederholung. Datenbanktechnologien. Verbunde. Aggregation und Gruppierung. Unterabfragen. Hochschule für Technik und Wirtschaft Berlin
SQL Wiederholung Datenbanktechnologien Prof. Dr. Ingo Claÿen Prof. Dr. Martin Kempa Hochschule für Technik und Wirtschaft Berlin Verbunde Aggregation und Gruppierung Unterabfragen Verbunde Inner-Join Nur
MehrRealisierung von OLAP Operatoren in einem visuellen Analysetool. Vortrag von Alexander Spachmann und Thomas Lindemeier
Realisierung von OLAP Operatoren in einem visuellen Analysetool Vortrag von Alexander Spachmann und Thomas Lindemeier Gliederung Ausgangssituation/Motivation Was ist OLAP? Anwendungen Was sind Operatoren?
MehrData Cubes PG Wissensmangement Seminarphase
PG 402 - Wissensmangement Seminarphase 23.10.2001-25.10.2001 Hanna Köpcke Lehrstuhl für Künstliche Intelligenz Universität Dortmund Übersicht 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit
MehrMathematische Verfahren zur Unterstützung der Rettungsdienstplanung
Mathematische Verfahren zur Unterstützung der Rettungsdienstplanung Melanie Reuter-Oppermann, Peter Hottum KARLSRUHE SERVICE RESEARCH INSTITUTE (KSRI) KIT The Research University in the Helmholtz Association
MehrErweitertes boolsches Retrieval
Erweitertes boolsches Retrieval In diesem Unterabschnitt werden andere Ansätze zur Verbesserung des boolschen Retrievals vorgestellt. Im Gegensatz zum Vektorraummodell wird bei diesen Ansätzen versucht,
MehrData Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY
Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung
MehrMySQL: Einfache Aggrega3unk6onen. (= Funk6onen, die etwas zusammenfassen)
MySQL: Einfache Aggrega3unk6onen (= Funk6onen, die etwas zusammenfassen) Beispieldatenbank "Kunden" kunden (kunde_id, name, ñorte_postleitzahl, kontostand_giro, kredit) orte (postleitzahl, name, einwohnerzahl,
MehrBayes sches Lernen: Übersicht
Bayes sches Lernen: Übersicht Bayes sches Theorem MAP, ML Hypothesen MAP Lernen Minimum Description Length Principle Bayes sche Klassifikation Naive Bayes Lernalgorithmus Teil 10: Naive Bayes (V. 1.0)
MehrSQL. strukturierte Datenbankabfragesprache eine Datenbanksprache zur. Structured Query Language:
SQL Structured Query Language: strukturierte Datenbankabfragesprache eine Datenbanksprache zur Definition, Abfrage und Manipulation von Daten in relationalen Datenbanken In der SQL-Ansicht arbeiten In
MehrEinführung relationale Datenbanken. Themenblock: Erstellung eines Cube. Schlüssel. Relationenmodell Relationenname Attribut. Problem.
Themenblock: Erstellung eines Cube Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Praktikum: Data Warehousing und Data Mining Idee Speicherung der Daten in Form von Tabellen
MehrBoole'sches Modell <is web>
Boole'sches Modell basiert auf Mengentheorie und Boole'scher Algebra sehr einfaches Modell mit klarer Semantik Dokumente als Mengen von Indextermen Termgewichte sind binär: im Dokument enthalten oder nicht
MehrThemenblock: Erstellung eines Cube
Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen
MehrKapitel 3 Fuzzy-Mengen und Relationen. 29. April 2005
Kapitel 3 und Relationen 29. April 2005 Rückblick Tarski s Deduktionsbegriff, Verbandstheorie, Abstrakte Logik über Verbänden Wohldefinierte Eigenschaften P wohldefinierte Eigenschaft auf einer Menge M,
MehrTemporal and Spatio-Temporal Aggregations over Data Streams using Multiple Time Granularities
Temporal and Spatio-Temporal Aggregations over Data Streams using Multiple Time Granularities Von Donghui Zhang, Dimitrios Gunopulos, Vassilis J. Tsotras und Bernhard Seeger Vorgetragen von Christian Humm
MehrModellierung in SAP HANA Teil 2
Modellierung in SAP HANA Teil 2 Autor Julissa Cusi Datum der Veröffentlichung 01.06.2018 Die Verwendung ist nur für den persönlichen Gebrauch und nur im Rahmen der Nutzung der Bissantz-Softwareprodukte
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrQuery Languages (QL) Relationale Abfragesprachen/Relational
Relationale Algebra Relationale Abfragesprachen/Relational Query Languages (QL) Abfragesprachen: Daten aus einer Datenbank zu manipulieren und abzufragen (retrieve information) Das relationalle Modell
MehrVisualisierung imperfekter Informationen in einem Analyse-Werkzeug
Visualisierung imperfekter Informationen in einem Analyse-Werkzeug Vortrag zur Studienarbeit von Oliver Forster Betreuer: Dipl.-Inform. H. Schepperle 31.01.2005 Universität Karlsruhe Institut für Programmstrukturen
MehrFallstudie: Online-Statistik
Fallstudie: Online-Statistik Ziel: Klasse / Objekt, welches Daten konsumiert und zu jeder Zeit Statistiken, z.b. Mittelwert, Varianz, Median (etc.) ausgeben kann Statistics s = new Statistics(maxSize);...
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
MehrUniversität Augsburg, Institut für Informatik WS 2008/2009 Prof. Dr. W. Kießling 23. Nov Dr. A. Huhn, M. Endres, T. Preisinger Lösungsblatt 5
Universität Augsburg, Institut für Informatik WS 2008/2009 Prof. Dr. W. Kießling 23. Nov. 2007 Dr. A. Huhn, M. Endres, T. Preisinger Lösungsblatt 5 Aufgabe 1: SQL-Queries Datenbanksysteme I a) Geben Sie
MehrTextsuche mit Indexstrukturen. Anfragen. Inzidenz Vektoren. Term-Dokument Inzidenz Matrix
Textsuche mit Indexstrukturen Zu einer Anfrage alle Dokumente sequentiell durchsuchen? Kleine Textsammlungen (ein paar MB) Sehr viele Änderungen Indexstrukturen Mehraufwand lohnt sich erst für große Texte
Mehr6. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 6. Vorlesung Fuzzy Systeme Entwurfsbeispiele 6. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrDas Ansehen der Lehrer in Baden-Württemberg. Ergebnisse einer Befragung im Auftrag des VBE Verband Bildung und Erziehung
Das Ansehen der Lehrer in Baden-Württemberg Ergebnisse einer Befragung im Auftrag des VBE Verband Bildung und Erziehung Daten zur Untersuchung Befragungspersonen: Die in Privathaushalten lebende, deutschsprachige
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?
Mehr4. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 4. Vorlesung Fuzzy Systeme Fuzzy Inferenz 4. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrGliederung. 1. Kurzeinstieg 2. Warum ist die Semantik so wichtig? 3. OWL 4. GO 5. Übersetzung 6. Zusammenfassung 7. Quellen
Gliederung Gliederung 1. Kurzeinstieg 2. Warum ist die Semantik so wichtig? 3. OWL 4. GO 5. Übersetzung 6. Zusammenfassung 7. Quellen Marcus Lechner - Institut für Informatik Seite 1 Kurzeinstieg 1. Kurzeinstieg
MehrGrundlagen von Datenbanken. 4. Übung: Algebraische Optimierung
Grundlagen von Datenbanken 4. Übung: Algebraische Optimierung Algebraische Optimierung Ziel Effiziente Ausführung eines algebraischen Ausdrucks Minimierung der Größe von Zwischenergebnissen (das Endergebnis
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining OLAP Operationen Ein konzeptionelles MDDM Aggregierbarkeit Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Operationen im multidimensionalen Datenmodell
MehrSQL. DDL (Data Definition Language) Befehle und DML(Data Manipulation Language)
SQL DDL (Data Definition Language) Befehle und DML(Data Manipulation Language) DML(Data Manipulation Language) SQL Abfragen Studenten MatrNr Name Vorname Email Age Gruppe 1234 Schmidt Hans schmidt@cs.ro
Mehr119+1/182 Maschinelles Lernen und Data Mining WS 2002,3 Prof. Dr. Katharina Morik. Data Cube +, *!!**)* -. Dank an Hanna Köpcke!
119+1/182 Maschinelles Lernen und Data Mining WS 2002,3 Prof. Dr. Katharina Morik Data Cube!! "#$% & '(!&!)*#$ +, *!!**)* -. Dank an Hanna Köpcke! 119+2/182 Maschinelles Lernen und Data Mining WS 2002,3
MehrDatenbanken. Schemaerweiterung zur Abbildung von Imperfekten Daten. Andreas Merkel
Seminar Impferfektion und Datenbanken Schemaerweiterung zur Abbildung von Imperfekten Daten Andreas Merkel Inhalt Einführung - Eigenschaften des relationalen Modells - Erweiterungsmöglichkeiten Zwei unterschiedliche
MehrBlockchain. Bitcoin, Altcoin, Ethereum, ZCash Juli 2017
Blockchain Bitcoin, Altcoin, Ethereum, ZCash Inhalt Bitcoin Transaktionen Blockchain Altcoins Ethereum Turingvollständige Transaktionen DAOs Proof of Stake ZCash Bitcoin - Online-Bezahlsystem ohne zentrale
MehrVorkurs Mathematik für Informatiker Aussagenlogik -- Thomas Huckle Stefan Zimmer Matous Sedlacek,
Vorkurs Mathematik für Informatiker -- 4 ussagenlogik -- Thomas Huckle Stefan Zimmer Matous Sedlacek, 7..2 ussagenlogik Rechnen mit Wahrheitswerten: oder, oder Objekte, die wir untersuchen, sind jetzt
MehrÜbersicht der wichtigsten MySQL-Befehle
Übersicht der wichtigsten MySQL-Befehle 1. Arbeiten mit Datenbanken 1.1 Datenbank anlegen Eine Datenbank kann man wie folgt erstellen. CREATE DATABASE db_namen; 1.2 Existierende Datenbanken anzeigen Mit
MehrSemi-Skylines und Skyline Snippets
Skyline von Manhattan, NY, USA Semi-Skylines und Skyline Snippets Markus Endres Universität Augsburg 10. Februar 2011 Skyline Queries Finde preiswerte Hotels in Strandnähe! Distance to the beach [km] 2.0
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
MehrKapitel 3: Indices und Sichten
Kapitel 3: Indices und Sichten Data Warehousing und Mining - 1 Gliederung im folgenden: Klassifikation Aggregationsfunktionen, Materialisierte Sichten Grundsätzliche Alternativen beim Updaten materialisierter
Mehr5.8 Bibliotheken für PostgreSQL
5.8 Bibliotheken für PostgreSQL Haskell/WASH: Modul Dbconnect PHP: pqsql-funktionen Java/JSP: JDBC Perl: DBI database interface modul Vorläufige Version 80 c 2004 Peter Thiemann, Matthias Neubauer 5.9
MehrPlay-In, Play-Out und Replay. Process Mining in der Medizin
Play-In, Play-Out und Replay Process Mining in der Medizin Emmanuel Helm MSc 4. November 2015 FH OÖ F&E GmbH, Research Center Hagenberg Process Mining Prozessmodellierung + Data Mining 2 Wachsende Datenmengen
MehrBayes sches Lernen: Übersicht
Bayes sches Lernen: Übersicht Bayes sches Theorem MAP, ML Hypothesen MAP Lernen Minimum Description Length Principle Bayes sche Klassifikation Naive Bayes Lernalgorithmus Teil 5: Naive Bayes + IBL (V.
MehrEntwurf: Fortgeschrittene Konzepte
Bisher: Entwurf als grafisches Diagramm mit Entitätsmengen (auch weiche) Beziehungsmengen Attribute Assoziationstypen, Beziehungstypen und ausschließlich 2 stellige Beziehungen Extended / Enhanced (Erweitertes)
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
MehrErweiterte Entity-Relationship- und UML-Modellierung. Copyright 2004 Shamkant Ramez Elmasri B. Navathe and Shamkant Navathe.
Erweiterte Entity-Relationship- und UML-Modellierung Copyright 2004 Shamkant Ramez Elmasri B. Navathe and Shamkant Navathe. CC 1 Erweitertes-ER (EER) Modellkonzept Beinhaltet alle Aspekte des Basis-ER-Modellkonzeptes
MehrEinführung in das Seminar Algorithmentechnik
Einführung in das Seminar Algorithmentechnik 10. Mai 2012 Henning Meyerhenke, Roland Glantz 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Roland undglantz: nationales Einführung Forschungszentrum
MehrSQL als Zugriffssprache
SQL als Zugriffssprache Der Select Befehl: Aufbau Select- und From-Klausel Where-Klausel Group-By- und Having-Klausel Union Join-Verbindung Order-By-Klausel Der Update-Befehl Der Delete-Befehl Der Insert-Befehl
MehrPLANUNG MIT SAP ANALYTICS CLOUD
PLANUNG MIT SAP ANALYTICS CLOUD W E I T B L I C K. L E I D E N S C H A F T. W E N D I G K E I T. V O R S P R U N G. Hausmesse 4process AG, 08. März 2018 Christian Thurner Seite 1 2015 VORSTELLUNG 18 Jahre
MehrNeural Networks: Architectures and Applications for NLP
Neural Networks: Architectures and Applications for NLP Session 02 Julia Kreutzer 8. November 2016 Institut für Computerlinguistik, Heidelberg 1 Overview 1. Recap 2. Backpropagation 3. Ausblick 2 Recap
MehrFuzzy Systeme vom Typ 1. Inhalt Fuzzy Mengen Fuzzy Relationen Fuzzy Logik Approximatives Schließen Fuzzy Regelung
Fuzzy Systeme vom Typ Sommersemester 2008 Ausgewählte Kapitel der Computational Intelligence (Vorlesung) Inhalt Fuzzy Mengen Fuzzy Relationen Fuzzy Logik Fuzzy Regelung Prof. Dr. Günter Rudolph Fachbereich
MehrSQL: Abfragen für einzelne Tabellen
Musterlösungen zu LOTS SQL: Abfragen für einzelne Tabellen Die Aufgaben lösen Sie mit dem SQL-Training-Tool LOTS der Universität Leipzig: http://lots.uni-leipzig.de:8080/sql-training/ Wir betrachten für
MehrModellierung von Unsicherheiten in klassifizierten, räumlich hoch aufgelösten Fernerkundungsszenen
Modellierung von Unsicherheiten in klassifizierten, räumlich hoch aufgelösten Fernerkundungsszenen Jochen Schiewe 1 Manfred Ehlers 2 Christoph Kinkeldey 1 Daniel Tomowski 2 1HafenCity Universität g2lab
MehrAus dem Leben eines DFN-Cloud Providers Menschen, Verträge und Technik. Dr. Thomas Hildmann DFN Forum Cloud-Dienste 29.
Aus dem Leben eines DFN-Cloud Providers Menschen, Verträge und Technik Dr. Thomas Hildmann DFN Forum Cloud-Dienste 29. September 2016 Inhalt Menschen Partner Mitarbeiter/innen Verträge DFN Cloud Vertrage
MehrAggregatfunktionen in SQL
Aggregatfunktionen in SQL Michael Dienert 14. April 2008 1 Definition von Aggregatfunktionen Ihren Namen haben die Aggregatfunktionen vom englischen Verb to aggregate, was auf deutsch anhäufen, vereinigen,
MehrInformatik II Vorlesung am D-BAUG der ETH Zürich. Vorlesung 12, 2017 Datenbanksysteme: Datendefinition in SQL, Kompliziertere Datenbankabfragen
Informatik II Vorlesung am D-BAUG der ETH Zürich Vorlesung 12, 2017 Datenbanksysteme: Datendefinition in SQL, Kompliziertere Datenbankabfragen Datendefinition (DDL) in SQL Anlegen einer Tabelle create
Mehr16. November 2011 Zentralitätsmaße. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87
16. November 2011 Zentralitätsmaße H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87 Darstellung in spektraler Form Zentralität genügt Ax = κ 1 x (Herleitung s. Tafel), daher ist x der Eigenvektor
MehrFundamente der Computational Intelligence
Wintersemester 2006/07 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Kapitel 2: Fuzzy Systeme Inhalt Fuzzy Mengen
MehrAlgorithmen & Datenstrukturen Midterm Test 2
Algorithmen & Datenstrukturen Midterm Test 2 Martin Avanzini Thomas Bauereiß Herbert Jordan René Thiemann
Mehr10 Statistisches Schätzen
10 Statistisches Schätzen 620 10 Statistisches Schätzen 10.1 Punktschätzung 623 10.1.1 Schätzer und ihre Gütekriterien 623 10.1.2 Erwartungstreue 627 10.1.3 Erwartete quadratische Abweichung (MSE) 634
MehrTabellenkalkulationssysteme Inf 9 / 1
Tabellenkalkulationssysteme Inf 9 / 1 1.1 Inhalte von Zellen Die Zellen von Rechenblättern können Werte (Daten) oder Formeln enthalten. Werte können mithilfe von Zellbezügen als Eingabe für Formeln verwendet
MehrFuzzy Logic & Control
The more, the fuzzier... Prof. Dr.-Ing. Doris Danziger Prof. Dr. rer. nat. Nikolaus Wulff Fuzzy Theorie Lofi Zadeh enwickelte 1967 die Fuzzy Theorie. Er erweiterte die klassische Mengenlehre um den Begriff
MehrAndreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg
Andreas Scherer Neuronale Netze Grundlagen und Anwendungen vieweg Inhaltsverzeichnis Vorwort 1 1 Einführung 3 1.1 Was ist ein neuronales Netz? 3 1.2 Eigenschaften neuronaler Netze 5 1.2.1 Allgemeine Merkmale
MehrDatenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 17. V. 2017 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
MehrCommon Warehouse Metamodel und Imperfektion
Common Warehouse Metamodel und Imperfektion Christoph Goebel Imperfektion und erweiterte Konzepte im Data Warehousing 2 Fragestellungen Welche Bedeutung haben Metadaten in der Information Supply Chain
MehrRepetitorium. Data Warehousing und Data Mining 11/12. Sebastian Wandelt 13./16. Februar 2012
Repetitorium Data Warehousing und Data Mining 11/12 Sebastian Wandelt 13./16. Februar 2012 Inhalt Data Warehousing und Data Mining auf 40 Slides Weder in-, noch exklusiv! Subjektive Zusammenfassung pro
MehrDer Begriff Fuzzy kommt aus dem Englischen und heißt soviel wie fusselig, verschwommen, unscharf.
F A C H H O C H S C H U L E S T R A L S U N D Fachbereich Maschinenbau Prof.Dr.-Ing. Ch.Wahmkow Fuzzy- logic Eine Einführung Der Begriff Fuzzy kommt aus dem Englischen und heißt soviel wie fusselig, verschwommen,
MehrÄrztlicher Befundbericht bei bösartigen Geschwulstkrankheiten und malignen Systemerkrankungen
Deutsche Rentenversicherung Baden-Württemberg Gartenstraße 105, 76122 Karlsruhe Adalbert-Stifter-Straße 105, 70429 Stuttgart www.deutsche-rentenversicherung-bw.de info@drv-bw.de Telefon 0721 825-0, Telefax
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie () Überblick. Deskriptive Statistik I - Grundlegende
MehrSeminar im Sommersemester 2004 an der Universität Karlsruhe (TH)
Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Verteilung und Integration von Informationen im Verkehrsbereich Thema: OLAP in verteilten Data-Warehouse- Umgebungen Vortrag: Christian
MehrOnline Analytical Processing
Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden
MehrInnovationsindex 2016: Kreise in Baden-Württemberg Zielsetzung und Methode
Innovationsindex 2016: Kreise in Baden-Württemberg Zielsetzung und Methode Städtestatistik-Sitzung im Statistischen Landesamt Baden-Württemberg Ruth Einwiller, Referat 31 06.12.2016 14.12.2016, Folie 1
MehrFeature Selection / Preprocessing
1 Feature Selection / Preprocessing 2 Was ist Feature Selection? 3 Warum Feature Selection? Mehr Variablen führen nicht automatisch zu besseren Ergebnissen. Lernen von unwichtigen Daten Mehr Daten notwendig
MehrFuzzy Logik Fuzzy Logik, Franka Zander, Dezember 2004
Fuzzy Logik Franka Zander, Dezember 2004 Franka Zander, Dezember 2004 2/43 Inhaltsverzeichnis 1. Unscharfe Mengen 1.1 Einleitung 1.2 Unscharfe Mengen und deren Verknüpfung 1.3 Unscharfe Zahlen 2. Unscharfe
MehrSeminar 2. SQL - DML(Data Manipulation Language) und. DDL(Data Definition Language) Befehle.
Seminar 2 SQL - DML(Data Manipulation Language) und DDL(Data Definition Language) Befehle. DML Befehle Aggregatfunktionen - werden auf eine Menge von Tupeln angewendet - Verdichtung einzelner Tupeln yu
Mehr