Datenbanken Unit 11: Data Mining
|
|
|
- Susanne Kranz
- vor 5 Jahren
- Abrufe
Transkript
1 Datenbanken Unit 11: Data Mining 11. VI. 2018
2 Organisatorisches Diesen Mittwoch UE-Abschlusstest (Gruppe 1: 17:30 18:30, Gruppe 2: 16:15 17:15 )
3 Klassifikation Outline 1 Organisatorisches 2 Data Mining 3 Data Mining Klassifikation Assoziationsregeln Clustering 4 Datenschutz 5 SQL 6 Normalisierung: Weitere Übungsbeispiele
4 Klassifikation Data Mining Idee: haben viele Daten suchen nach speziellen Mustern
5 Klassifikation Data Mining Idee: haben viele Daten suchen nach speziellen Mustern Wir unterscheiden dabei: Klassifikation Assoziationsregeln Clustering
6 Klassifikation Klassifikation Setting: interessieren uns für bestimmte Eigenschaft schauen uns vergangene Daten an und generieren Hypothese
7 Klassifikation Klassifikation Setting: interessieren uns für bestimmte Eigenschaft schauen uns vergangene Daten an und generieren Hypothese Beispiele:
8 Klassifikation Klassifikation Setting: interessieren uns für bestimmte Eigenschaft schauen uns vergangene Daten an und generieren Hypothese Beispiele: Risiko für Versicherungsfall (gegeben: Geschlecht, Alter etc.)
9 Klassifikation Klassifikation Setting: interessieren uns für bestimmte Eigenschaft schauen uns vergangene Daten an und generieren Hypothese Beispiele: Risiko für Versicherungsfall (gegeben: Geschlecht, Alter etc.) Risiko, dass Kredit nicht zurückgezahlt wird (gegeben: Geschlecht, Alter, Familienstand, Arbeitsverhältnis, etc.)
10 Klassifikation Klassifikation Setting: interessieren uns für bestimmte Eigenschaft schauen uns vergangene Daten an und generieren Hypothese Beispiele: Risiko für Versicherungsfall (gegeben: Geschlecht, Alter etc.) Risiko, dass Kredit nicht zurückgezahlt wird (gegeben: Geschlecht, Alter, Familienstand, Arbeitsverhältnis, etc.) Aussicht, dass medizinische Behandlung erfolgreich
11 Klassifikation Klassifikation Setting: interessieren uns für bestimmte Eigenschaft schauen uns vergangene Daten an und generieren Hypothese Beispiele: Risiko für Versicherungsfall (gegeben: Geschlecht, Alter etc.) Risiko, dass Kredit nicht zurückgezahlt wird (gegeben: Geschlecht, Alter, Familienstand, Arbeitsverhältnis, etc.) Aussicht, dass medizinische Behandlung erfolgreich Ist Spam?
12 Klassifikation Klassifikation Setting: interessieren uns für bestimmte Eigenschaft schauen uns vergangene Daten an und generieren Hypothese Beispiele: Risiko für Versicherungsfall (gegeben: Geschlecht, Alter etc.) Risiko, dass Kredit nicht zurückgezahlt wird (gegeben: Geschlecht, Alter, Familienstand, Arbeitsverhältnis, etc.) Aussicht, dass medizinische Behandlung erfolgreich Ist Spam? Enthält dieses Bild eine Katze?
13 Klassifikation Klassifikation Setting: interessieren uns für bestimmte Eigenschaft schauen uns vergangene Daten an und generieren Hypothese Beispiele: Risiko für Versicherungsfall (gegeben: Geschlecht, Alter etc.) Risiko, dass Kredit nicht zurückgezahlt wird (gegeben: Geschlecht, Alter, Familienstand, Arbeitsverhältnis, etc.) Aussicht, dass medizinische Behandlung erfolgreich Ist Spam? Enthält dieses Bild eine Katze? Ist diese Website über Datenbanknormalisierung?
14 Klassifikation Beispiel: Shinseungback Kimyonghun Cloudface Gesichtserkennungssoftware angewandt auf Bilder von Wolken
15 Klassifikation Beispiel: Shinseungback Kimyonghun Cat or Human Gesichtserkennungssoftware angewandt auf Bilder von Katzen
16 Klassifikation Beispiel: Shinseungback Kimyonghun Cat or Human Software für Erkennen von Katzen in Bildern angewandt auf Bilder von Menschen
17 Klassifikation Maschinelles Lernen Es gibt viele verschiedene Methoden, um aus Daten zu lernen : Neuronale Netze Entscheidungsbäume Support Vector Machines. Lehrveranstaltung Maschinelles Lernen (Auer)
18 Assoziationsregeln Outline 1 Organisatorisches 2 Data Mining 3 Data Mining Klassifikation Assoziationsregeln Clustering 4 Datenschutz 5 SQL 6 Normalisierung: Weitere Übungsbeispiele
19 Assoziationsregeln Assoziationsregeln Beispiel: Empfehlungen z.b. bei Amazon Liebe Kundin, lieber Kunde! Kunden, die sich für The Art of Chess Combination von Eugene Znosko-Borovsky interessierten, haben Read the High Country: A Guide to Western Books and Films von Mort bestellt. Daher möchten wir Sie darüber informieren, dass Read the High Country: A Guide to Western Books and Films von Mort in Kürze erscheinen wird. Bestellen Sie jetzt Ihr Exemplar vor!
20 Assoziationsregeln Assoziationsregeln (für Details zu diesem Thema siehe Folien von Alois Kemper) Setting: möchten aus großer Datenmenge bestimmte Regeln ableiten Beispiel: Wenn jemand einen PC kauft, dann auch einen Drucker.
21 Assoziationsregeln Assoziationsregeln (für Details zu diesem Thema siehe Folien von Alois Kemper) Setting: möchten aus großer Datenmenge bestimmte Regeln ableiten Beispiel: Wenn jemand einen PC kauft, dann auch einen Drucker. Diese Assoziationsregeln gelten i.a. nicht immer:
22 Assoziationsregeln Assoziationsregeln (für Details zu diesem Thema siehe Folien von Alois Kemper) Setting: möchten aus großer Datenmenge bestimmte Regeln ableiten Beispiel: Wenn jemand einen PC kauft, dann auch einen Drucker. Diese Assoziationsregeln gelten i.a. nicht immer: Konfidenz: In wievielen % der Fälle stimmt die Regel? (Wieviele PC Käufer haben auch einen Drucker gekauft?)
23 Assoziationsregeln Assoziationsregeln (für Details zu diesem Thema siehe Folien von Alois Kemper) Setting: möchten aus großer Datenmenge bestimmte Regeln ableiten Beispiel: Wenn jemand einen PC kauft, dann auch einen Drucker. Diese Assoziationsregeln gelten i.a. nicht immer: Konfidenz: In wievielen % der Fälle stimmt die Regel? (Wieviele PC Käufer haben auch einen Drucker gekauft?) Support: Aus wievielen Daten wurde die Regel abgeleitet? (In wievielen % der Einkäufe wurden ein PC und ein Drucker zusammen gekauft?)
24 Assoziationsregeln Der A Priori Algorithmus möchten alle Assoziationsregeln mit Support s min und Konfidenz c min. frequent itemset := Menge von Items mit Support s min Algorithmus für das Finden von frequent itemsets: Überprüfe für jeden Item i, ob {i} ein frequent itemset ist. Wiederhole: Für jedes gefundene frequent itemset F und jeden Item i / F überprüfe ob F {i} ein frequent itemset ist.
25 Assoziationsregeln Ableiten von Regeln aus Frequent Itemsets Sind frequent itemsets bekannt, so lassen sich leicht Assoziationsregeln daraus ableiten: Wenn F ein frequent itemset und F = L R mit L R =, dann ist L R Assoziationsregel mit Konfidenz(L R) = Support(F) Support(L) Überprüfe, ob Regel Konfidenz c min hat.
26 Assoziationsregeln Ableiten von Regeln aus Frequent Itemsets Wenn F ein frequent itemset und F = L R mit L R =, dann ist L R Assoziationsregel mit Konfidenz(L R) = Support(F) Support(L) Überprüfe, ob Regel Konfidenz c min hat. Beispiel: Wenn {Drucker, Papier, Toner} ein frequent itemset, dann haben wir die Assoziationsregel mit Konfidenz Drucker Papier, Toner Support({Drucker, Papier, Toner}) Support({Drucker})
27 Assoziationsregeln Erhöhen der Konfidenz Für zwei Assoziationsregeln L R, L + R abgeleitet aus demselben frequent itemset F = L R = L + R mit L L + und R R, gilt allgemein Konfidenz(L + R ) Konfidenz(L R). kann Konfidenz durch Verschieben von Items von rechts nach links erhöhen!
28 Assoziationsregeln Erhöhen der Konfidenz Für zwei Assoziationsregeln L R, L + R abgeleitet aus demselben frequent itemset F = L R = L + R mit L L + und R R, gilt allgemein Konfidenz(L + R ) Konfidenz(L R). kann Konfidenz durch Verschieben von Items von rechts nach links erhöhen! Beispiel: Konfidenz({Drucker, Papier} {Toner}) (1) Konfidenz({Drucker} {Papier, Toner}) (2)
29 Assoziationsregeln Anwendung: Empfehlungen Beispiel: Empfehlungen bei Amazon funktioniert nicht immer gut (etwa bei Kunden mit ausgefallenem Geschmack): Liebe Kundin, lieber Kunde! Kunden, die sich für The Art of Chess Combination von Eugene Znosko-Borovsky interessierten, haben Read the High Country: A Guide to Western Books and Films von Mort bestellt. Daher möchten wir Sie darüber informieren, dass Read the High Country: A Guide to Western Books and Films von Mort in Kürze erscheinen wird. Bestellen Sie jetzt Ihr Exemplar vor! (Support zu gering!)
30 Clustering Outline 1 Organisatorisches 2 Data Mining 3 Data Mining Klassifikation Assoziationsregeln Clustering 4 Datenschutz 5 SQL 6 Normalisierung: Weitere Übungsbeispiele
31 Clustering Clustering Setting: Gegeben: große Datenmenge finde Cluster von ähnlichen Daten
32 Clustering Clustering Setting: Gegeben: große Datenmenge finde Cluster von ähnlichen Daten Beispiel: Cluster in Bilddaten Bilder im gleichen Cluster zeigen ähnliche Objekte
33 Clustering Beispiel: Books that make you dumb
34 Clustering Beispiel: Music that makes you dumb
35 1984 In George Orwells Dystopie 1984 überwacht die Regierung ihre Bürger. ( Big brother is watching you. )
36 1984 In George Orwells Dystopie 1984 überwacht die Regierung ihre Bürger. ( Big brother is watching you. ) Die Gegenwart ist noch schlimmer: Menschen teilen alle Details ihres Leben mit
37 1984 In George Orwells Dystopie 1984 überwacht die Regierung ihre Bürger. ( Big brother is watching you. ) Die Gegenwart ist noch schlimmer: Menschen teilen alle Details ihres Leben mit ihren Freunden und Bekannten,
38 1984 In George Orwells Dystopie 1984 überwacht die Regierung ihre Bürger. ( Big brother is watching you. ) Die Gegenwart ist noch schlimmer: Menschen teilen alle Details ihres Leben mit ihren Freunden und Bekannten, jedem, den es interessiert,
39 1984 In George Orwells Dystopie 1984 überwacht die Regierung ihre Bürger. ( Big brother is watching you. ) Die Gegenwart ist noch schlimmer: Menschen teilen alle Details ihres Leben mit ihren Freunden und Bekannten, jedem, den es interessiert, großen Firmen wie Facebook oder Google (und der NSA).
40 1984 In George Orwells Dystopie 1984 überwacht die Regierung ihre Bürger. ( Big brother is watching you. ) Die Gegenwart ist noch schlimmer: Menschen teilen alle Details ihres Leben mit ihren Freunden und Bekannten, jedem, den es interessiert, großen Firmen wie Facebook oder Google (und der NSA). If it s free, YOU (=your data) are the product.
41 Was sind harmlose Daten? Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen können?
42 Was sind harmlose Daten? Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen können? Ihre Einkaufsliste?
43 Was sind harmlose Daten? Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen können? Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol)
44 Was sind harmlose Daten? Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen können? Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol) Bücher, die Sie lesen / Musik, die Sie hören?
45 Was sind harmlose Daten? Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen können? Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol) Bücher, die Sie lesen / Musik, die Sie hören? (siehe oben)
46 Was sind harmlose Daten? Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen können? Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol) Bücher, die Sie lesen / Musik, die Sie hören? (siehe oben) Ihre Hobbies
47 Was sind harmlose Daten? Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen können? Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol) Bücher, die Sie lesen / Musik, die Sie hören? (siehe oben) Ihre Hobbies (Fallschirmspringen)
48 Was sind harmlose Daten? Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen können? Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol) Bücher, die Sie lesen / Musik, die Sie hören? (siehe oben) Ihre Hobbies (Fallschirmspringen) Informationen können isoliert betrachtet harmlos aussehen, in Kombination jedoch unerwünschte Schlüsse zulassen: Sie haben gestern früh Milch gekauft. Sie haben sich gestern nachmittag auf Facebook eingeloggt.
49 Was sind harmlose Daten? Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen können? Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol) Bücher, die Sie lesen / Musik, die Sie hören? (siehe oben) Ihre Hobbies (Fallschirmspringen) Informationen können isoliert betrachtet harmlos aussehen, in Kombination jedoch unerwünschte Schlüsse zulassen: Sie haben gestern früh Milch gekauft. Sie haben sich gestern nachmittag auf Facebook eingeloggt. Sie waren gestern krank gemeldet.
50 Was sind harmlose Daten? Gewisse Information möchte man u.u. nicht mit anderen teilen (z.b. dem Arbeitgeber, der Versicherung, dem Nachbarn, usw.): Krankheiten politische Einstellung sexuelle Orientierung...
51 Was sind harmlose Daten? Gewisse Information möchte man u.u. nicht mit anderen teilen (z.b. dem Arbeitgeber, der Versicherung, dem Nachbarn, usw.): Krankheiten politische Einstellung sexuelle Orientierung... Darüber sprechen Sie nicht auf Facebook?
52 Was sind harmlose Daten? Zuverlässigkeit der Einschätzung nach 170 Facebook Likes:
53 Was sind harmlose Daten? Zuverlässigkeit der Einschätzung nach 170 Facebook Likes: Sexuelle Orientierung: 88 %
54 Was sind harmlose Daten? Zuverlässigkeit der Einschätzung nach 170 Facebook Likes: Sexuelle Orientierung: 88 % Politische Einstellung: 85 %
55 Was sind harmlose Daten? Zuverlässigkeit der Einschätzung nach 170 Facebook Likes: Sexuelle Orientierung: 88 % Politische Einstellung: 85 % Religion: 82 %
56 Was sind harmlose Daten? Zuverlässigkeit der Einschätzung nach 170 Facebook Likes: Sexuelle Orientierung: 88 % Politische Einstellung: 85 % Religion: 82 % Beziehungsstatus: 67 %
57 Was sind harmlose Daten? Zuverlässigkeit der Einschätzung nach 170 Facebook Likes: Sexuelle Orientierung: 88 % Politische Einstellung: 85 % Religion: 82 % Beziehungsstatus: 67 % Drogenkonsum: 65 %
58 Was sind harmlose Daten? Auch ohne Likes können aus dem Facebook-Graphen Rückschlüsse gezogen werden über: ehemalige Mitschüler Arbeitskollegen mit wem Sie Ihre Freizeit verbringen Ihren Partner
59 Social credit sytem Pilotprojekt (vorerst freiwillig, ab 2020 verpflichtend): Social credit sytem (SCS) in China bewertet Bürger anhand Verhalten in sozialen Netzwerken Einkaufsverhalten Bankdaten Jeder Bürger erhält sogenannte Sesame credit points für gutes Verhalten, für schlechtes Verhalten gibt es Punkteabzüge. Ob ein Bürger z.b. ein Visum fürs Ausland bekommt, hängt dann von seinem Punktestand ab.
60 Letzte Entwicklungen Selbst wenn Du kein Handy hast, das Dich trackt:
61 Letzte Entwicklungen Selbst wenn Du kein Handy hast, das Dich trackt: Mit überall installierten Kameras und Gesichtserkennungssoftware sind Deine Wege nachvollziehbar.
62 Letzte Entwicklungen Selbst wenn Du kein Handy hast, das Dich trackt: Mit überall installierten Kameras und Gesichtserkennungssoftware sind Deine Wege nachvollziehbar. Lass Amazon eine Kamera in Deinem Haus installieren und entscheiden, wer rein darf.
63 Letzte Entwicklungen Selbst wenn Du kein Handy hast, das Dich trackt: Mit überall installierten Kameras und Gesichtserkennungssoftware sind Deine Wege nachvollziehbar. Lass Amazon eine Kamera in Deinem Haus installieren und entscheiden, wer rein darf. Internet of Things: Your TV set is watching you!
64 Letzte Entwicklungen Selbst wenn Du kein Handy hast, das Dich trackt: Mit überall installierten Kameras und Gesichtserkennungssoftware sind Deine Wege nachvollziehbar. Lass Amazon eine Kamera in Deinem Haus installieren und entscheiden, wer rein darf. Internet of Things: Your TV set is watching you! Schick Facebook Deine Nacktfotos!
65 Letzte Entwicklungen Selbst wenn Du kein Handy hast, das Dich trackt: Mit überall installierten Kameras und Gesichtserkennungssoftware sind Deine Wege nachvollziehbar. Lass Amazon eine Kamera in Deinem Haus installieren und entscheiden, wer rein darf. Internet of Things: Your TV set is watching you! Schick Facebook Deine Nacktfotos! Facebook und Microsoft arbeiten an Software, die Deine Gedanken lesen kann (und wollen nur Dein Bestes!).
66 SQL Heute: Datenbankenanbindung in Java
67 Normalisierung: Weitere Beispiele Vorzubereiten bis nächste Woche: Bsp. 10.1: Entwerfen Sie ein Datenbankschema für Meldedaten wie sie in Österreich gespeichert werden (inkl. Historie). Speichern Sie Name, Adresse, Haupt- oder Nebenwohnsitz, Bekenntnis, An- und Abmeldedatum. Bsp. 10.2: Entwerfen Sie eine Literaturdatenbank für wissenschaftliche Bücher und Artikel, wobei auch gespeichert werden soll, in welchem Werk welche anderen Werke zitiert werden. Speichern Sie für jedes Werk auch Autor(en) und Titel, Zeitschrift (falls Zeitschriftenartikel), Sammelband (falls in Sammelband erschienen), Seitenangabe, Verlag (für Bücher bzw. Zeitschriften).
Datenbanken Unit 10: Ranking und Data Mining Erstellen und Ändern von Datenbanken
Datenbanken Unit 10: Ranking und Data Mining Erstellen und Ändern von Datenbanken 7. VI. 2016 Organisatorisches nächste Woche am 14. Juni Abschlusstest (Gruppe 1: 10:00 11:15, Gruppe 2: 11:30 12:45 ) Übungsblatt
Data 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
Datenbanksysteme 2009
Datenbanksysteme 2009 Kapitel 17: Data Warehouse Oliver Vornberger Institut für Informatik Universität Osnabrück 1 OLTP versus OLAP OLTP (Online Transaction Processing) z.b. Flugreservierung, Handelsunternehmen
Maschinelles 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:
Data 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
Kapitel 17: Date Warehouse
Kapitel 17: Date Warehouse 1 OLTP versus OLAP OLTP (Online Transaction Processing) z.b. Flugreservierung, Handelsunternehmen kleine, kurze Transaktionen jeweils auf jüngstem Zustand OLAP (Online Analytical
Maschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2009/2010 Musterlösung für das 13. Übungsblatt Aufgabe 1: Apriori Gegeben seien folgende Beobachtungen vom Kaufverhalten von Kunden: beer chips dip
Data Mining 5-1. Kapitel 5: Frequent Itemsets. Johannes Zschache Wintersemester 2018/19
Data Mining Kapitel 5: Frequent Itemsets Johannes Zschache Wintersemester 2018/19 Abteilung Datenbanken, Universität Leipzig http://dbs.uni-leipzig.de Data Mining 5-1 5-2 Data Mining Übersicht Hochdimension.
Datenbanken Unit 11: Erstellen u. Ändern von Datenbanken und Tabellen Verbindung von Java auf Datenbanken
Datenbanken Unit 11: Erstellen u Ändern von Datenbanken und Tabellen Verbindung von Java auf Datenbanken 13 VI 2017 Organisatorisches morgen Abschlusstest UE (Gruppe 1: 14:45 16:00, Gruppe 2: 16:00 17:15
Datenbanken & Informationssysteme (WS 2016/2017)
Datenbanken & Informationssysteme (WS 2016/2017) Klaus Berberich (klaus.berberich@htwsaar.de) Wolfgang Braun (wolfgang.braun@htwsaar.de) 0. Organisatorisches Dozenten Klaus Berberich (klaus.berberich@htwsaar.de)
Teil 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 &
Data Mining auf Datenströmen Andreas M. Weiner
Technische Universität Kaiserslautern Fachbereich Informatik Lehrgebiet Datenverwaltungssysteme Integriertes Seminar Datenbanken und Informationssysteme Sommersemester 2005 Thema: Data Streams Andreas
6.6 Vorlesung: Von OLAP zu Mining
6.6 Vorlesung: Von OLAP zu Mining Definition des Begriffs Data Mining. Wichtige Data Mining-Problemstellungen, Zusammenhang zu Data Warehousing,. OHO - 1 Definition Data Mining Menge von Techniken zum
Apriori-Algorithmus zur Entdeckung von Assoziationsregeln
Apriori-Algorithmus zur Entdeckung von PG 42 Wissensmanagment Lehrstuhl für Künstliche Intelligenz 22. Oktober 21 Gliederung Motivation Formale Problemdarstellung Apriori-Algorithmus Beispiel Varianten
DATENSCHUTZ. Was sollte jeder wissen, um seine Daten zu schützen?
DATENSCHUTZ Was sollte jeder wissen, um seine Daten zu schützen? 1001 WAHRHEIT eine Initiative der Deutschen Telekom AG Moderationsunterlagen fu r einen Workshop (Einfache Sprache) IMPRESSUM HERAUSGEBER
Informationssysteme im Electronic Commerce. Social Recommendation Systems
Informationssysteme im Electronic Commerce Social Recommendation Systems Seminar für Bachelor-/Master-/Diplomstudiengang Sommersemester 2012 Prof. Dr. Oliver Hinz Professur für Wirtschaftsinformatik insb.
Jugendliche und Internet
Jugendliche und Internet Ratgeber für Eltern Ein Heft in Leichter Sprache Was steht in diesem Heft? Im Internet surfen 3 Soziale Netzwerke 4 Alters-Grenzen bei sozialen Netz-Werken 5 Privates im Internet
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 31. V. 2016 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
USB -> Seriell Adapterkabel Benutzerhandbuch
USB -> Seriell Adapterkabel Benutzerhandbuch 1. Produkt Eigenschaften 1 2. System Vorraussetzungen 1 3. Treiber Installation (Alle Windows Systeme) 1 4. Den COM Port ändern 2 5. Einstellen eines RS232
Universität 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
Die folgenden Fragen beziehen sich auf verschiedene Aspekte hinsichtlich digitaler Medien und digitaler Geräte, einschließlich Desktop-Computer,
Die folgenden Fragen beziehen sich auf verschiedene Aspekte hinsichtlich digitaler Medien und digitaler Geräte, einschließlich Desktop-Computer, Laptops, Notebooks, Smartphones, Handys ohne Internetzugang,
(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
Proseminar - 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
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Maschinelles Lernen. Tobias Scheffer Michael Brückner
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen Tobias Scheffer Michael Brückner Organisation Vorlesung/Übung, praktische Informatik. 4 SWS. Übung: Mo 10:00-11:30
UM ALLE DATEN ZU KOPIEREN. ZUNÄCHST die Daten des alten Telefons auf einen Computer kopieren
IPHONE UM ALLE DATEN des alten Telefons auf einen Computer Software von welcomehome.to/nokia auf Ihrem PC oder Mac. verbinden Sie Ihr altes Telefon über 3. Wenn Sie Outlook nutzen, öffnen Sie itunes, um
Übersicht. 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
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Maschinelles Lernen
Universität Potsdam Institut für Informatik Lehrstuhl Niels Landwehr, Silvia Makowski, Christoph Sawade, Tobias Scheffer Organisation Vorlesung/Übung, praktische Informatik. 4 SWS. Übung: Di 10:00-11:30
Assoziationsregeln & Sequenzielle Muster. A. Hinneburg, Web Data Mining MLU Halle-Wittenberg, SS 2007
Assoziationsregeln & Sequenzielle Muster 0 Übersicht Grundlagen für Assoziationsregeln Apriori Algorithmus Verschiedene Datenformate Finden von Assoziationsregeln mit mehren unteren Schranken für Unterstützung
Unüberwachtes Lernen: Clusteranalyse und Assoziationsregeln
Unüberwachtes Lernen: Clusteranalyse und Assoziationsregeln Praktikum: Data Warehousing und Data Mining Clusteranalyse Clusteranalyse Idee Bestimmung von Gruppen ähnlicher Tupel in multidimensionalen Datensätzen.
Amazon prime music auf mp3 player laden
Zoeken Zoeken Amazon prime music auf mp3 player laden 6. Dez. 2013. Wer bei Amazon eine Musik-CD kauft, bekommt das Album neuerdings auch als MP3-Dateien im eigenen Cloud-Speicher bei Amazon zur Verfügung
Fortgeschrittene 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
Frequent Itemset Mining + Association Rule Mining
Frequent Itemset Mining + Association Rule Mining Studiengang Angewandte Mathematik WS 2015/16 Frequent Itemset Mining (FIM) 21.10.2015 2 Einleitung Das Frequent-Itemset-Mining kann als Anfang des modernen,
GR5W. General Certificate of Education June 2007 Advanced Level Examination. Unit 5 The Cultural and Social Landscape in Focus. Time allowed: 2 hours
General Certificate of Education June 2007 Advanced Level Examination GERMAN Unit 5 The Cultural and Social Landscape in Focus GR5W Thursday 14 June 2007 9.00 am to 11.00 am For this paper you must have:!
Die Gefahren im Internet Aufgabe: Verbinde die Zahlen mit der passenden Aussage hinter den Buchstaben
Die Gefahren im Internet Verbinde die Zahlen mit der passenden Aussage hinter den Buchstaben Das Internet vergisst nichts Überlege dir genau, was du im Internet über dich preisgibst. Mittlerweile haben
Methoden, 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
Mining über RDBMSe. von. Christian Widmer. Wie gut lässt sich Mining mit SQL realisieren?
Mining über RDBMSe von Christian Widmer Wie gut lässt sich Mining mit SQL realisieren? Müssen neue Konstrukte zur Verfügung gestellt werden, wenn ja welche? Vortragsüberblick Association Rules Apriori
Datenbanken 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
Affiliate Marketing - Geld Verdienen Im Internet Ohne Eigene Produkte: Schritt-f By Udo Gollub
Affiliate Marketing - Geld Verdienen Im Internet Ohne Eigene Produkte: Schritt-f By Udo Gollub If searched for the ebook Affiliate Marketing - Geld verdienen im Internet ohne eigene Produkte: Schritt-f
IT- Café! Donnerstag 10. Januar Microsoft-Konto
IT- Café! Donnerstag 10. Januar 2019 Microsoft-Konto Was ist ein Microsoft-Konto? Für die Dienste von Microsoft wie Windows - Kontakte - Microsoft Store - Cortana OneDrive OneNote Skype Xbox outlook.com
Regeln für Smartphone, Handy, Tablet an der Virneburg
Regeln für Smartphone, Handy, Tablet an der Virneburg Digitale Medien gehören zu unserem Alltag. Digitale Medien sind zum Beispiel: Handy Smartphone Tablet Wir wollen diese Geräte auch in der Schule nutzen.
Data Mining und Statistik: Gemeinsamkeiten und Unterschiede. Daniel Meschenmoser
Data Mining und Statistik: Gemeinsamkeiten und Unterschiede Daniel Meschenmoser Übersicht Gemeinsamkeiten von Data Mining und Statistik Unterschiede zwischen Data Mining und Statistik Assoziationsregeln
Informationssysteme. Prof. Dr. Hans Czap. Lehrstuhl für Wirtschaftsinformatik I. Lehrstuhl für Wirtschaftsinformatik I - II - 1 -
Vorlesung Grundlagen betrieblicher Informationssysteme Prof. Dr. Hans Czap Email: Hans.Czap@uni-trier.de - II - 1 - Inhalt Kap. 1 Ziele der Datenbanktheorie Kap. 2 Datenmodellierung und Datenbankentwurf
Data 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-)
Maschinelles Lernen: Symbolische Ansätze
Semestralklausur zur Vorlesung Maschinelles Lernen: Symbolische Ansätze Prof. J. Fürnkranz / Dr. G. Grieser Technische Universität Darmstadt Wintersemester 2005/06 Termin: 23. 2. 2006 Name: Vorname: Matrikelnummer:
NOREA Sprachführer Norwegisch: Ein lustbetonter Sprachkurs zum Selbstlernen (German Edition)
NOREA Sprachführer Norwegisch: Ein lustbetonter Sprachkurs zum Selbstlernen (German Edition) Click here if your download doesn"t start automatically NOREA Sprachführer Norwegisch: Ein lustbetonter Sprachkurs
Data Warehousing und Data Mining
Data Warehousing und Data Mining Association Rule Mining Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Association Rule Mining (ARM) A-Priori Algorithmus Varianten Ulf Leser:
Projekt Maschinelles Lernen WS 06/07
Projekt Maschinelles Lernen WS 06/07 1. Auswahl der Daten 2. Evaluierung 3. Noise und Pruning 4. Regel-Lernen 5. ROC-Kurven 6. Pre-Processing 7. Entdecken von Assoziationsregeln 8. Ensemble-Lernen 9. Wettbewerb
Data-Warehouse-Praktikum
Data-Warehouse-Praktikum WS 18/19 Universität Leipzig, Institut für Informatik Abteilung Datenbanken Prof. Dr. E. Rahm V. Christen, M. Franke, Z. Sehili {christen, franke, sehili}@informatik.uni-leipzig.de
`# Online Read Programmieren: Software entwickeln fr Einsteiger: Lernen Sie die Grundlagen von Java, SQL und C++ (Codierung,... download books from
`# Online Read Programmieren: Software entwickeln fr Einsteiger: Lernen Sie die Grundlagen von Java, SQL und C++ (Codierung,... download books from google ebooks ID:jiajsi Click Here to Read Programmieren:
Unit 5. General Certificate of Education June 2003 Advanced Level Examination. Wednesday 11 June am am. Time allowed: 2 hours
General Certificate of Education June 2003 Advanced Level Examination GERMAN Unit 5 =>? Wednesday 11 June 2003 9.00 am 11.00 am In addition to this paper you will require: a 12-page answer book; Time allowed:
Handbuch der therapeutischen Seelsorge: Die Seelsorge-Praxis / Gesprächsführung in der Seelsorge (German Edition)
Handbuch der therapeutischen Seelsorge: Die Seelsorge-Praxis / Gesprächsführung in der Seelsorge (German Edition) Reinhold Ruthe Click here if your download doesn"t start automatically Handbuch der therapeutischen
DIGITALER NACHLASS WAHRHEIT eine Initiative der Deutschen Telekom AG Moderationsunterlagen fu r einen Workshop (Einfache Sprache)
DIGITALER NACHLASS Was passiert mit unseren Daten, wenn wir sterben? Und was sollte man schon jetzt regeln? Hier finden Sie Antworten auf diese Fragen. 1001 WAHRHEIT eine Initiative der Deutschen Telekom
Predictive Analytics VON PAUL BAUMGARTEN
Predictive Analytics VON PAUL BAUMGARTEN 1 Der Fall Target Werbemail an minderjährige mit Babyartikeln regt Vater auf. Vater beschwert sich beim Manager der entschuldigt sich. Manager ruft nach ein paar
Datenbanksysteme 2009
Datenbanksysteme 2009 Vorlesung vom 07.07.09 Kapitel 16 + 17 Sicherheit + Data Warehouse Oliver Vornberger Institut für Informatik Universität Osnabrück 1 Datenschutz Datenbank 2 Legislative Maßnahmen
Was wissen Sie jetzt?
Was wissen Sie jetzt?! Sie haben drei Prinzipien für die Regelbewertung kennen gelernt:! Unabhängige Mengen sollen mit bewertet werden.! Der Wert soll höher werden, wenn die Regel mehr Belege hat.! Der
Induktion von Assoziationsregeln. Stefan Mandl
Induktion von Assoziationsregeln Stefan Mandl Inhalt Was sind Assoziationsregeln? Qualitätsbewertung Algorithmus Was sind Assoziationsregeln? Assoziationsregeln Assoziationsregeln beschreiben Korrelationen
4.2 Constraints für Assoziationsregeln
4.2 Constraints für Assoziationsregeln zu viele Frequent Item Sets Effizienzproblem zu viele Assoziationsregeln Evaluationsproblem Motivation manchmal Constraints apriori bekannt nur Assoziationsregeln
5. Assoziationsregeln
5. Generieren von Assoziationsregeln Grundbegriffe 5. Assoziationsregeln Assoziationsregeln beschreiben gewisse Zusammenhänge und Regelmäßigkeiten zwischen verschiedenen Dingen, z.b. den Artikeln eines
Telefonbuch Deutschland Ruckwarts
Telefonbuch Deutschland Ruckwarts 1 / 6 2 / 6 3 / 6 Telefonbuch Deutschland Ruckwarts Die Rückwärtssuche funktioniert wie die Telefonnummernsuche, nur "rückwärts". D.h., es wird nicht ein Name in die Suchmaske
INTELLIGENTE DATENANALYSE IN MATLAB. Unüberwachtes Lernen: Clustern von Attributen
INTELLIGENTE DATENANALYSE IN MATLAB Unüberwachtes Lernen: Clustern von Attributen Literatur J. Han, M. Kamber: Data Mining Concepts and Techniques. J. Han et. al: Mining Frequent Patterns without Candidate
Das Parfum: Die Geschichte Eines Morders (Fiction, Poetry & Drama) (German Edition) By Patrick Suskind READ ONLINE
Das Parfum: Die Geschichte Eines Morders (Fiction, Poetry & Drama) (German Edition) By Patrick Suskind READ ONLINE Ferrell geschrieben von Patrick Süskind Gliederung Inhalt Personen Sprachstil Das Parfum:
Horsemen Of The Esophagus: Competitive Eating And The Big Fat American Dream By Jason Fagone
Horsemen Of The Esophagus: Competitive Eating And The Big Fat American Dream By Jason Fagone Arbeitsrecht leicht gemacht. Eine Darstellung mit praktischen Fällen - Arbeitsrecht leicht gemacht. Eine Darstellung
Frequent Itemset Mining und FP-Tree
Übung 4 Frequent Itemset Mining und FP-Tree Frequent Itemset Mining Motivation: Es existiert eine Datenbank mit vielen Einträgen Man möchte wissen, welche Einträge oft zusammen vorkommen Frequent Itemset
Llewellyn's 2015 Witches' Datebook By Elizabeth Barrette, Melanie Marquis READ ONLINE
Llewellyn's 2015 Witches' Datebook By Elizabeth Barrette, Melanie Marquis READ ONLINE If you are searching for a book Llewellyn's 2015 Witches' Datebook by Elizabeth Barrette, Melanie Marquis in pdf format,
Teil A: Demographie das Übliche
Vor ein paar hren wurde diese Umfrage (in leicht abewandelter Form) schon einmal bei den aktuellen Psychologie-Studis an der Universität Bremen durchgeführt. Zeit für eine Folgeerhebung! Es geht dabei
A Brief History Of The Vikings: The Last Pagans Or The First Modern Europeans? (Brief History Series) By Jonathan Clements
A Brief History Of The Vikings: The Last Pagans Or The First Modern Europeans? (Brief History Series) By Jonathan Clements visuellen PONS-Prinzip 19,99 EUR*. Beschreibung; Drucken. PONS Sprachkurs in Bildern
Data Mining. Informationssysteme, Sommersemester 2017
Data Mining Informationssysteme, Sommersemester 2017 Literatur zu Data-Mining Pang-Ning Tan, Michael Steinbach, Vipin Kuma. Introduction to Data Minig. Ein paar relevante Kapitel sind frei verfügbar unter
Win (The Atlantis Grail Book 3) By Vera Nazarian READ ONLINE
Win (The Atlantis Grail Book 3) By Vera Nazarian READ ONLINE Neue Elektroinstallationen in Haus und Garten (DO IT!) Bo Hanus; Herausgeber: Franzis Verlag; Taschenbuch: 255 Seiten. 19,95 EUR. Bei Amazon
Proseminar - 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,
Projekt-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
INTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Lernen von Assoziationsregeln Literatur J. Han, M. Kamber: Data Mining i Concepts and Techniques. J. Han et. al: Mining i Frequent Patterns without t Candidate Generation.
Video-Thema Begleitmaterialien
Das Geschäft mit unseren Daten Egal ob in sozialen Netzwerken, beim Online-Shopping oder auf anderen Internetseiten, wir hinterlassen unsere Spuren im Netz. Mit unseren persönlichen Daten machen andere
Kinder und Jugend in der digitalen Welt. Achim Berg Bitkom-Vizepräsident Berlin, 16. Mai 2017
Kinder und Jugend in der digitalen Welt Achim Berg Bitkom-Vizepräsident Berlin, 16. Mai 2017 Smartphone- und Tabletnutzung deutlich gestiegen Welche der folgenden Geräte nutzt du zumindest ab und zu? 100%
Apps für Smartphones und PC s Ein Smartphone ohne Apps wird zum Telefon
www.computeria-wallisellen.ch Apps für Smartphones und PC s Ein Smartphone ohne Apps wird zum Telefon 17.09.2014 Smartphones: Joachim Vetter App: Ruedi Knupp 1. Wikipedia-Definition von App Als Mobile
Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung
Ermittlung von Assoziationsregeln aus großen Datenmengen Zielsetzung Entscheidungsträger verwenden heutzutage immer häufiger moderne Technologien zur Lösung betriebswirtschaftlicher Problemstellungen.
Physik. Geografie Biologie. Chemie. Geschichte. crede quod habes, et habes. Latein Religion. Englisch. Deutsch. Französisch.
Geschichte Geografie Biologie Chemie Physik crede quod habes, et habes Deutsch Französisch Englisch Latein Religion Sport Mathematik Informatik Kunst Musik Was ist dein Lieblingsfach? Mein Lieblingsfach
Diese Sachen will DIE LINKE machen! Damit die Zukunft für alle Menschen besser wird
Diese Sachen will DIE LINKE machen! Damit die Zukunft für alle Menschen besser wird In allen Betrieben wird heute mit Computern gearbeitet. Und es gibt viel neue Technik in den Betrieben. Maschinen, die
Das Open-Access-Journal Electronic Transactions on Numerical Analysis
Das Open-Access-Journal Electronic Transactions on Numerical Analysis Roland Herzog Numerische Mathematik (Partielle Differentialgleichungen) Open-Access-Tag 02.11.2015 Roland Herzog (TU Chemnitz) Das
1. Describe each hobby in the pictures below and state your opinion about the hobby.
1. Describe each hobby in the pictures below and state your opinion about the hobby. Example: Deutsche spielen oft Tennis. Ich spiele nicht gern Tennis, weil ich Tennis sehr langweilig finde. Deutsche
Schritt für Schritt ein neues Profil anlegen
Schritt für Schritt ein neues Profil anlegen In dieser Anleitung zeigen wir Ihnen jeden Schritt im Detail. Damit können Sie die Einstellungen und alle Such-Optionen maßgeschneidert nach Ihren Wünschen
GR5W. General Certificate of Education June 2008 Advanced Level Examination. Unit 5 The Cultural and Social Landscape in Focus. Time allowed: 2 hours
General Certificate of Education June 2008 Advanced Level Examination GERMAN Unit 5 The Cultural and Social Landscape in Focus GR5W Wednesday 11 June 2008 9.00 am to 11.00 am For this paper you must have:!
Suhrkamp BasisBibliothek (SBB), Nr.34, Unterm Rad By Heribert Kuhn, Hermann Hesse
Suhrkamp BasisBibliothek (SBB), Nr.34, Unterm Rad By Heribert Kuhn, Hermann Hesse Suhrkamp BasisBibliothek (SBB), Nr.34, Unterm - Suhrkamp BasisBibliothek (SBB), Nr.34, Unterm Rad von Hermann Hesse; Heribert
Adventures In Arduino By Becky Stewart
Adventures In Arduino By Becky Stewart Adventures in Arduino Supporting the book by Becky Stewart (Wiley - Adventures in Arduino guides you through designing and building your own projects through 9 adventures.
Gliederung. 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:
Wie man heute die Liebe fürs Leben findet
Wie man heute die Liebe fürs Leben findet Sherrie Schneider Ellen Fein Click here if your download doesn"t start automatically Wie man heute die Liebe fürs Leben findet Sherrie Schneider Ellen Fein Wie
MPD ist eine Abkürzung für M = Medizinisch P = Pädagogischer D = Dienst.
Sie haben vom MPD ein Informations schreiben bekommen. In diesem Informations schreiben geht es um den Daten schutz. Denn Ihre Daten dürfen anderen nur gesagt werden, wenn Sie das möchten. Der Text ist
UM ALLE DATEN ZU KOPIEREN. ZUNÄCHST die Daten des alten Telefons auf einen Computer kopieren
LUMIA mit WP8 IPHONE Daten des alten Telefons auf einen Computer kopieren Software von welcomehome.to/nokia auf Ihrem PC oder Mac. verbinden Sie Ihr altes Telefon über 3. Wenn Sie Outlook nutzen, öffnen
Kapitel 7: Assoziationsregeln
Ludwig Maximilians Universität München Institut für Informatik Lehr- und Forschungseinheit für Datenbanksysteme Skript zur Vorlesung Knowledge Discovery in Databases im Wintersemester 2007/2008 Kapitel
Selbstständiges 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
Maschinelles Lernen: Symbolische Ansätze
Klausur zur Vorlesung Maschinelles Lernen: Symbolische Ansätze Prof. J. Fürnkranz Technische Universität Darmstadt Wintersemester 2014/15 Termin: 17. 2. 2015 Name: Vorname: Matrikelnummer: Fachrichtung:
German MYP 7. Summer exam review
German MYP 7 Summer exam review Glockenarbeit: Rewrite the following sentences correctly. Ich möchtet Käse. Der Junge durfen esse einen Schinken. Das ist einen Computer. Wir wollen geht essen. Heute ist
Datenbanken Unit 12: NoSQL-Datenbanken und XML
Datenbanken Unit 12: NoSQL-Datenbanken und XML 18. VI. 2018 Outline 1 Organisatorisches 2 NoSQL: Diverse Ansätze 3 NoSQL: Objekt-relationale Datenbanken Object-Relational Impedance Mismatch Objekt-relationale
INTELLIGENTE 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.
Buch Bestseller Thriller
Buch Bestseller Thriller 1 / 6 2 / 6 3 / 6 Buch Bestseller Thriller Information zu bestseller in krimis & thriller diese stündlich aktualisierten listen enthalten ihre bestseller. Krimi & thriller bücher
Datenbanken 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
Data 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.