Predictive Analytics im Public Sector
|
|
- Kristian Hafner
- vor 4 Jahren
- Abrufe
Transkript
1 Predictive Analytics im Public Sector DI Dr. Renate Pazourek Bundesrechenzentrum GmbH Digital Advisory - Artificial Intelligence Seite 1
2 Künstliche Intelligenz Was ist darunter zu verstehen? Katze? Betrug? Ja/nein (0-100%) Input Antworten Seite 2 R2-D2 and C3PO ( Data- Mining Machine- Learning
3 Künstliche Intelligenz Starke vs. schwache KI Starke KI > Ziel ist die gleichen intellektuellen Fertigkeiten von Menschen zu erlangen oder zu übertreffen > Handelt aus eigenem Antrieb und flexibel > Das was wir aus Science Fiction kennen Bis jetzt nicht realisiert Schwache KI > Konkrete Anwendungsprobleme > Simulation intelligenten Verhaltens mit Mitteln der Mathematik und der Informatik > System ist in der Lage sich selbst zu optimieren > Lernt aus vorhandenen Daten, aber kein tieferes Verständnis für die Problemlösung Predictive Analytics KI die bereits eingesetzt wird Seite 3
4 Künstliche Intelligenz Arten der Analytik Input Strukturierte Daten Unstrukturierte Daten Machine Learning Entscheidungsbäume Regressionen Predictive Analytics Modeling Knowledge Discovery Machine Learning Bilderkennung Neuronale Netze Vorhersagen Erkenntnisse Seite 4 Visualisierung Monitoring Deskriptive Analysen
5 Vorgehensmodell 10. Evaluierung der Ergebnisse 1. Übersetzung der Problemstellung 2. Datenextraktion 9. Einsatz der Data-Mining Experte Fachexperte 3. Datenexploration 8. Beurteilung der Datenexperte 4. Datenbereinigung 7. Modellierung 5. Datenaufbereitung 6. Modelldatenerstellung
6 Startphase 1. Übersetzung der Problemstellung 10. Beurteilung der Ergebnisse 2. Datenextraktion 1. Übersetzung der Problemstellung 9. Einsatz der 3. Datenexploration Was ist das Ziel? > Zielvorgaben > Hintergründe der Anforderung > Was soll fachlich erreicht werden 8. Beurteilung der 7. Modellierung 6. Modelldatenerstellung 5. Datenaufbereitung 4. Datenbereinigung Detaillierte Anforderungen > Welche Daten sind relevant? > Anforderungen an Modell Sollen Ausreißer gefunden werden oder der generelle Trend Projektorganisation und Projektplanung Klare Rollen und Zusammenarbeit aller Beteiligten + regelmäßige Meetings Datenexpertise Data- Scientist Fachexpertise
7 Datengrundlage 10. Beurteilung der Ergebnisse 1. Übersetzung der Problemstellung 2. Datenextraktion 2. Datenextraktion 3. Datenexploration 9. Einsatz der 3. Datenexploration Detaillierte Anforderungen > Welche Daten sind relevant? > Dürfen die Daten verwendet werden (DSVGO)? > Wie lange dauert es die Daten zu bekommen? Datenexploration > Enthalten die Daten die gewünschten Informationen? > Datenqualität (Spalten vertauscht, Anzahl Missings, )? > Sind historische Daten zum Lernen vorhanden? Wurden die Daten nachträglich überschrieben? 8. Beurteilung der 7. Modellierung 6. Modelldatenerstellung 5. Datenaufbereitung 4. Datenbereinigung ID Account_nr Account_2 Invoice amount , , ,01 264, Kontostand oder doch Kontonummer? Brutto oder netto?
8 Datenaufbereitung 1. Übersetzung der Problemstellung 10. Beurteilung der Ergebnisse 2. Datenextraktion 4. Datenbereinigung 5. Datenaufbereitung 9. Einsatz der 3. Datenexploration Datenbereinigung und -aufbereitung > Eindeutige fachliche Keys Ev. Entity Matching notwendig > Verschneidungen von Tabellen (Achtung, dürfen Daten gemeinsam verwendet werden DSGVO!) > Aggregation auf relevante Informationen > Fachliche Überprüfung! 8. Beurteilung der 7. Modellierung 6. Modelldatenerstellung 5. Datenaufbereitung 4. Datenbereinigung Metadatenmanagement > Wenn vorhanden, Informationen von Quelltabellen übernehmen, ansonsten Metadaten selbst erheben Arbeit zahlt sich aus!
9 Predictive Analytics Begriffsbestimmungen Predictive Analytics > Teildisziplin von Advanced Analytics > Ermöglicht die Erstellung von Wahrscheinlichkeitsaussagen über zukünftige Ereignisse > Verwendet Methoden aus mehreren Disziplinen: Artificial Intelligence, Statistik, Data Mining, Machine Learning Supervised Learning > Ein Datensatz mit richtigen Antworten liegt vor Unsupervised Learning > Der Datensatz beinhaltet keine Antworten auf unsere Fragen uy/32-reasons-a-data-science-projectwill-fail-4d4c169e7497 > Der Algorithmus erstellt ein Modell, das für neue Datensätze Prognosen erstellt > Der Algorithmus versucht Muster und Strukturen in Daten zu erkennen Seite 9
10 Supervised Learning: Wiener Liegenschaften Problembeschreibung Ziel: Vorhersage des Preis pro m² für eine Liegenschaft. Problemstellung: Liegenschaftstransaktionen Wiens Beispiele für Inputvariablen: Koordinaten Transaktionsdatum Baujahr Bezirk Nutzen: Preis einer Liegenschaft vorhersagen, wo dieser noch unbekannt ist. Seite 10
11 Supervised Learning: Wiener Liegenschaften Erklärung von Modellierungsvorgehen Trainings- & Validierungsdaten (mit Zielvariable) Daten über Wiener Liegenschaften Zufällige Teilung der Daten Modellbildung Anwendung auf neue Daten (Scoring) Testdaten (mit Zielvariable) Seite 11
12 Supervised Learning: Wiener Liegenschaften Regressionsbeispiel Inzersdorf Stephansplatz Floridsdorf Ziel: Vorhersage des Preises pro m² aufgrund des Breitengrades einer Liegenschaft. Inputvariable: Breitengrad der Liegenschaft Zielvariable: Preis pro m² der Liegenschaft Seite 12
13 Supervised Learning: Wiener Liegenschaften Regressionsbeispiel Inzersdorf Stephansplatz Floridsdorf Durchschnittliche Abweichung Training Test Ziel: Vorhersage des Preises pro m² aufgrund des Breitengrades einer Liegenschaft. Inputvariable: Breitengrad der Liegenschaft Zielvariable: Preis pro m² der Liegenschaft Seite 13
14 Supervised Learning: Wiener Liegenschaften Regressionsbeispiel Inzersdorf Stephansplatz Floridsdorf Durchschnittliche Abweichung Training Test Ziel: Vorhersage des Preises pro m² aufgrund des Breitengrades einer Liegenschaft. Inputvariable: Breitengrad der Liegenschaft Zielvariable: Preis pro m² der Liegenschaft Seite 14
15 Supervised Learning: Wiener Liegenschaften Regressionsbeispiel Inzersdorf Stephansplatz Floridsdorf Durchschnittliche Abweichung Training Test Ziel: Vorhersage des Preises pro m² aufgrund des Breitengrades einer Liegenschaft. Inputvariable: Breitengrad der Liegenschaft Zielvariable: Preis pro m² der Liegenschaft Seite 15
16 Supervised Learning: Wiener Liegenschaften Regressionsbeispiel Inzersdorf Stephansplatz Floridsdorf Durchschnittliche Abweichung Training Test Underfitting Overfitting Ziel: Vorhersage des Preises pro m² aufgrund des Breitengrades einer Liegenschaft. Inputvariable: Breitengrad der Liegenschaft Zielvariable: Preis pro m² der Liegenschaft Seite 16
17 Modellierung 1. Übersetzung der Problemstellung 10. Beurteilung der Ergebnisse 2. Datenextraktion 6. Modelldatenerstellung 7. Modellierung 9. Einsatz der 3. Datenexploration Erstellung Modelldatensatz > Identifikation relevanter Variablen > Qualitätssicherung (Inkonsistente Daten vs. Datenqualitätsprobleme) 8. Beurteilung der 7. Modellierung 6. Modelldatenerstellung 5. Datenaufbereitung 4. Datenbereinigung Einteilung der Datensätze > Trainings- und Testdaten > Scoringmenge Modellierung > Manchmal einfache ausreichend und leichter zu verstehen (Entscheidungsbaum, Regression, ) > Vergleich unterschiedlicher (Random Forest, Neuronales Netz) > Manchmal auch Mischung aus Modell und Expertenregel sinnvoll Use Case: Fallauswahl für Prüfungen im BMF* Heterogenität der Daten (Inhalt) > Hunderttausende Betriebe > 86 Industriezweige > Sowohl Einpersonenbetriebe als auch multinationale Konzerne Vergleichbarkeit > Bildung homogener Gruppen und Erstellung von n je Gruppe > Herstellung einer Vergleichbarkeit mittels Anpassung der Daten je Industriesparte und Unternehmensgröße *Zusammenarbeit mit PACC im BMF
18 Verwendung der 1. Übersetzung der Problemstellung 10. Beurteilung der Ergebnisse 2. Datenextraktion 8. Beurteilung der 9. Einsatz der 9. Einsatz der 3. Datenexploration Vergleich von n > Statistischer Vergleich > Welche Variablen sind relevant Ist das fachlich nachvollziehbar? > Manchmal kein Modell möglich oder notwendig Regeln aus Expertenwissen als Ergänzung Gefahr von Fehlentscheidungen > Falsche Annahmen bei der Modellierung Z.B. Einsatz von Normalverteilungen für heavy-tailed distribution (vergl. Mietsätze, Finanzdaten) > Daten nicht vollständig > Interpretation des Ergebnisses oft individuell notwendig 8. Beurteilung der 7. Modellierung 6. Modelldatenerstellung 5. Datenaufbereitung 4. Datenbereinigung Personalmanagement: Bewerbervorauswahl* Algorithmus basierend auf Ausbildung, Berufserfahrung, Wohnort, Persönlichkeitstests Manchmal nicht offensichtlich diskriminierend Korrelation und Kausalität Personen mit langem Anfahrtsweg kündigen statistisch früher diskriminiert ärmere Bevölkerung Verstärkung von Vorurteilen Wenn nicht aus unabhängigen Daten gelernt wird, sondern aus Daten von bisherigem Auswahlprozess *Konrad Lischka, Anita Klingel: Wenn Maschinen Menschen bewerten Arbeitspapier, Bertelsmann Stiftung, 2017
19 Evaluierung 1. Übersetzung der Problemstellung 10. Beurteilung der Ergebnisse 2. Datenextraktion 10. Evaluierung der Ergebnisse 9. Einsatz der 3. Datenexploration Unabhängige und fortlaufende Evaluierung (Monitoring) 8. Beurteilung der 4. Datenbereinigung > Regelmäßige Evaluierung (am Besten nicht vom Entwicklerteam) > Unabhängige Evaluierung um frühzeitig Probleme zu erkennen > Evaluierung für verschiedene Gruppen 7. Modellierung 6. Modelldatenerstellung 5. Datenaufbereitung Evaluierungsergebnisse als Ausgangsbasis für Weiterentwicklungen!
20 Predictive Analytics Beispiele Bilderkennung > Unstrukturierte Daten > Z.B. Neuronales Netz > Viele, kategorisierte Bilder notwendig zum Trainieren Textmining > Unstrukturierte Daten > Z.B. sentiment analysis, topic modeling Betrugsbekämpfung > Meist strukturierte Daten > Z.B. Regression, Random Forest, Expertenregeln > Viele Lernfälle verbessern das Modell Pensionsprognosen > Strukturierte Daten > Simulationsmodell > Verhalten basiert auf Annahmen für die Zukunft Seite 20
21 Predictive Analytics Chancen und Risiken Effizienz > Analyse großer Datenmengen möglich > Schnelle Berechnung von z.b. Risikoindikatoren > Unterstützung von Entscheidungsträgern Fehlerhafte Datenbasis > Modell lernt auch aus Fehlern > Unvollständige Daten können das Ergebnis verzerren Analyse komplexer Datenmengen > Komplizierte Zusammenhänge, die manuell nicht erfasst werden können > Selbstlernende erkennen neue Muster Schlechte Modellwahl > Modell passt nicht zu Fragestellung > Modell ist nicht nachvollziehbar (woher kommt hohes Risiko?) Objektivität > Gleicher Algorithmus für alle Fälle > Nicht personen- und tagesformabhängig Verstärkende Feedbackschleife > Z.B. Modell lernt aus diskriminierenden Daten > Durch flächendeckende Anwendung und erneutem Lernen, Verstärkung der Diskriminierung Seite 21
22 Anwendungsfelder in der öffentlichen Verwaltung Umwelt Vermeidung von Steuerbetrug Anti-Terror IT Cyberattacken Pensionsprognosen Effizienzsteigerung durch Optimierung Medizinische Diagnostik Katastrophenprävention location intelligence Seite 22
23 Herzlichen Dank für Ihre Aufmerksamkeit. Renate Pazourek
SKOPOS 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
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
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
MehrBig Data und Predictive Analytics
Big Data und Predictive Analytics Digitalisierung am Beispiel der Steuer- und Zollverwaltung 27. Februar 2018 Hermann Madlberger MBA MPA seit 1/2018 Alleingesellschafter-Geschäftsführer der madlberger
MehrInnovatives Risikomanagement mit Predictive Analytics
Innovatives Risikomanagement mit Predictive Analytics im Bundesministerium für Finanzen Madlberger 2017 1 Hermann Madlberger MBA MPA seit 6/2016 Leiter des Predictive Analytics Competence Centers im Bundesministerium
MehrSAS CONTEXTUAL ANALYSIS IN ACTION ERFAHRUNGEN AUS EINEM EIN SELBSTVERSUCH
SAS CONTEXTUAL ANALYSIS IN ACTION ERFAHRUNGEN AUS EINEM EIN SELBSTVERSUCH GERHARD SVOLBA COMPETENCE CENTER ANALYTICS WIEN, 17. NOVEMBER 2015 SAS CONTEXTUAL ANALYSIS 14.1 EIN BLICK IN DIE PRODUKTBESCHREIBUNG
MehrKünstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer?
ASQF Automation Day 2018 - Predictive Analytics Künstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer? Vasilij Baumann Co-Founder/Co-CEO vasilij.baumann@instrunext.com +49 931
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
MehrMaschinelles Lernen. mit und. Effizienz steigern in Massenprozessen. Jan Schinnerling. eworld 2019 Maschinelles Lernen
Maschinelles Lernen mit und Effizienz steigern in Massenprozessen Jan Schinnerling eworld 2019 Maschinelles Lernen Was ist maschinelles Lernen? 2 Grundidee: einem System durch Beispieldaten eine Fähigkeit
MehrData Science Marktforschung
Data Science Marktforschung Webinar 12. Juli 2018 Wie Data Science die Marktforschung verändert Christopher Harms, Consultant Research & Development Klassische Marktforschungsprojekte sind fokussiert auf
MehrArtificial Intelligence. Deep Learning Neuronale Netze
Artificial Intelligence Deep Learning Neuronale Netze REVOLUTION Lernende Maschinen Mit lernenden Maschinen/Deep Learning erleben wir aktuell eine Revolution in der Informationsverarbeitung. Neue Methoden
MehrGold schürfen im Marketing mit Data Science
Gold schürfen im Marketing mit Data Science SOMEXcircle 9. Mai 2017 Dr. Patricia Feubli Erfahrung 9 Jahre Economic Research und Data Science, 4 davon als Senior Economist im Credit Suisse Swiss Industries
MehrWas wir vorhersagen, soll auch eintreffen! Einführung von Big Data Security Intelligence für ein Finanzdienstleistungsunternehmen
Was wir vorhersagen, soll auch eintreffen! Case Study // Management Summary Stichworte IT Security Analytics Big Data Incident-Prozesse SOC IT-Angriffe Security Operations Ausgangssituation Ein, welches
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
MehrPROGNOS ANALYTICS KÜNSTLICHE INTELLIGENZ IN ECHTZEIT. Tanja Krüger,
PROGNOS ANALYTICS KÜNSTLICHE INTELLIGENZ IN ECHTZEIT Tanja Krüger, 04.05.2017 STECKBRIEF RESOLTO Gründung 2003 Geschäftsführende Gesellschafterin: Fokus: Mitarbeiter: Skalierung: Tanja Krüger Advanced
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
MehrKünstliche Intelligenz. Potential und Anwendung
Künstliche Intelligenz Potential und Anwendung Menschliche Intelligenz Intelligentere Maschinen dank künstlicher Intelligenz Bilder Bilder Texte Sprache Texte Sprache Verstehen von strukturierten und unstrukturierten
MehrAnalytics Der Weg zu datengetriebenen Geschäftsprozessen
Analytics Der Weg zu datengetriebenen Geschäftsprozessen Dr.-Ing. Philipp Gölzer 1 Ziel der Digitalisierung ist die Realisierung datengetriebener Geschäfts-/Entscheidungsprozesse Ziele Höhere Qualität
Mehrlogarithmo ! 1 Equipping the energy sector with smart applications logarithmo
. Equipping the energy sector with smart applications! 1 Vorstellung 1 Portfolio 2 Unsere Kunden! 2 Die Zukunft ist datenbasiert nutzen Sie bereits das volle Potenzial Ihrer Datenbasis? Im Kontext der
MehrGround Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining
Ground Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining Prof. Dr.-Ing. Peter Lehmann Hochschule der Medien Stuttgart GLIEDERUNG Etwas über Machine
MehrIHRE DATEN SIND GOLD WERT!
IHRE DATEN SIND GOLD WERT! DATENQUALITÄT ALS GRUNDLAGE FÜR AUSSAGEKRÄFTIGE RESULTATE EPA LEP ANWENDERKONFERENZ / 19. NOVEMBER 2015 / JÜRG DIETRICH Statistik Predictive Analytics Data Mining Big Data Data
MehrWie Software Roboter Ihre Mitarbeiter unterstützen oder sogar ersetzen können
Wie Software Roboter Ihre Mitarbeiter unterstützen oder sogar ersetzen können Michael Darnieder TEDEXA GmbH - Mainz Über TEDEXA Gegründet 2015 TEam for DEveloping X(cross)- platform Applications Desktop,
MehrVorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches
MehrPredictive Analytics. Warum datenbasierte Vorhersagen kein Hexenwerk sind. ASQF Automation Day Dr. Stefano Signoriello
Predictive Analytics Warum datenbasierte Vorhersagen kein Hexenwerk sind Dr. Stefano Signoriello Seite 1 Inhalte des Vortrags Analytics Von Daten zu Wissen Von Nachsicht über Einsicht zu Voraussicht Descriptive,
MehrDr. Alexander Janda Generalsekretär Kuratorium Sicheres Österreich
Dr. Alexander Janda Generalsekretär Kuratorium Sicheres Österreich Künstliche Intelligenz vs. menschliche Kompetenz: Wie wir im Umgang mit künstlicher Intelligenz scheitern können/werden? Economist-Studie
MehrMachine Learning & Künstliche Intelligenz
Dr. med. Christina Czeschik Serapion www.serapion.de Machine Learning & Künstliche Intelligenz Eine kurze Einführung Künstliche Intelligenz intelligent nutzen Essen, 08.06.2018 Künstliche Intelligenz Turing-Test
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
MehrHuman-machine learning im Bereich Soccer Analytics Vergleich verschiedener Prognoseansätze am Beispiel Fußball
Human-machine learning im Bereich Soccer Analytics Vergleich verschiedener Prognoseansätze am Beispiel Fußball Bachelorthesis von Jonas Birk Betreuer: Prof. Dr. Hendrik Meth Zweitbetreuer: Prof. Dr. Peter
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation Literatur Inhalt und Ziele der Vorlesung Beispiele aus der Praxis 2 Organisation Vorlesung/Übung + Projektarbeit. 4 Semesterwochenstunden.
MehrNeue Erkenntnisse aus unstrukturierten Daten gewinnen
Neue Erkenntnisse aus unstrukturierten Daten gewinnen Univ.-Prof. Dr. Josef Küng Institut für anwendungsorientierte Wissensverarbeitung (FAW) Johannes Kepler Universität Linz In Zusammenarbeit mit Mag.
MehrStatistische Kodierprüfung mit Casematch. Tim Peter Geschäftsführer eonum AG
Statistische Kodierprüfung mit Casematch Tim Peter Geschäftsführer eonum AG Übersicht Wie funktioniert statistische Kodierprüfung? Vergleich statistische Prüfung vs. regelbasierte Prüfung? Kodierprüfung
MehrMit Chatbots den Service Desk optimieren. Michael Kuschke, Materna GmbH
Mit Chatbots den Service Desk optimieren Michael Kuschke, Materna GmbH Inhalte. Hype-Themen Artificial Intelligence, Cognitive Computing, Machine Learning und Chatbot Chatbot Was ist das? Wo braucht man
Mehratharina Simbeck, HTW Berlin
atharina Simbeck, HTW Berlin Agenda HR Analytics 7 Probleme Schlussfolgerungen HR Analytics Welche Mitarbeiter werden demnächst kündigen? Quelle der Abbildungen: open.sap.com Data Science in Action - Building
MehrModulliste. für den Masterstudiengang. Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Masterstudiengang Data & Knowledge
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
MehrMethoden, Chancen und Risiken beim Auswerten großer Datenmengen
Methoden, Chancen und Risiken beim Auswerten großer Datenmengen Peter Dauscher Gymnasium am Kaiserdom, Speyer peter dauscher gak speyer de Data-Mining in der Schule - Eine Annäherung
MehrData Mining Künstliche Neuronale Netze vs. Entscheidungsbäume
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Grundseminar HAW Master Informatik 18.04.2017 Inhaltsübersicht Data Mining & Begriffswelt des Data Mining Klassifikation & Klassifikatoren
MehrWENN DER KUNDENSERVICE-DESKTOP MITDENKT
ITYX GROUP KI-BASIERTE SERVICE DESK SOFTWARE WENN DER KUNDENSERVICE-DESKTOP MITDENKT KI im Kontext: Einleitung Nutzen von KI bei der Vorgangsbearbeitung (Case Management) ThinkOwl UI Klärung offener Fragen
MehrChancen und Risiken intelligenter Datennutzung für den Mittelstand. Dr. Meike Wocken
Chancen und Risiken intelligenter Datennutzung für den Mittelstand Dr. Meike Wocken Datengenerierung Entwicklung Fertigung Montage Vertrieb Qualitätsmgmt. 120 100 80 60 40 20 0 0 5 10 15 20 25 Wartung
MehrPlattform für Big Data Anwendungen
Plattform für Big Data Anwendungen Erich Albrechtowitz Bundesministerium für Finanzen, Abteilungsleiter für IT-Personalmanagement & Big Data Gerhard Specht 42virtual Wien, Projektmanager und Berater 15.
MehrSmart Data Analytics. Praxisbeispiele aus Forschungsprojekten
Smart Data Analytics Praxisbeispiele aus Forschungsprojekten Dr. Bernhard Freudenthaler Executive Head Data Analysis Systems +43 7236 3343 850 bernhard.freudenthaler@scch.at www.scch.at SCCH ist eine Initiative
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Einführungsveranstaltung
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation. Literatur. Inhalt und Ziele der Vorlesung. Beispiele aus der Praxis. 2 Organisation Vorlesung/Übung + Projektarbeit.
MehrAlgorithmenalltag. Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering
Algorithmenalltag Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering Start reden (Begrüßung) vortragen Aufmerk-samkeit erlangt? kurze Pause machen Ende Algorithmen Was machen sie mit uns? Was sind
MehrDer Weg zum datengetriebenen Unternehmen Ideen für den Mittelstand
Der Weg zum datengetriebenen Unternehmen Ideen für den Mittelstand Von welcher Art Datenstrategie profitieren mittelständische Unternehmen am meisten? Auf diese Frage gibt es sicherlich sehr individuelle
MehrInnovatives Risikomanagement mit Predictive Analytics
Im Fokus: Führung, Steuerung und Risikomanagement Innovatives Risikomanagement mit Predictive Analytics in der Steuer- und Zollverwaltung 29. November 2017 BKA S III / Predictive Analytics Madlberger 2017
MehrRegellose künstliche Intelligenz Deep Learning - Lernen an Hand von Beispielen
Regellose künstliche Intelligenz Deep Learning - Lernen an Hand von Beispielen EDV-Gerichtstag 2018, Saarbrücken 20.9.2019 Jörn Erbguth, Legal Tech Consultant joern@erbguth.ch +41 787256027 Agenda Beispiele
MehrDer Blick in die Kristallkugel
Der Blick in die Kristallkugel Prädiktive Modellierung: Übersicht, Möglichkeiten und Grenzen Kai Brodmann Teamleiter, Senior Software- Ingenieur Der Blick in die Kristallkugel Motivation 2 Agenda Was erwartet
MehrBusiness Analytics Day Predictive Sales in CRM
Business Analytics Day Predictive Sales in CRM Business Analytics Day 07.03.2019 Artur Felic, CAS Software AG in Zahlen CAS Software AG eine Netzwerkorganisation Jedem Kunden seine CAS CAS Mittelstand:
MehrMicrosoft Azure Deutschland ist jetzt verfügbar -
MANAGEMENT = intuitives Bedienen von Stellschrauben? Betriebswirtschaftliches Optimum Lieber: MANAGEMENT = systematisches Bedienen von Stellschrauben unter Nutzung von Hilfsmitteln. Stellschraube 1 S
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
MehrWelche Verantwortung trägt ein CDO?
Big-Data and Data Science Day 25. Juli Hochschule der Medien Stuttgart Welche Verantwortung trägt ein? Holger Stelz Director Marketing & Business Development 1 UNISERV GmbH, Pforzheim 3 Beispiele - Uniserv
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
MehrAutomatische Klassifikation: Stand der Technik und Veränderungen im Berufsbild des Dokumentars. Automatische Klassifikation:
02. Mai 2005 P R O J E C T C O N S U L T GmbH GmbH 1 Agenda Einführung Automatische Klassifikation Qualität Veränderung des Arbeitsumfeldes Ausblick GmbH 2 1 Einführung GmbH 3 Eine Herausforderung geordnete
MehrDatenvorverarbeitung von nominalen Daten für Data Mining
Datenvorverarbeitung von nominalen Daten für Data Mining Entstanden 2004/2005 bei der T-Systems International GmbH unter Betreuung von Prof. Dr. J. Fürnkranz Seite 1 Gliederung Datenvorverarbeitung Prepared
MehrWissensrepräsentation
Wissensrepräsentation Vorlesung Sommersemester 2008 8. Sitzung Dozent Nino Simunic M.A. Computerlinguistik, Campus DU (Fortsetzung LC-/Chart-Parsing) Statistische Verfahren in der KI Impliziert Maschinelles
MehrÜbersicht. Definition Daten Problemklassen Fehlerfunktionen
Übersicht 1 Maschinelle Lernverfahren Definition Daten Problemklassen Fehlerfunktionen 2 Entwickeln von maschinellen Lernverfahren Aufteilung der Daten Underfitting und Overfitting Erkennen Regularisierung
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
MehrSupervised & Unsupervised Machine Learning
Machine Learning-Algorithmen in Python mit scikit-learn Machine Learning-Algorithmen in Python mit scikit-learn Kurzbeschreibung Machine Learning-Algorithmen sind ein elementares Element von Künstlicher
MehrInnovative Datenanalyse für die Medizin
Innovative Datenanalyse für die Medizin IDEALearning Intelligent Data Evaluation and Analysis by Machine Learning Dr. Susanne Winter winter:science Technologiezentrum Ruhr Universitätsstr. 142 44799 Bochum
MehrEinsatz von Alterungsmodellen zur Prognose der Zustandsentwicklung von Abwasserkanälen. Nicolas Caradot, Hauke Sonnenberg, Pascale Rouault
Einsatz von Alterungsmodellen zur Prognose der Zustandsentwicklung von Abwasserkanälen Nicolas Caradot, Hauke Sonnenberg, Pascale Rouault Warum ein Kanalalterungsmodell? TV-Inspektion Manuell (Betreiber)
MehrWeiterbildung. Modul: Business Analytics - Angewandte Datenanalyse Inhaltliches Konzept. Weitere Informationen:
Modul: Business Analytics - Angewandte Datenanalyse Inhaltliches Konzept Weitere Informationen: www.fhms.eu/analytics Fachhochschule Münster Münster School of Business Corrensstraße 25 Trakt C, 5. Etage
MehrDie Horváth-Controller-Weiterbildung BI & Big Data im neuen Format
Die Horváth-Controller-Weiterbildung BI & Big Data im neuen Format Advanced Analytics & Business Intelligence für Controller und Performance Manager Patricia Burr Stuttgart, Februar 2019 Das neue Konzept
MehrSMART INFORMATION MANAGEMENT
SMART INFORMATION MANAGEMENT DIE RICHTIGE INFORMATION ZUR RICHTIGEN ZEIT ZUR RICHTIGEN PERSON AUF EINEM BELIEBIGEN ENDGERÄT QUICK FACTS UNSERE MISSION Empolis-Lösungen befähigen Unternehmen und Organisationen,
MehrSoftware, Data und Machine Learning Engineers bei der Lufthansa Industry Solutions (Trendtalk)
Technology Day am 10:45 11:45 Uhr Raum: Empore Software, Data und Machine Learning Engineers bei der Lufthansa Industry Solutions (Trendtalk) Bernhard Kube, Vice President, Die Lufthansa ist ein Konzern
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrKünstliche Intelligenz: Periodensystem der Elemente. Arbeitskreis Artificial Intelligence
Künstliche Intelligenz: Periodensystem der Elemente Arbeitskreis Artificial Intelligence Künstliche Intelligenz: 28 Elemente Künstliche Intelligenz: 28 Elemente - 8 Fragen Was genau leistet das Element?
MehrSeite ROKOCO Predictive Analytics GmbH
Seite 0 Predictive Analytics im Kapitalmarkt: Modellieren, Simulieren, Validieren German Data Science Days 2019 20. Sebastian Hantsch & Anton S. Wittl Wer wir sind und was wir tun Sponsor ROKOCO GmbH (Aktuarielle
MehrIndustrie 4.0 zur Sicherstellung der Verfügbarkeit von Produktionseinrichtung in der Gummiindustrie
Industrie 4.0 zur Sicherstellung der Verfügbarkeit von Produktionseinrichtung in der Gummiindustrie Stefan Saul, Leiter Produktmanagement Service Repair Preventive Maintenance Spare Parts Predictive Maintenance
MehrAUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM
AUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM ifesca GmbH GRÜNDUNG DURCH EHEMALIGE FRAUNHOFER- WISSENSCHAFTLER EXPERTEN AUF DEM GEBIET ENERGIE- WIRTSCHAFT UND SOFTWARETECHNIK
MehrKann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders
Kann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders Gerhard Svolba SAS Austria Mariahilfer Straße 116 A-1070 Wien Sastools.by.gerhard@gmx.net Zusammenfassung
MehrDATA SCIENCE GEBEN SIE IHREN DATEN BEDEUTUNG
DATA SCIENCE GEBEN SIE IHREN DATEN BEDEUTUNG ... DAMIT DATA SCIENCE FÜR DEN ANWENDER KEINE WISSENSCHAFT, SONDERN EINFACH FASZINIEREND IST! INFONEA ist die erste Self-Service Data-Science-Lösung, mit der
MehrAnwendungen mit SAS: Direkt aus der Praxis! Block 3
Anwendungen mit SAS: Direkt aus der Praxis! Block 3 Supervised Learning - Die Logistische Regression Fachhochschule Koblenz Fachbereich Mathematik und Technik Dr. Denise Rey 30. Januar 2009 1 Inhalt 1.
MehrÜber die Autoren 7 Widmung 8 Danksagung 9. Einführung 21
Inhaltsverzeichnis Über die Autoren 7 Widmung 8 Danksagung 9 Einführung 21 Über dieses Buch 21 Einige törichte Annahmen 22 In diesem Buch verwendete Symbole 22 Über dieses Buch hinaus 23 Wie es weitergeht
MehrVISUAL BUSINESS ANALYTICS EFFEKTIVER ZUGANG ZU DATEN UND INFORMATIONEN
VISUAL BUSINESS ANALYTICS EFFEKTIVER ZUGANG ZU DATEN UND INFORMATIONEN IGD_Folienvorlage_v2010.10.ppt Prof. Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
MehrFRAUNHOFER-ALLIANZ BIG DATA SMART DATA UND BIG DATA FÜR INDUSTRIE 4.0
FRAUNHOFER-ALLIANZ BIG DATA SMART DATA UND BIG DATA FÜR INDUSTRIE 4.0 SMART DATA UND BIG DATA FÜR INDUSTRIE 4.0 Mit fünf jeweils eintägigen Angeboten geben wir Ihnen einen Gesamtüberblick über Smart Data
MehrData Mining Techniken zur Restwertprognose in der Automobilindustrie: Eine Praktische Anwendung Künstlicher Neuronaler Netze
Data Mining Techniken zur Restwertprognose in der Automobilindustrie: Eine Praktische Anwendung Künstlicher Neuronaler Netze Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.)
MehrEnergie- und Ressourceneffizienz verbessern, CO 2 -Emissionen senken Praxisbeispiele aus einem Elektrostahlwerk
Florian Schrader, Simulation & Innovation, Georgsmarienhütte GmbH Energie- und Ressourceneffizienz verbessern, CO 2 -Emissionen senken Praxisbeispiele aus einem Elektrostahlwerk Ressourceneffizienz-Treff
MehrKI-basierte Leistungsprognosen für Wind- und Solar-Anlagen. Dr. Roman Y. Asper
KI-basierte Leistungsprognosen für Wind- und Solar-Anlagen Dr. Roman Y. Asper 2017-11-08 Agenda Über enercast Leistungsprognosen Einführung Solar Wind Gebiet Datenqualität Ausblick 2 enercast: Zahlen und
MehrVom operativen Reporting zur Analyse Der Weg zu einer ganzheitlichen Sicht auf die IT-Services Swiss Forum,
Vom operativen Reporting zur Analyse Der Weg zu einer ganzheitlichen Sicht auf die IT-Services Swiss Forum, 20.03.2018 Wer wir sind Gegründet in 2001 als eigenständige Konzerntochter der börsennotierten
MehrDigitales Kerosin für die Luftfahrt-Branche Mit Data Science Use Cases zu neuen datengetriebenen Mehrwerten
Digitales Kerosin für die Luftfahrt-Branche Mit Data Science Use Cases zu neuen datengetriebenen Mehrwerten Dr. Rene Fassbender Geschäftsführer & Gründer Rene.Fassbender@olt-dss.com www.omegalambdatec.com
MehrBusiness Analytics. Effektive Nutzung fortschrittlicher Algorithmen in der Unternehmenssteuerung. Bearbeitet von Von Prof. Dr.
Business Analytics Effektive Nutzung fortschrittlicher Algorithmen in der Unternehmenssteuerung Bearbeitet von Von Prof. Dr. Mischa Seiter 1. Auflage 2017. Buch. VIII, 233 S. Gebunden ISBN 978 3 8006 5370
MehrARBEITSPAKETE MIT ÖSTERREICHISCHER BETEILIGUNG
Maintenance and Implementation Work Programme MIWP ARBEITSPAKETE MIT ÖSTERREICHISCHER BETEILIGUNG ERIK OBERSTEINER, GABRIELE VINCZE INSPIRE - MAINTENANCE AND IMPLEMENTATION FRAMEWORK Unterstützung bei
MehrSusanne Greiner, Data Scientist, Würth Phoenix. Würth Phoenix more than software
USER GROUP 2018 Von der Datenaufnahme zur Datenanalyse Das Performance Monitoring von morgen: Einfluss von User Experience, Anomaly Detection, Deep Learning Susanne Greiner, Data Scientist, Würth Phoenix
MehrVorlesung: Künstliche Intelligenz
Vorlesung: Künstliche Intelligenz - KI heute, KI morgen, KI übermorgen- D P LS G ML ES S ST SA NN ME O EA SV Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte
MehrUniversität 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
MehrTeil II: Einstieg in Expertensysteme
Teil II: Einstieg in Expertensysteme Begriffsbestimmung: Was sind wissensbasierte Systeme? Die beiden Begriffe Expertensystem und wissensbasiertes System werden weitgehend synonym verwendet für Softwaresysteme,
Mehr"Du fehlst mir!" Die Geschichte von der Entstehung, Aufdeckung und Behandlung fehlender Werte in der statistischen Analyse
"Du fehlst mir!" Die Geschichte von der Entstehung, Aufdeckung und Behandlung fehlender Werte in der statistischen Analyse Dr. Gerhard Svolba Wien, 26. September 2013 Predictive Analytics Konferenz #analytics2013
MehrDataScienceMATSE. Eine Spezialisierung in der MATSE-Ausbildung Benno Willemsen Stand: Version 0.3. DataScienceMATSE Seite 0 von 6
DataScienceMATSE Eine Spezialisierung in der MATSE-Ausbildung Benno Willemsen Stand: 18.12.2017 Version 0.3 DataScienceMATSE Seite 0 von 6 Inhaltsverzeichnis Präambel... 2 Unterstützung bei der Bildung
MehrData Ready im digitalen Zeitalter.
data ready. Data Ready im digitalen Zeitalter. Drei Voraussetzungen zur Schaffung hochwertiger Daten. Daten sind überall. Die heute weltweit generierte Datenmenge verdoppelt sich alle zwei Jahre. Das ist
MehrEntscheidungsbäume. Minh-Khanh Do Erlangen,
Entscheidungsbäume Minh-Khanh Do Erlangen, 11.07.2013 Übersicht Allgemeines Konzept Konstruktion Attributwahl Probleme Random forest E-Mail Filter Erlangen, 11.07.2013 Minh-Khanh Do Entscheidungsbäume
MehrWer soll richten: Mensch oder Maschine? Ein konstruktiver Ansatz. Prof. Dr. K.A. Zweig TU Kaiserslautern Algorithm Accountability
Wer soll richten: Mensch oder Maschine? Ein konstruktiver Ansatz Prof. Dr. K.A. Zweig TU Kaiserslautern Algorithm Accountability Lab @nettwerkerin Konstituierende Sitzung der Enquete-Kommission Künstliche
MehrWelchen Einfluss wird die Künstliche Intelligenz in Finanz-Anwendungen auf die Wirtschaftsprüfung nehmen?
Welchen Einfluss wird die Künstliche Intelligenz in Finanz-Anwendungen auf die Wirtschaftsprüfung nehmen? Data Mining, Process Mining, Business Judgement, Expertensystem, BOT, Deep Learning und mehr Düsseldorf,
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
MehrMEHR ANALYTICS FÜR MEHR ANWENDER DR. GERHARD SVOLBA COE ANALYTICS DACH WIEN, 11. JUNI 2015
MEHR ANALYTICS FÜR MEHR ANWENDER DR. GERHARD SVOLBA COE ANALYTICS DACH WIEN, 11. JUNI 2015 DAS ERWARTET SIE IN MEINEM VORTRAG Neue Anforderungen, neue Herausforderungen, neue Möglichkeiten Software Demo:
MehrPREDICTIVE ANALYTICS & BIG DATA DR. THOMAS KEIL, SAS DGI PRAXISTAGE, FRANKFURT,
PREDICTIVE ANALYTICS & BIG DATA DR. THOMAS KEIL, SAS DGI PRAXISTAGE, FRANKFURT, 11.11.2016 BIG DATA WAS PASSIERT 2016 IN EINER INTERNET MINUTE? BIG DATA BELIEBTESTE APPS Internet der Dinge BIG DATA BITKOM
MehrWatson Services on Bluemix Workshop
Watson Services on Bluemix Workshop Beate Melcher Klaus-Peter Schlotter Urs Witzig IBM Business Partner Solution Hub Agenda 09:00-09:45 Welcome and IBM Watson Overview 09:45-10:10 Watson Services 1/2 10:10
MehrProjekt 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
MehrKI mit Human Touch Der Mensch im Zentrum des datenbasierten Marketing. Holger Laube / Dr. Markus Eberl Kantar Deutschland
KI mit Human Touch Der Mensch im Zentrum des datenbasierten Marketing Holger Laube / Dr. Markus Eberl Kantar Deutschland Immer mehr verfügbare Datenformen Social Daten Bild Ton Video Geodaten und Mindsets
Mehr