Data Mining Cup deck using PDA or similar devices. Wissensextraktion Multimedia Engineering
|
|
- Lieselotte Tiedeman
- vor 6 Jahren
- Abrufe
Transkript
1 Data Mining Cup 2012 Wissensextraktion Multimedia Engineering deck using PDA or similar devices Fakultät für Ingenieurwissenschaften Jevgenij Jakunschin Christian Mewes
2 2 Gliederung 1. Software 2. Vorverarbeitung 3. Analyse 4. Algorithmen 5. Verfeinerung 6. Auswahl
3 3 Software Daten wurden in.csv Format gespeichert Excel für frühe Analysen und Umwandlung Knime + Weka + Math plugins für Datamining, Clusterung und die meisten Algorithmen Matlab für für Regression, Interpolation und Approximationverfahren Dropbox für Synchronisation
4 4
5 5 Vorverarbeitung Keine fehlenden Werte Keine Duplikate Keine fehlerhaften Werte Rein syntaxisch her Daten komplett korrekt Allerdings...
6 6 Vorverarbeitung Allerdings... Starke Schwankungen, mit Peaks Keine zusätzlichen/abgeleiteten Informationen (wie Wochentag oder Gewinn) Werte nicht normalisiert und/oder nominalisiert
7 7 Vorverarbeitung Erstellen von CSV Dateien mit Zusätzlichen Informationen: -Gewinn,Wochentag, Durschnittlicher Gewinn (soweit) Zusätzliche nominalisierten und normalisierten Werte Durschnittswerte für Diagramme und Statistiken Strukturieren und Anlegen von Zwischentabellen/Resultaten Tabellen mit allen Wochenwerten in einer Zeile (pro Produkt)
8 8
9 9 Analysis Erstellen von Tabellen mit Mittelwerten und Summen Darstellen von Diagrammen Notieren von Abweichungen, Min/Max-Werten Überprüfen auf Auffälligkeiten durch gruppierte Tabellen Starker Exceleinsatz
10 10
11 11 Algorithmen Erstellen von Matlab und Knime Umgebungen Möglichkeiten schnell Module und Algorithmen zu tauschen Schnelles Anpassen der Daten für Noralisieren, Partitonieren, Splitten, Clusterung......und schließlich Auswertung
12 12
13 13 Algorithmen: Regression (linear, logistic, polynom, WEKA versions) Bayes (Naive, WEKA versions, Multinomial) Neuronal Network (MLP, PNN, WEKA Voted Perceptron Kstar, LWL Decission Trees Clustering: Kmeans, Xmeans.. (usw.)
14 14 Algorithmen: Regression (linear, logistic, polynom, WEKA versions) Bayes (Naive, WEKA versions, Multinomial) Neuronal Network (MLP, PNN, WEKA Voted Perceptron Kstar, LWL Decission Trees Clustering: Kmeans, Xmeans.. (usw.)
15 15 Algorithmen Ergebnisse meist sehr ungenau (accuracy <<10%) aber 2 Algorithmen waren klar im Vorteil: Kstar WEKA plugin ungenau aber erkennt Tendenz Regressionen (Polynom/Linear) Accuracy Werte bis zu 20% Beide trotzdem bei weitem nicht genau genug
16 16 Verfeinerung Verbesserung der Resultate auf viele Weisen Veränderung interner Variablen Clusterung nach Wochentagen verbessert Ergebnisse stark Zusätzliche Einbindung von Neuronalen Netzwerken Entfernen oder skalieren mancher Daten
17 17 Verfeinerung Größte Veränderung durch Sortierung nach Wochentagen Durch mehr als 7 Cluster allerdings noch bessere Resultate Clustersuche schlägt sich vor K-means Relativ gute Ergebnisse bei Regression und Kstar
18 18 Das experementieren ging dann eine Weile weiter...
19 19 Testen - Knime 1) Allgemeiner Workflow und WEKA Workflow 2) Anwendungen meister Algorithmen 3) Entscheidung: Regression(Matlab) und Kstar(Knime) 4) Kstar Anpassung der Variablen (++) 5) Kstar+MLP Hinzufügen eines neuronalen Netzes (--) 6) Kstar Clusterung nach Wochetagen (++) 7) Kstar+Kmeans Automatische Clusterung (++) 8) Kstar+Kmeans Skalierung/Filterung (++) Beste Kstar Ergebnisse in 600ter Bereich...
20 20
21 21 Verfeinern - Matlab 1. Durchschnitt Tag/Menge pro Produkt 2. DS Wochentag/Menge pro Produkt (~16%) 3. MIN, MAX statt DS (ca.30%) 4. Ausreißer beseitigen (+ca.1.5%) 5. Identische Datensätze (+ca.1.5%) 6. Durchschnittspreis (+ca.0.5%) 7. Approximation Menge (30-40%, aber E:NaN, M:NaN) (8.Clustering Menge) (9.Clustering Produkt) 10.Zusammenführung aller Ansätze
22 22
23 23 Auswahl Bis man zwischen Regression und Kstar wählen musste (Bei Aufteilung 4:2 Wochen) Kstar: EuklD: 650, ManD: 20000, Accuracy bis 25% Regression: EuklD: 462, ManD: 20948, Accuracy bis 16.4% Regression kann konfiguriert werden, auf Kosten von der EuklD und ManD höhere Accuracy zu bekommen (30+) Endentscheidung: Regression
24 24 Quellen und Zusatzinformationen
25 Danke fürs zuhören! 25
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
Mehr2. Datenvorverarbeitung
Kurzreferat Das Ziel beim Clustering ist es möglichst gleich Datensätze zu finden und diese in Gruppen, sogenannte Cluster zu untergliedern. In dieser Dokumentation werden die Methoden k-means und Fuzzy
MehrInhalt. Einleitung... XIII
Inhalt Einleitung................................................. XIII 1 Vektoren, Matrizen und Arrays.................................. 1 1.0 Einführung.......................................... 1 1.1
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
Mehr(Pro-)Seminar - Data Mining
(Pro-)Seminar - Data Mining Vorbesprechung SCCS, Fakultät für Informatik Technische Universität München SS 2018 Data Mining: Beispiele (1) Hausnummererkennung (Klassikation) Source: http://arxiv.org/abs/1312.6082
MehrData Mining Cup Dokumentation
Data Mining Cup 2012 - Dokumentation Martin Dreissig, Michael Flau May 14, 2012 1 Beschreibung der zu analysierenden Daten Die zu analysierenden Daten für den diesjährigen Data Mining Cup bestehen aus
MehrMS EXCEL 2016: DATENANALYSE UND DATENVISUALISIERUNG (WINDOWS)
MS EXCEL 2016: DATENANALYSE UND DATENVISUALISIERUNG (WINDOWS) 1 Einrichten von Tabellen (Bildschirm und Druck)... 2 1.1 Ansicht, Zoom, Fenster... 2 1.2 Seite einrichten... 2 2 Arrangieren von Daten (Sortieren
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
MehrWEKA A Machine Learning Interface for Data Mining
WEKA A Machine Learning Interface for Data Mining Frank Eibe, Mark Hall, Geoffrey Holmes, Richard Kirkby, Bernhard Pfahringer, Ian H. Witten Reinhard Klaus Losse Künstliche Intelligenz II WS 2009/2010
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen
MehrVorlesung Wissensentdeckung
Vorlesung Wissensentdeckung Einführung 5.4.2011 Gliederung 1 Modellbildung und Evaluation 2 Verlaufsmodell der Wissensentdeckung 3 Einführung in das Werkzeug RapidMiner Problem Wir haben nur eine endliche
MehrFuzzy-Rule-Learner Dokumentation
Fuzzy-Rule-Learner Dokumentation Wissensextraktion / Data-Mining Wirtschaftsinformatik Master Hochschule Wismar Bearbeiter: Adil Khalat, Tobias Oeberst, Marian Sakowski Inhalt 1. Algorithmus... 3 1.1.
MehrBachelorarbeit Erkennung von Fließtext in PDF-Dokumenten
Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten 16.08.2016 David Spisla Albert Ludwigs Universität Freiburg Technische Fakultät Institut für Informatik Gliederung Motivation Schwierigkeiten bei
MehrNaive Bayes für Regressionsprobleme
Naive Bayes für Regressionsprobleme Vorhersage numerischer Werte mit dem Naive Bayes Algorithmus Nils Knappmeier Fachgebiet Knowledge Engineering Fachbereich Informatik Technische Universität Darmstadt
MehrStatistische Software (R)
Statistische Software (R) Paul Fink, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Daten einlesen Daten DRY-Prinzip Daten als eine Zusammenstellung von Informationen zu einem bestimmten
MehrÜbungsaufgabe Parameter und Verteilungsschätzung
Übungsaufgabe Parameter und Verteilungsschätzung Prof. Dr. rer. nat. Lüders Datum: 21.01.2019 Autor: Marius Schulte Matr.-Nr.: 10049060 FH Südwestfalen Aufgabenstellung Analysiert werden sollen die Verteilungen
MehrStatistik mit MAXQDA Stats
Statistik mit MAXQDA Stats MAXQDA Stats ist ein eigenständiges Statistik-Modul, das aus MAXQDA heraus gestartet werden kann und das häufig verwendete Verfahren der Deskriptiv- und Inferenzstatistik offeriert.
MehrÜbungen mit dem Applet Interpolationspolynome
Interpolationspolynome 1 Übungen mit dem Applet Interpolationspolynome 1 Ziele des Applets... 2 2 Übungen mit dem Applet... 2 2.1 Punkte... 3 2.2 y=sin(x)... 3 2.3 y=exp(x)... 4 2.4 y=x 4 x 3 +2x 2 +x...
MehrSerienbriefe über das Menüband erstellen
Serienbriefe über das Menüband erstellen Der Serienbrief ist das Ergebnis aus einem Hauptdokument mit verknüpften Seriendruckfeldern aus einer Datenquelle. Zusammenspiel der Komponenten in einem Serienbrief
MehrEine Einführung in R: Hochdimensionale Daten: n << p Teil II
Eine Einführung in R: Hochdimensionale Daten: n
MehrDATEN SÄUBERN IN GOOGLE SHEETS
DATEN SÄUBERN IN GOOGLE SHEETS Mehr zu unseren Projekten & Workshops: datenschule.de E-Mail: info@datenschule.de Telefon: 030-57703666-2 DATEN SÄUBERN IN GOOGLE SHEETS INHALTSVERZEICHNIS 1. Daten-Formate
MehrData Mining - Wiederholung
Data Mining - Wiederholung Norbert Fuhr 18. Januar 2006 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)
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
MehrMySQL-Befehle. In diesem Tutorial möchte ich eine kurze Übersicht der wichtigsten Befehle von MySQL geben.
MySQL-Befehle 1. Einleitung In diesem Tutorial möchte ich eine kurze Übersicht der wichtigsten Befehle von MySQL geben. 2. Arbeiten mit Datenbanken 2.1 Datenbank anlegen Eine Datenbank kann man wie folgt
MehrSports Data Mining. The Field and Methodology. Sublogo. 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 1
Sports Data Mining The Field and Methodology 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 1 Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten
MehrKlausurtermine Informatik Herbst 2016 Stand: Änderungen sind rot markiert Wochentag Prüfungstermin: Prüfungsbezeichnung: Raum/Räume:
Klausurtermine Informatik Herbst 2016 Stand: 20.07.2016 Änderungen sind rot markiert Wochentag Prüfungstermin: Prüfungsbezeichnung: Raum/Räume: Semester Montag 18.07.2016 11.00-14.00 Digitalschaltungen
MehrProfiling Linked Open Data with ProLOD. LiDDM: A Data Mining System for Linked Data
Profiling Linked Open Data with ProLOD LiDDM: A Data Mining System for Linked Data Seminar aus maschinellem Lernen Frederik Janssen, Dr. Heiko Paulheim 20. Dez.2011 Fachbereich 20 Informatik Seminar aus
MehrIBM Cognos Analytics 11 Self-Service dann aber richtig!
Titelmasterformat durch Klicken bearbeiten IBM Cognos Analytics 11 Self-Service dann aber richtig! Referent: Jens Bäumler Titelmasterformat durch Klicken bearbeiten IBM Cognos Analytics 11 Self-Service
Mehr1. Anmeldung
Manual_members.pdf 1 21.08.2012 Benutzerhandbuch Internetbasierte Lernkontrollen zu Lernareal www.lernareal.ch/members Als «Lernareal members» erhalten Lehrpersonen für ihre Klassen Zugriff auf webbasierte
MehrStatus STF Applikation für den SIS-100-Dipol Teststand
Status STF Applikation für den SIS-100-Dipol Teststand, Übersicht Aktueller Status Systementwicklung mit Fokus auf Inbetriebnahme Primäre Anforderungen sind nicht nachlesbar definiert. Organisation der
MehrFortgeschrittenes Programmieren mit R. Christoph Beck. Di, 14:00-15:30 (3065)
Christoph Beck Di, 14:00-15:30 (3065) Packages / Pakete in R Pakete in R Erweiterungen der (Basis)-Funktionalitäten in R Basis-Pakete Zusätzliche Pakete Base packages base Base R functions (and datasets
MehrDoppelte Werte entfernen
Inhalt Doppelte Werte entfernen... 1 Daten konsolidieren nach Kategorie/Rubrik... 2 Konsolidierte Daten aktualisieren... 4 Verknüpfung mit Quelldaten... 4 Teilergebnis... 4 Teilergebnis entfernen... 7
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
MehrDataScience. Vorhersage des Stromverbrauchs im LKH Feldkirch. Fachhochschule Vorarlberg Studiengang Energietechnik Energiewirtschaft
DataScience Vorhersage des Stromverbrauchs im LKH Feldkirch Fachhochschule Vorarlberg Studiengang Energietechnik Energiewirtschaft Betreut von Dr. Klaus Rheinberger Vorgelegt von Dornbirn, 30.06.2017 1
MehrGeostatistik 1 im WS 2009/2010
Geostatistik 1 im WS 2009/2010 Vorlesung (Prof. J. Jacobeit): Di., 15:45-17:15, HS IV Grundlagen statistischer Analysetechniken Geostatistik 1 im WS 2009/2010 Vorlesung (Prof. J. Jacobeit): Di., 15:45-17:15,
Mehrdatenfabrik.merge Record Linkage Verschmelzen von Duplikaten in strukturierten Daten 1
datenfabrik.merge Record Linkage Verschmelzen von Duplikaten in strukturierten Daten Erstellen eines neuen SSIS Projektes. Wählen Sie das Template Integration Services Project aus.. Geben Sie einen Namen
MehrMS SQL Server 2012 (4)
MS SQL Server 2012 (4) Data Mining, Analyse und multivariate Verfahren Marco Skulschus Jan Tittel Marcus Wiederstein Webseite zum Buch: http://vvwvv.comelio-medien.com/buch-kataiog/ms sql_server/ms sql
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
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,
Mehr1. Einführung Hinweis:
1. Einführung Sie haben die Möglichkeit, die verschiedenen Übersichten in orgamax um weitere Spalten zu ergänzen. Beispielsweise können Sie in der Kundenübersicht auch die Homepage des Kunden einblenden,
MehrBlockkurs Geowissenschaftliches Modellieren Modul Statistik 1
Blockkurs Geowissenschaftliches Modellieren (9./..8 &./7..8) B Box-and-Whisker Plot 8 Col_ frequency Histogram 8 Col_ Modul Statistik (STATGRAPHICS)..8 - Einführung -. Normal Distribution. density.. -
MehrData-Mining: Ausgewählte Verfahren und Werkzeuge
Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den
MehrErste Schritte in PROLab
Erste Schritte in PROLab Begriffe Unter DATEI - VOREINSTELLUNGEN - TITEL befindet sich eine Tabelle mit den grundlegenden Begriffen und deren Abkürzungen. Beachten Sie die Abkürzung Stdabw. für Standardabweichung
MehrEXCEL für den Einstieg. Inhalte 1
1 EXCEL und sein Arbeitsumfeld - Die WINDOWS-Umgebung EXCEL in der praktischen Anwendung- Der Leistungsumfang von EXCEL EXCEL im Betrieb - Installieren, Starten und Beenden Die Anwendersicht auf EXCEL
MehrData 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
MehrKurzbeschreibung zum Haushaltsbuch 3.3 für LibreOffice und Apache OpenOffice. Arne Hildebrandt
Kurzbeschreibung zum Haushaltsbuch 3.3 für LibreOffice und Apache OpenOffice Arne Hildebrandt Einleitung Vor ein paar Jahren wollte ich ein Überblick über meine Ausgaben haben. Schnell war eine Tabelle
MehrKurzanleitung zur Erstellung eines Reports von ClassiX aus
CLASSIX SOFTWARE GMBH Kurzanleitung zur Erstellung eines Reports von ClassiX aus Report mit Gruppierung Jana Fischereit 26.03.2012 Berichtserstellung aus ClassiX heraus. Im Reportdesign werden Gruppen
MehrNeuronale Netze - Auswertung
Analytisch-chemisches Praktikum 1/5 Neuronale Netze - Auswertung (Analytisch-chemisches Praktikum) Für das Beispiel sollten mindestens 20 Standardlösungen hergestellt und mittels Photometer gemessen werden(siehe
MehrBlockkurs Geowissenschaftliches Modellieren Modul Statistik 1
Blockkurs Geowissenschaftliches Modellieren (..9 bis..9) B Box-and-Whisker Plot 8 Col_ frequency Histogram 8 Col_ Modul Statistik (STATGRAPHICS)..9 &..9 -Einführung -. Normal Distribution. density.. -
Mehr- Konzept, technische Umsetzung und weiterführende Anwendungen - Stefan Kurz
Stud.IP und Modularisierung - Konzept, technische Umsetzung und weiterführende Anwendungen - Stefan Kurz Universität Passau, Projekt InteLeC Stud.IP-Entwicklerworkshop 31. März / 1. April 2008, Universität
MehrMustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick
MehrGPS Fleet Software (
Fahrzeugliste Fahrzeugliste Ansicht speichern Aktionen-Menü für Geräte Fahrzeug-Baum Aktionen-Menü am Fahrzeug Ortungs-Hardware uminstallieren: Ausschneiden, um das Gerät in eine andere Gruppe einzufügen:
MehrVorwort Einführung in Power Query Erste Abfrage erstellen... 21
Vorwort... 11 1 Einführung in Power Query... 13 1.1 Power Query installieren und aktivieren... 13 1.2 Power Query aktivieren bzw. deaktivieren... 14 Was tun, wenn das Register nicht angezeigt wird... 16
MehrDISSERTATION. Nichtlineare Analyse und Klassifikation von instationären Biosignalen mit Anwendung in der Kognitionsforschung
Technische Universität Ilmenau DISSERTATION Nichtlineare Analyse und Klassifikation von instationären Biosignalen mit Anwendung in der Kognitionsforschung zur Erlangung des akademischen Grades Doktor-Ingenieur
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 24. August 2009 24. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 1. SPSS starten 2. Optioneneinstellungen Überblick 3. Die Programmfenster bei SPSS - Dateneditor
MehrDAS EINSTEIGERSEMINAR
DAS EINSTEIGERSEMINAR Microsoft Office Excel 2010 Gudrun Rehn-Göstenmeier LERNEN ÜBEN ANWENDEN Buch_7520_Excel2010.book Seite 5 Montag, 2. August 2010 11:16 11 Einleitung..................................
MehrECDL-Advanced Excel 2010 Advanced
3. Gliederung Übungsbeispiel In der Praxis ist es für einen Ausdruck, der nicht alle Detaildaten enthalten soll, häufig notwendig, Zeilen oder Spalten einer Tabelle auszublenden. Auch eine übersichtlichere
MehrItem-based Collaborative Filtering
Item-based Collaborative Filtering Paper presentation Martin Krüger, Sebastian Kölle 28.04.2011 Seminar Collaborative Filtering KDD Cup 2011: Aufgabenbeschreibung Track 1 Item-based Collaborative Filtering
MehrGliederung. Übungsbeispiel Autovermietung
Gliederung Übungsbeispiel Autovermietung In der Praxis ist es für einen Ausdruck, der nicht alle Detaildaten enthalten soll, häufig notwendig, Zeilen oder Spalten einer Tabelle auszublenden. Auch eine
MehrTeil VIII. Weiterführende Veranstaltungen im FG Wissensverarbeitung
Teil VIII Weiterführende Veranstaltungen im FG Wissensverarbeitung Überblick 1 Zusammenfassung AlgoDS 2 Datenbanken 3 Internet-Suchmaschinen 4 Knowledge Discovery 5 Künstliche Intelligenz 6 Seminare &
MehrSaros: Verbesserung des algorithmischen Kerns gleichzeitiges Editieren. von Norman Warnatsch Diplomarbeit
Saros: Verbesserung des algorithmischen Kerns gleichzeitiges Editieren von Norman Warnatsch Diplomarbeit 1 Gliederung 1. Saros a. das Plugin b. Jupiter-Algorithmus 2. Problemstellung: Fehlverhalten beim
MehrEinführung in die Statistik für Politikwissenschaftler Sommersemester 2011
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011 Es können von den Antworten alle, mehrere oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort (ohne Auslassungen
MehrHandbuch ky2help Version 4. Grundlagen und Administration. Version 1.7 KYBERNA AG T F
Handbuch ky2help Version 4 Grundlagen und Administration Version 1.7 KYBERNA AG T +423-238 22 22. F +423-238 22 21 Fürst-Franz-Josef-Str.5. FL-9490 Vaduz info@kyberna.com. www.kyberna.com 2 Grundlagen
MehrFinite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht Partielle Differentialgleichungen, Approximation der Lösung Finite Elemente, lineare und höhere Ansatzfunktionen Dünn
Mehrimdas pro Neuheiten Werner Preininger 07. März 2016
imdas pro Neuheiten Werner Preininger 07. März 2016 Version 6.0 Neuheiten Neues Release Management Fehler melden, aber richtig! Culture.catalog: Web Präsentation von Daten EEXCESS Plug-In für imdas pro
MehrDokumentation zum Daten-Upload Tool SwissDRG / TARPSY / ST Reha
Dokumentation zum Daten-Upload Tool SwissDRG / TARPSY / ST Reha Dokumentation zum Daten-Upload Tool SwissDRG / TARPSY / ST Reha Inhalt 1 Wo befindet sich der Link zur Web-Schnittstelle für die Datenlieferung?
MehrBooklet für "Excel 97/2000 Tipps & Tricks Vol. 1" Inhaltsverzeichnis
Inhaltsverzeichnis 01. Kontextmenü per Tastatur... 2 02. Diagramm-Größen beibehalten... 2 03. Kopf- und Fußzeilen... 2 04. Verschieden große Zellen... 2 05. Alle Dateien ungefragt schließen... 2 06. Mehr
MehrAnleitung zur grafischen Darstellung von Beurteilungsergebnissen in Excel-Dokumenten
Anleitung zur grafischen Darstellung von Beurteilungsergebnissen in Excel-Dokumenten Version vom 4. August 2017 Melanie Schneider Inhalt 1 Einleitung... 2 2 Grundsätzliches zur Beurteilung... 2 3 Excel
MehrSoftware Update (CA98/CA78)
In dieser Anleitung wird beschrieben, wie Sie das Update auf Ihr CA98/78 aufspielen können. Lesen Sie sich zunächst die komplette Anleitung durch, bevor Sie den Update-Vorgang durchführen. Der Update-Vorgang
MehrSchnelles Denken - Maschinelles Lernen mit Apache Spark 2
Schnelles Denken - Maschinelles Lernen mit Apache Spark 2 Heiko Spindler Apache Spark - Components Machine Learning Machine learning explores the construction and study of algorithms that can learn from
MehrSTUDIENGANG INFORMATIK IN DER FAKULTÄT TECHNIK (TI)
STUDIENGANG INFORMATIK IN DER FAKULTÄT TECHNIK (TI) Informationstechnik (TIT) Mobile Informatik (TIM) IT Security (TIS) Stand: 07/2017 www.ravensburg.dhbw.de STUDIENGANG INFORMATIK Studienangebote Studiengang
MehrÜbersicht der notwendigen Schritte
ACHTUNG: Diese Anleitung gilt für die VR-NetWorld Software ab der Version 5.0. Die VR-NetWorld Software bietet eine umfangreiche Mandatsverwaltung, mit der u.a. Mandate oder Anschreiben zur Umdeutung von
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,
MehrTest-Doping für die Steuerrechnung - denn nur die beste Datenqualität ist gut genug
Test-Doping für die Steuerrechnung - denn nur die beste Datenqualität ist gut genug Lukas Feldmann Steueramt Stadt Zürich Frank Zeindler OMIS AG Swiss Testing Day, 18. März 2015 Agenda Wer sind wir was
MehrDokumentation Datamining
Hochschule Wismar University of Applied Sciences Technology, Business and Design Fakultät für Ingenieurwissenschaften, Bereich EuI Dokumentation Datamining Eingereicht am: 13. Mai 2012 von: Karsten Diepelt
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 3 1 Inhalt der heutigen Übung Vorrechnen der Hausübung B.7 Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben C.1: Häufigkeitsverteilung C.2: Tukey
MehrFormale Begriffsanalyse
Formale Begriffsanalyse Eine Einführung Ronny Brendel Betreuer: Uwe Ryssel Institut für angewandte Informatik, TU Dresden, Gliederung Motivation Geschichte Ermitteln eines Begriffsverbands Anwendung Funktionen
MehrInhaltsverzeichnis. Holger Schrödl. Business Intelligence mit Microsoft SQL Server 2008. BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1
sverzeichnis Holger Schrödl Business Intelligence mit Microsoft SQL Server 2008 BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-41210-1
MehrSVG Maut Exact. SVG Wir bewegen Logistik
SVG Wir bewegen Logistik Inhaltsverzeichnis Registrierung und Login... 2 Meldung über Programänderungen und administrative Mitteilungen... 4 Menüleiste und Aufteilung des Programms... 4 1. Imports... 4
Mehr1 PIVOT TABELLEN. 1.1 Das Ziel: Basisdaten strukturiert darzustellen. 1.2 Wozu können Sie eine Pivot-Tabelle einsetzen?
Pivot Tabellen PIVOT TABELLEN. Das Ziel: Basisdaten strukturiert darzustellen Jeden Tag erhalten wir umfangreiche Informationen. Aber trotzdem haben wir oft das Gefühl, Entscheidungen noch nicht treffen
MehrKurzanleitung. Zeiterfassung. Version Datum 01/2017 Log. Adatis GmbH & Co. KG Seite 1 von 7
Kurzanleitung Zeiterfassung Version 1.000 Autor Sandra Gilge Datum 01/2017 Log Adatis GmbH & Co. KG Seite 1 von 7 Inhaltsverzeichnis 1. Einleitung 3 2. Mitarbeiter anlegen 3 3. Zeiterfassung aktivieren
MehrExTERM Software für Modell RH520 Feuchtigkeits-/Temperaturdiagramm Aufnahmegerät
Bedienungsanleitung ExTERM Software für Modell RH520 Feuchtigkeits-/Temperaturdiagramm Aufnahmegerät Einleitung Wir gratulieren Ihnen zum Kauf des Extech Modell RH520 papierloses Feuchtigkeits-/Temperaturdiagramm
MehrJe nach dem, was du für ein Gerät verwendet hast, sehen deine Messdaten anders aus. Hier einige Beispiele:
IdeenSet Wearables: Einheit Schlaf Anleitung: für Schülerinnen und Schüler Trackerdaten in Excel übertragen Trackerdaten lesen Je nach dem, was du für ein Gerät verwendet hast, sehen deine Messdaten anders
MehrData Mining-Modelle und -Algorithmen
Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,
MehrAnleitung zur Darstellung der esense-messwerte in Microsoft Excel und Google Tabellen
Anleitung zur Darstellung der esense-messwerte in Microsoft Excel und Google Tabellen esense App Version 2.3.6 24.08.2018 Allgemeiner Hinweis Die exportierten Dateien sind immer CSV-Dateien. CSV steht
MehrDokumentation zum Daten-Upload Tool SwissDRG / TARPSY / ST Reha
Dokumentation zum Daten-Upload Tool SwissDRG / TARPSY / ST Reha Dokumentation zum Daten-Upload Tool SwissDRG / TARPSY / ST Reha Inhalt 1 Wo befindet sich der Link zur Web-Schnittstelle für die Datenlieferung?
MehrAnleitung Data Manager
Version.3 Anleitung Data Manager Anleitung Diese Anleitung zeigt, wie Sie als Gemeinde Adresslisten zum Versand der easyvote Abstimmungsbroschüre an easyvote übermitteln können. Das neue Uploadsystem wird
MehrMehrkörpersimulation eines ebenen Koppelgetriebes mittels Matlab /ADAMS -Co-Simulation
Mehrkörpersimulation eines ebenen Koppelgetriebes mittels Matlab /ADAMS -Co-Simulation Dipl.-Ing. Christian Gollee Institut für Naturstofftechnik, Professur für Verarbeitungsmaschinen/Verarbeitungstechnik
Mehr10. Medizinische Statistik
10. Medizinische Statistik Projektplanung Deskriptive Statistik Inferenz-Statistik Literatur: Hüsler, J. und Zimmermann, H.: Statistische Prinzipien für medizinische Projekte, Verlag Hans Huber, 1993.
MehrErste Schritte in etab
Erste Schritte in etab Wegleitung für die interaktive Tabellenabfrage im etab-portal Im Folgenden werden anhand konkreter Aufgabenstellungen die grundlegenden Operationen von etab erläutert. 1. Auswahl
MehrAngewandte Marktanalyse und Marktforschung
Angewandte Marktanalyse und Marktforschung #8 Datenaufbereitung und -kontrolle Tobias Berger M.A. Friedrich-Schiller-Universität Jena Fakultät für Sozial- und Verhaltenswissenschaften Institut für Sportwissenschaft
MehrSoftware Update (NV10)
In dieser Anleitung wird beschrieben, wie Sie das Update auf Ihr NV10 aufspielen können. Lesen Sie sich zunächst die komplette Anleitung durch, bevor Sie den Update-Vorgang durchführen. Der Update-Vorgang
Mehr