The Predictive Power of Online Chatter
|
|
- Maria Bäcker
- vor 6 Jahren
- Abrufe
Transkript
1 Vorlesung "Künstliche Intelligenz II" (Wintersemester 2009/10) Data Mining Paper, The Predictive Power of Online Chatter The Predictive Power of Online Chatter Vorgetragen von: Ki-Hyoun Kim
2 Überblick Internet (Webseiten, Blogs, Wikis, Foren) Online Chatter Data Mining Vorhersage $? Data Mining: The Predictive Power of Online Chatter, Seite 2
3 IBM WebFountain project Blogs täglich 3 Mio. Webseiten Artikel täglich Online Chatter Data Mining: The Predictive Power of Online Chatter, Seite 3
4 Amazon Sales Rank Amazon Web Serives Top Bücher stündliche Updates Top werden täglich aktualisiert Untersuchungen Daten im Zeitraum 120 Tage Top 300 ca Daten 2430 unter den Top 300 Bild: Amazon Sales Rank / Anzahl verkaufter Bücher Quelle: Data Mining: The Predictive Power of Online Chatter, Seite 4
5 Beispiele What not to wear, Trinny Woodall Query: What not to wear Vanity Fair, William Thackeray Query: Vanity Fair OR William Thackeray Data Mining: The Predictive Power of Online Chatter, Seite 5
6 Korrelation zwischen zeitlichen Messungen (Cross Correlation) Arithm. Mittelwert Amazon s Sales Rank Blog Mention x (x1, x2,..., xn): Sales Rank Vektor y (y1, y2,..., yn): Blog Mentions Vektor Data Mining: The Predictive Power of Online Chatter, Seite 6
7 Korrelation Data Mining: The Predictive Power of Online Chatter, Seite 7
8 The Notebook, Nicholas Sparks Data Mining: The Predictive Power of Online Chatter, Seite 8
9 Automatische Anfragen Data Mining: The Predictive Power of Online Chatter, Seite 9
10 Histogramm: automatisierte Suchanfragen Data Mining: The Predictive Power of Online Chatter, Seite 10
11 Sales Rank Vorhersage Algorithmen / Indikatoren Moving Average Predictor in time-series weighted least-squares prediction Markov Predicton Flüchtigkeit Spikes Predicton Data Mining: The Predictive Power of Online Chatter, Seite 11
12 Moving Average Predictor in time-series Sagt einen Tag voraus, ob der Sales Rank größer / kleiner oder gleich ist unterschiedliche Koeffizienten Data Mining: The Predictive Power of Online Chatter, Seite 12
13 Weighted least-squares prediction basiert auf moving-average Prediction Sagt morgigen Sales Rank Wert voraus Data Mining: The Predictive Power of Online Chatter, Seite 13
14 Markov-predictor Basiert auf einen separaten Datensatz Vorhersage, ob der morgige Sales Rank der wahrscheinlichste ist Data Mining: The Predictive Power of Online Chatter, Seite 14
15 Spikes Predictor Leading: Das Maximum erscheint in den nächsten 2 Wochen Trailing: Das Maximum ist in den vergangenen 2 Wochen bereits erschienen Inside: Ein Maximum erscheint zum aktuellen Zeitpunkt Incorrect: Kein Maximum innerhalb von 2 Wochen Data Mining: The Predictive Power of Online Chatter, Seite 15
16 Histogramm: Anzahl erfolgreicher Algorithmen Data Mining: The Predictive Power of Online Chatter, Seite 16
17 Ende Dankeschön! Data Mining: The Predictive Power of Online Chatter, Seite 17
OPAC 2.0 die Grundlagen: Web 2.0-Technologien und ihre Anwendung im Bibliothekskatalog
OPAC 2.0 die Grundlagen: Web 2.0-Technologien und ihre Anwendung im Bibliothekskatalog Gliederung Was ist Web 2.0? Was sind Web-2.0-Eigenschaften? Web 2.0: Anwendungen und Technologien OPAC 2.0: Beispiele
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
MehrLars Schmidt-Thieme et al., Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany, 0/13
0/13 Lehrveranstaltungen Wintersemester 2011/2012 WI-Gebiet Anwendungssysteme (teilw.) WI-Gebiet Business Intelligence Informatik-Gebiet KI & Maschinelles Lernen Prof. Dr. Dr. Lars Schmidt-Thieme Information
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
Mehr5 Suchmaschinen Page Rank. Page Rank. Information Retrieval und Text Mining FH Bonn-Rhein-Sieg, SS Suchmaschinen Page Rank
Page Rank Google versucht die Bedeutung von Seiten durch den sogenannten Page Rank zu ermitteln. A C Page Rank basiert auf der Verweisstruktur des Webs. Das Web wird als großer gerichteter Graph betrachtet.
MehrDynamische Preissetzung als Herausforderung für die Verbraucherpreisstatistik
Dynamische Preissetzung als Herausforderung für die Verbraucherpreisstatistik zwanzigste Konferenz Messung der Preise Eltville, 16./17. Juni 2016 Übersicht Was ist dynamische Preissetzung? Preiserhebung
MehrReduced-Rank Least Squares Modelle
16.12.2008 Wiederholung Gegeben: Matrix A m n Paar Rechter Eigenvektor x, Eigenwert λ: A x = λ x mit x R n \ 0, λ N Paar Linker Eigenvektor y, Eigenwert λ: y T A = λ y T Singulärwertzerlegung (SVD): A
MehrPredict Your Next B2B Customer. Vorhersage künftiger Business-Kunden mit Hilfe von Predictive Analytics auf Basis von Public Big Data
Predict Your Next B2B Customer Vorhersage künftiger Business-Kunden mit Hilfe von Predictive Analytics auf Basis von Public Big Data Von historischen Kundendaten... Sie sind auf der Suche nach neuen Business-Kunden
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,
MehrKünstliche Intelligenz
Künstliche Intelligenz Data Mining Approaches for Instrusion Detection Espen Jervidalo WS05/06 KI - WS05/06 - Espen Jervidalo 1 Overview Motivation Ziel IDS (Intrusion Detection System) HIDS NIDS Data
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.
MehrBig Data und künstliche Intelligenz
Big Data und künstliche Intelligenz Wie Daten gewonnen und ausgewertet werden können. Mittwoch 15. März, 12:30 13:15 Uhr Marcel Bernet Weiterbildung wie ich sie will Definition Der aus dem englischen Sprachraum
MehrSocial Monitoring. HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014
HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014 Abdul-Wahed Haiderzadah abdul-wahed.haiderzadah@haw-hamburg.de Betreuer:
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
MehrKünstliche Intelligenz Einsatzszenarien
Künstliche Intelligenz Einsatzszenarien Recommendation Engines Kunden neue Produkte anbieten bevor sie wissen, dass sie sie brauchen. Durch Advanced Analytics kann mehr Umsatz pro Auftrag durch Cross-
MehrStatStream : Statistical Monitoring of Thousands of Data Streams in Real Time Yunyue Zhu,Dennis Sasha. Vorgetragen von Matthias Altmann
StatStream : Statistical Monitoring of Thousands of Data Streams in Real Time Yunyue Zhu,Dennis Sasha Vorgetragen von Matthias Altmann Mehrfache Datenströme Beispiel Luft und Raumfahrttechnik: Space Shuttle
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
MehrAnalyse von Transaktionsdaten im Online-Ticketing mit Data-Mining-Methoden
1 Analyse von Transaktionsdaten im Online-Ticketing mit Data-Mining-Methoden Marten Pfannenschmidt, Freie Universität Berlin Prof. Dr. Jan Fabian Ehmke, Europa-Universität Viadrina Frank Schreier, Berliner
MehrWeb 2.0 Hat die normale Internetseite ausgedient?
unvollständige Webversion Web 2.0 Hat die normale Internetseite ausgedient? Ein Vortrag für die WfG Sankt Augustin 1 von 43 Inhalt Vom Internet zum Web 2.0 Prinzipien nach O Reilly Technologien und Innovationen
MehrParametric Spectral Estimation
Parametric Spectral Estimation Exercises for Digital Signal Processing II Exercise 2.3.26 Stefan Goetze / Volker Mildner Infos about the examination Diploma students: Oral examinations on March, 29 th.-
MehrTutorial. Stata und Wharton Research Data Services (WRDS)
Tutorial Stata und Wharton Research Data Services (WRDS) Inhaltsverzeichnis 1 Stata 2 Wharton Research Data Services (WRDS) 2 Inhaltsverzeichnis 1 Stata 1 Was ist Stata? 2 Wharton Research Data Services
MehrBig Data Künstliche Intelligenz Und das Ich
Big Data Künstliche Intelligenz Und das Ich Überblick Big data 2 Beispiele David Kriesel: Spiegel Mining Cambridge Analytics: Ocean Diagramm Intelligenz Wie funktioniert das? Neuronale Netze Zukunktsperspektiven/Kaffeesatzleserei
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
MehrDas meteorologische Messnetz der ZAMG
Das meteorologische Messnetz der ZAMG Roland Potzmann Einige gesetzlichen Aufgaben der ZAMG Folie 2 I. Aufbau und Betrieb von meteorologischen und geophysikalischen Messnetzen sowie Erfassung und Interpretation
MehrDicomStar. DicomStar. Dateien. True IT Solutions For You
DicomStar DicomStar Ein Google für DICOM-Dateien Dateien Motivation... Sie brauchen bestimmte DICOM-Bilder und DICOM-Dateien...... Das Finden der Bilder in Archiven dauert lange...... Sie müssen spezielle
MehrMachine Learning in Azure Hätte ich auf der Titanic überlebt? Olivia Klose Technical Evangelist, Microsoft @oliviaklose oliviaklose.
Machine Learning in Azure Hätte ich auf der Titanic überlebt? Olivia Klose Technical Evangelist, Microsoft @oliviaklose oliviaklose.com 13.06.20 15 SQLSaturday Rheinland 2015 1. Zu komplex: Man kann
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayes sches Lernen. Niels Landwehr
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Bayes sches Lernen Niels Landwehr Überblick Grundkonzepte des Bayes schen Lernens Wahrscheinlichstes Modell gegeben Daten Münzwürfe
MehrSPSS Cognos Positionierung. April 2010. Friedel Jonker Manager Business Development Analytics & PM SPSS Predictive Analytics Präsentation
SPSS Cognos Positionierung April 2010 Friedel Jonker Manager Business Development Analytics & PM SPSS Predictive Analytics Präsentation 2010 IBM Corporation Agenda 1. SPSS Positionierung 2. SPSS & Cognos
MehrTylah ist Twitter im Pinterest-Stil!
Tylah ist Twitter im Pinterest-Stil! Quelle: www.rohinie.eu In den letzen Monaten bin ich auf der Plattform Twylah registriert. Twylah ist ein ausgezeichnetes neues Web-Service-Angebot mit einem einzigartigen
MehrIndustrie 4.0 als unternehmerische und gesellschaftliche Herausforderung
Industrie 4.0 als unternehmerische und gesellschaftliche Herausforderung 1 Das Internet der Dinge Entwicklung des WWW zum Web 3.0 Statisches Informationsangebot Text, Graphik, Flash, keine Interaktion
MehrProduktionscontrolling auf dem Weg zur Industrie 4.0
Produktionscontrolling auf dem Weg zur Industrie 4.0 Intelligente Produktion durch Real-Time-Big-Data-Analyse von Sensordaten & Bern, 27.05.2016 Jörg Rieth Jedox vereinfacht Planung, Reporting & Analyse
MehrRisiken bei der Analyse sehr großer Datenmengen. Dr. Thomas Hoppe
Risiken bei der Analyse sehr großer Datenmengen Dr. Thomas Hoppe Datenaufbereitung Datenanalyse Data Mining Data Science Big Data Risiken der Analyse Sammlung Integration Transformation Fehlerbereinigung
MehrProf. Dr. Christian Rietz
Prof. Dr. Christian Rietz 2 Screenlife 2015 TV als Motor von Web Traffic und Word of Mouth Die Fragen: Wie wirkt TV auf Search und Web-Traffic Word of Mouth die implizite Wahrnehmung 3 4 30 Marken im Fokus
Mehre3m Data Center 1/6 ... der zentrale Datenpool für die wichtigen Kenngrössen über alle Objekte
e3m Data Center 1/6 e3m Data Center... der zentrale Datenpool für die wichtigen Kenngrössen über alle Objekte Der Datenpool ermöglicht eine zentrale Bewirtschaftung der wichtigsten Kennzahlen Ihrer Anlagen
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,
MehrAMTLICHE BEKANNTMACHUNG
AMTLICHE BEKANNTMACHUNG NUMMER 2017/094 SEITEN 1-6 DATUM 07.04.2017 REDAKTION Sylvia Glaser 3. Ordnung zur Änderung der studiengangspezifischen Prüfungsordnung für den Bachelorstudiengang Informatik der
MehrSuchmaschinenoptimierungen / SEO
Für starkes Marketing Suchmaschinenoptimierungen / SEO Kostenlose Erstberatung Umfassende Lösungen Hohe Funktionalität Optimale Suchergebnisse Professionelle Betreuung Wir machen Ihre Webseite für Suchmaschinen
MehrDie treffende Auswahl anbieten: Im Internet (Referat 3a)
www.zeix.com Die treffende Auswahl anbieten: Im Internet (Referat 3a) Fachtagung: Suchfunktionen im Web Zürich, 26. Oktober 2006 Jürg Stuker, namics Gregor Urech, Zeix Bern, Frankfurt, Hamburg, München,
MehrTNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science
TNS EX A MINE BehaviourForecast Predictive Analytics for CRM 1 TNS BehaviourForecast Warum BehaviourForecast für Sie interessant ist Das Konzept des Analytischen Customer Relationship Managements (acrm)
MehrData Mining und Maschinelles Lernen
Data Mining und Maschinelles Lernen Wintersemester 2015/16 Musterlösung für das 7. Übungsblatt Aufgabe 1 Evaluierungsmethoden Ein Datenset enthält 2 n Beispiele, wobei genau n Beispiele positiv sind und
MehrIndustrie 4.0 22.07.2014
Industrie 4.0 Georg Weissmüller 22.07.2014 Senior Consultant Fertigungsindustrie Agenda Überblick Industrie 4.0/Anwendungsfälle Intelligenter Service Augmented Reality Diskussion 2014 SAP AG or an SAP
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 3. Vorlesung Dr. Jochen Köhler 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Wahrscheinlichkeit von Ereignissen Im ersten
MehrA Big Data Change Detection System. Carsten Lanquillon und Sigurd Schacht
A Big Data Change Detection System Carsten Lanquillon und Sigurd Schacht Digitale Transformation in Unternehmen u Umfassende Erfassung, Speicherung und Verfügbarkeit von Daten à Big Data Quelle: Rolland
MehrSocial Media Analytics Aktuelle Herausforderungen
Lehrstuhl für Informatik 5 Informationssysteme RWTH Aachen Social Media Analytics Aktuelle Herausforderungen Ralf Klamma RWTH Aachen I5-KL-111010-1 Gesellschaft für Informatik Regionalgruppe Köln Themenabend
MehrBauchgefühl oder kühle Berechnung Wer wird Fußball-Weltmeister 2014?
Bauchgefühl oder kühle Berechnung Wer wird Fußball-Weltmeister 2014? Prof. Dr. Michael Feindt Karlsruher Institut für Technologie (KIT) Founder and Chief Scientific Advisor, Blue Yonder Wer wird Weltmeister?
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)
MehrData Mining @ Netezza mit IBM SPSS
Michael Ridder Senior Technical Sales Professional Predictiv Analytics Data Mining @ Netezza mit IBM SPSS Software Wir ertrinken in Informationen, aber wir hungern nach Wissen. John Naisbitt Trendforscher
MehrPREDICT BRINGEN SIE IHRE KUNDEN MIT PRODUKTEN ZUSAMMEN, DIE SIE LIEBEN WERDEN.
PREDICT BRINGEN SIE IHRE KUNDEN MIT PRODUKTEN ZUSAMMEN, DIE SIE LIEBEN WERDEN. PREDICT Bringen Sie Ihre Kunden mit Produkten zusammen, die sie lieben werden. Personalisierte Produktempfehlungen Diese intelligente
MehrVereinheitlichung der Anlagenüberwachung eines heterogenen Portfolios mit OSIsoft PI System Analyse mithilfe von Big Data Plattformen
Vereinheitlichung der Anlagenüberwachung eines heterogenen Portfolios mit OSIsoft PI System Analyse mithilfe von Big Data Plattformen Dr. Thomas Weiß / juwi Operations & Maintenance GmbH, Axel Mertins
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 20
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 20 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrEinige Grundbegriffe der Statistik
Einige Grundbegriffe der Statistik Philipp Mitteröcker Basic terms Statistik (statistics) stammt vom lateinischen statisticum ( den Staat betreffend ) und dem italienischen statista ( Staatsmann" oder
MehrRanking Functions im Web: PageRank & HITS
im Web: PageRank & HITS 28. Januar 2013 Universität Heidelberg Institut für Computerlinguistik Information Retrieval 4 / 30 Idee PageRank Entstehung: Larry Page & Sergey Brin, 1998, genutzt von Google
MehrSocial Media Monitoring im Tourismus
Social Media Monitoring im Tourismus Social Media Fakten über 1 Mrd. Mitglieder 750 Tweets pro Sekunde 3 Mio. neue Blogs pro Monat über 75 Mio. Erfahrungsberichte Unzählige Kommentare & Meinungen Bestes
MehrANALYSIEREN VON SOCIAL MEDIA AKTIVITÄTEN
ANALYSIEREN VON SOCIAL MEDIA AKTIVITÄTEN PROFI-Webcast 10.03.2015 Dr. Michael Kosmowski Software-Architekt Tel.: 0721 46 46 46 64 44 E-Mail: m.kosmowski@profi-ag.de AGENDA Was passiert bei unseren Kunden?
MehrComplex Event Processing
[10] Armin Steudte HAW Hamburg Masterstudiengang Informatik - WS 2011/2012 Agenda Motivation Grundlagen Event Processing Networks Ausblick Quellen 2 Agenda Motivation Grundlagen Event Processing Networks
MehrMultivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
MehrSeminar Datenbanksysteme
Seminar Datenbanksysteme Recommender System mit Text Analysis für verbesserte Geo Discovery Eine Präsentation von Fabian Senn Inhaltsverzeichnis Geodaten Geometadaten Geo Discovery Recommendation System
MehrPersonalisierung elektronischer Märkte: Möglichkeiten und Techniken
Personalisierung elektronischer Märkte: Möglichkeiten und Techniken Vortrag in der Lehrveranstaltung Unternehmen im internationalen Leistungswettbewerb von Stefan Marr Agenda 2 Motivation Nutzen für Kunden
MehrSemestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2012 Termin:
Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2012 Termin: 17. 7. 2012 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....
MehrInformationssuche in Sozialen Medien. Adam Horvath Universität Pecs Institut für Wirtschaftsmethodologie
Informationssuche in Sozialen Medien Adam Horvath Universität Pecs Institut für Wirtschaftsmethodologie Übersicht über sozielle Medien Bezug auf Person, Gemeinde, Unternehmen, Events, usw. Verschiede Formate
MehrSummary Details for Performance, Duration and Acoustic Measurements for the. Aircon 10S Wind Turbine. UK MCS Certification Summary
Summary Details for Performance, Duration and Acoustic Measurements for the Aircon 10S Wind Turbine UK MCS Certification Summary Certificate Number MCS TUV0007 Small Wind Turbine Certification Summary
MehrLarge Scale Data Management
Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype
MehrWatson Elementary. Fast. Easy. Data. High. Innovative Technik für die Diagnose von Prostatakrebs
Watson Elementary Innovative Technik für die Diagnose von Prostatakrebs Easy Fast High Data to use diagnosis accuracy friendly Watson Elementary Computer-Aided Diagnosis for Prostate Cancer using multiparametric
MehrBedienungsanleitung. EasyView K-Typ-Thermometer. Modell EA11A
Bedienungsanleitung EasyView K-Typ-Thermometer Modell EA11A Einführung Wir gratulieren Ihnen zum Kauf des Extech EasyView. Dieses Gerät bietet Ihnen ein Thermoelement des K-Typs mit einem multifunktionalen
MehrDesktop-Wikis am Beispiel von TiddlyWiki
am Beispiel von TiddlyWiki Edgar Fast Edi Hoffmann Community FreieSoftwareOG kontakt@freiesoftwareog.org 6. September 2017 Was ist ein Wiki? 2 / 14 Was ist ein Wiki? Ein Wiki, auch WikiWiki und WikiWeb
MehrEine FOREX Strategie, die wirklich funktioniert. Präsentiert vom FOREX BONZEN Team. (c) http://devisenhandel-forex.info
Das WMA Kreuz Eine FOREX Strategie, die wirklich fukntioniert 1 Eine FOREX Strategie, die wirklich funktioniert. Präsentiert vom FOREX BONZEN Team (c) http://devisenhandel-forex.info Rechtliches! Dieses
MehrStrukturgleichungsmodellierung
Strukturgleichungsmodellierung FoV Methodenlehre FSU-Jena Dipl.-Psych. Norman Rose Parameterschätzung, Modelltest & Fit Indizes bei SEM Forschungsorientierte Vertiefung - Methodenlehre Dipl.-Psych. Norman
MehrVorlesung Information Retrieval Wintersemester 04/05
Vorlesung Information Retrieval Wintersemester 04/05 20. Januar 2005 Institut für Informatik III Universität Bonn Tel. 02 28 / 73-45 31 Fax 02 28 / 73-43 82 jw@informatik.uni-bonn.de 0 Themenübersicht
MehrIndustrie 4.0 Energiekostenoptimierung mit Hilfe künstlicher Intelligenz
Eine unabhängige, europäische Energieoptimierungs- und Serviceplattform von der Industrie für die Industrie Industrie 4.0 Energiekostenoptimierung mit Hilfe künstlicher Intelligenz Christoph Gardlo München
MehrKonsumentenverhalten der Y- und Z-Generation im digitalen Zeitalter Stefan Büscher
Konsumentenverhalten der Y- und Z-Generation im digitalen Zeitalter Stefan Büscher Agenda 1 Was macht die Generation Y und Z aus 2 Digitaler Lifestyle in Europa und China 3 Erwartungen der Digital Natives
MehrBig Data für ökonomische Analysen
Barbara Engels engels@iwkoeln.de @BarEngels 19. Oktober 2016, Köln Agenda 1. Big Data für ökonomische Analysen: Einleitung 2. Datenquellen 2.1 Open Data 2.2 Das Internet als Datenquelle 2.3 Crawlen: Logisch,
MehrWechselkursenprognosen mit Methoden der künstlichen Intelligenz
Wechselkursenprognosen mit Methoden der künstlichen Intelligenz Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft der Wirtschaftswissenschaftlichen
MehrLiteraturrecherche Thema: Analyse sozialer Netzwerke in wissenschaftlichen Communities. Peter Kraker. Empirische Methoden WS09/10 Prof.
Literaturrecherche Thema: Analyse sozialer Netzwerke in wissenschaftlichen Communities Peter Kraker Empirische Methoden WS09/10 Prof. Schlögl Inhalt Themenfindung Ziele der Recherche Recherchestrategie
MehrVom Data Mining zur effektiven Entscheidungsunterstützung mit IBM SPSS Modeler und Analytical Decision Management
Vom Data Mining zur effektiven Entscheidungsunterstützung mit IBM SPSS Modeler und Analytical Decision Management Martin Herzog 06/07.11.2012 Data Mining als Herzstück von Predictive Analytics Data Mining
MehrSeminar Visual Analytics and Visual Data Mining
Seminar Visual Analytics and Visual Data Mining Dozenten:, AG Visual Computing Steffen Oeltze, AG Visualisierung Organisatorisches Seminar für Diplom und Bachelor-Studenten (max. 18) (leider nicht für
MehrMission to Mars. Digitalisierung in Deutschland
Mission to Mars Digitalisierung in Deutschland Ricarda Wagner Referentin Digitale Transformation @ricardawgnr #BVDW Past Past Present Wellen der Digitalisierung Welle 1: digitale Commerce Dasselbe wie
MehrPredictive Applications in Ihrem Unternehmen: Den Dschungel der Möglichkeiten lichten und Erfolgsgeschichten schreiben Ingolf Mollat @byanalytics_en
Predictive Applications in Ihrem Unternehmen: Den Dschungel der Möglichkeiten lichten und Erfolgsgeschichten schreiben Ingolf Mollat @byanalytics_en Wieviel Bäume hat ein Wald? Bundeswaldgesetz, 2 Absatz
MehrSEO ANALYSE.
SEO ANALYSE www.farben-shop.at AKTUELLE PLATZIERUNG ON-SITE PRÜFUNG MITBEWERBSANALYSE MAßNAHMENKATALOG UNSERE RANKING-BOOST PAKET EMPFEHLUNG FÜR SIE Unsere Empfehlung basiert auf den aktuellen Rankings
MehrLehrveranstaltungen im Wintersemester 2012/2013
Lehrveranstaltungen im Wintersemester 2012/2013 Information Systems and Machine Learning Lab (ISMLL) Prof. Dr. Dr. Lars Schmidt-Thieme Hildesheim, Juli 2012 1 / 1 Übersicht Praktika Hildesheim, Juli 2012
MehrEntscheidungsbäume aus großen Datenbanken: SLIQ
Entscheidungsbäume aus großen Datenbanken: SLIQ C4.5 iteriert häufig über die Trainingsmenge Wie häufig? Wenn die Trainingsmenge nicht in den Hauptspeicher passt, wird das Swapping unpraktikabel! SLIQ:
MehrWenn das Netzwerk mitdenkt
Peter Wippermann, Gründer Trendbüro Professor für Kommunikationsdesign an der Folkwang Universität, Essen Wenn das Netzwerk mitdenkt Die Zukunft der personalisierten Dienste 9. Europäischer Trendtag Gottlieb
MehrUniversität 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
MehrDatamining und Patientensicherheit
Datamining und Patientensicherheit Statistik für mehr Sicherheit 4. Mai 2017 - APS Jahrestagung - Referent: Prof. Dr. phil. Winfried Zinn PatE Stiftungs-UG (haftungsbeschränkt) An der Alten Schule 16,
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
MehrMining the Network Value of Customers
Mining the Network Value of Customers Seminar in Datamining bei Prof. Fürnkranz Benjamin Herbert Technische Universität Darmstadt Sommersemester 2007 1 / 34 1 2 Werbung Netzwerkwert 3 Bezeichnungen Ansatz
MehrStatistik II. I. Einführung. Martin Huber
Statistik II I. Einführung Martin Huber 1 / 24 Übersicht Inhalt des Kurses Erste Schritte in der empirischen Analyse 2 / 24 Inhalt 1 Einführung 2 Univariates lineares Regressionsmodell 3 Multivariates
MehrHauptseminar E-Commerce. Insurance 2.0. Die Versicherung der Zukunft auf Basis moderner Webkonzepte
Hauptseminar E-Commerce Insurance 2.0 Die Versicherung der Zukunft auf Basis moderner Webkonzepte Quelle: Insurance 2.0 Versicherung auf Basis moderner Webkonzepte Roadmap Interessante Web 2.0 Technologien
MehrWas sind Bots? Botnetze, Social Bots & ChatBots. Peter Meyer eco e.v. Leiter Cyber Security Services
Was sind Bots? Botnetze, Social Bots & ChatBots Peter Meyer eco e.v. Leiter Cyber Security Services Über eco e.v. Gegründet 1995 www.eco.de Standorte: Köln, Berlin, Frankfurt, München Mitgliederstärkster
Mehr... Text Clustern. Clustern. Einführung Clustern. Einführung Clustern
Clustern Tet Clustern Teile nicht kategorisierte Beispiele in disjunkte Untermengen, so genannte Cluster, ein, so daß: Beispiele innerhalb eines Clusters sich sehr ähnlich Beispiele in verschiedenen Clustern
MehrInformation Retrieval Einführung
Information Retrieval Einführung Kursfolien Karin Haenelt 22.7.2015 Themen Traditionelles Konzept / Erweitertes Konzept Auffinden von Dokumenten Rankingfunktionen Auffinden und Aufbereiten von Information
MehrWas ist Big Data? Versuch einer Positionsbestimmung. Wolfgang Marquardt
Was ist Big Data? Versuch einer Positionsbestimmung Wolfgang Marquardt Vorstandsvorsitzender des Forschungszentrum Jülich 02.06.2015 Jahrestagung des deutschen Ethikrates Ganz sicher auch ein Hype hohe
MehrDigital Experience im Marketing was unsere Kunden schon tun. Barbara Koch, Solution Sales Manager, Leader Social Business & Commerce, IBM Deutschland
Digital Experience im Marketing was unsere Kunden schon tun. Barbara Koch, Solution Sales Manager, Leader Social Business & Commerce, IBM Deutschland Ich habe gelernt, dass Menschen vergessen werden was
Mehr2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung
2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg
MehrWas ist Statistik? CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin
CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin http://ise.wiwi.hu-berlin.de http://www.xplore-stat.de http://www.md-stat.com Grundlagen
MehrWillkommen beim Dell Support Webcast. Dell Technischer Support mal anders
Willkommen beim Dell Support Webcast SocialMedia @ Dell Technischer Support mal anders 2 Herzlich willkommen! Der Webcast startet 10:00 Uhr. Der Webcast wird Ihnen präsentiert von Stefan Richter Dell Digital
MehrSeminar Künstliche Intelligenz Wintersemester 2013/14
Seminar Künstliche Intelligenz Wintersemester 2013/14 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 31.10.2013 2 / 13 Überblick Teilgebiete der KI Problemlösen,
MehrSAP Predictive Challenge - Lösung. DI Walter Müllner, Dr. Ingo Peter, Markus Tempel 22. April 2015
SAP Predictive Challenge - Lösung DI Walter Müllner, Dr. Ingo Peter, Markus Tempel 22. April 2015 Teil II - Lösung Teil II-1: Fachbereich (automated mode) Teil II-2: Experte (PAL HANA) Teil II-3: Vergleich
MehrSwisscom Dialog Arena In vier Etappen zu neuen Geschäftsmodellen , Michele Savino & Milos Radovic
Swisscom Dialog Arena In vier Etappen zu neuen Geschäftsmodellen 03.11.2016, Michele Savino & Milos Radovic Die Digitale Reise in vier Etappen Physische Assets & Prozesswissen Digitale Assets & Datenveredelung
Mehr