Zeitreihen-Analyse Norbert Fuhr, UDE Information Mining.

Slides:



Advertisements
Ähnliche Präsentationen
Quanti Tutorium
Advertisements

Techniken des Maschinellen Lernens für Data Mining Ian Witten, Eibe Frank (übersetzt von Norbert Fuhr)
Deskriptive Statistik und Explorative Datenanalyse
CATI-Übung 6. Begleitveranstaltung WS 09/10
PG402 Wissensmanagement Zeitreihen in Datenbanken 1 PG-402 Wissensmanagement: Zeitreihen in Datenbanken Klaus Unterstein.
Was ist Testtheorie?.
Auswertung der Befragung
Lagemaße kritische Fragen
Merkmale Beispiele Anwendung Träger Autos Menschen Völker Jahre
Institut für Informatik Abteilung Datenbanken Problemseminar Datacleaning Überblick Datacleaning.
Zum Gegenstand der Psychologie
Philosophische Fakultät 3: Empirische Humanwissenschaften Fachrichtung Erziehungswissenschaft Statistik I Anja Fey, M.A.
Alternativen und Muster. Alternativen Gegeben ist eine Tabelle in der ein Attribut der Tabelle Buecher Gruppe genannt wurde. So gibt es unter anderem.
Forschungsstatistik I
Forschungsmethoden und Diagnostik
Diskurs Fragebögen Auswertung.
Statistiktutorat Sitzung 1: Grundbegriffe der Statistik
Deskriptive Statistik und Wahrscheinlichkeitstheorie
Kapitel III: Stochastische Modelle im Januar haben wir behandelt: 12/3
Grundbegriffe M. Kresken.
Kurzüberblick über ereignisgesteuerte Prozessketten (EPK)
Diskrete Wahrscheinlichkeitsmodelle
Entitäten Extraktion Einführung
P060 - IFI-Pflegedialogsystem - Termine und Nachrichten Ingenieurbüro für Informationssysteme Konzepte und Marketing Gerade Straße Buchholz i.d.N.
Zeit.
Fuzzy Rule Learner Wissensextraktion / Data-Mining
In: Comparative Political Studies, Vol 35 No 1, February 2002, pp 5-34
Inhalt Erstellen Workflow Business Objekt Einzelschrittaufgaben Workflowmuster.
SS 2009 – IBB4C Datenmanagement Fr 15:15 – 16:45 R Vorlesung Normalformen.
Inhalt Definition des Integrals Infinitive Flächen (offenes Intervall)
Ein neuer Name im Carl – Severing – Berufskolleg:
Data Mining Georg Pölzlbauer.
German I – Warm-Up Montag – Präsidentstag – Keine Schule Dienstag – Translate: I have to make the bed. Mittwoch – Name three different types of meat auf.
Messen Zuordnung von Zahlen zu Objekten/Ereignissen gemäß Regeln
Messen und Testen.
Skalenniveaus Tamara Katschnig.
Detaillierte Beschreibung der Vorgehensweise in der Ablaufplanung und Terminplanung Abbildung: Vorgehensweise bei der Ablauf- und Terminplanung.
Dienstag den 3.2. Hausaufgabe für Mittwoch den 4.2. LB (Lernbuch) 6.1 D, G (G = 8 Sätze mit wenn) QUIZ: 6.1 vocab Guten Morgen!
Nun, dass im Jahr 2015 gelaufen,. Nun ist es Zeit, um die 2016 treffen,
November 9 th -13 th. German I – Warm-Ups Montag – Translate into German: How may I help you? Dienstag – Veteran’s Day – No Warm-Up Mittwoch – Veteran’s.
Effektives Delta Laden DOAG SID Data Warehouse. Ziele Welche CDC Methoden gibt es? Typische Fallen Verschiedene Lösungsansätze praktische Beispiele.
Temporale Präpositionen
Prognose von Zeitreihen Hans Nübel Hans Nübel Prognose von Zeitreihen Aufbau 1.Motivation 2.Holt-Winters-Verfahren 3.Prognose.
N. Fuhr, U. Duisburg-Essen Einführung Information Mining 1 Information Mining - Einführung Norbert Fuhr Abteilung Informatik und Angewandte Kognitionswissenschaften.
SQL Basics Schulung –
Wochentage, Monate, Kalender
Verlauf des alterskorrigierten Body Mass Index und der alterskorrigierten Körperlänge unter unterschiedlichen Ernährungsregimen. Die Daten wurden jeweils.
Vorlesung #5 Relationale Entwurfstheorie
Kalender 2004 String-Version
Januar 2018 MONTAG DIENSTAG MITTWOCH DONNERSTAG FREITAG SAMSTAG
Folien nach Wochentagen
Grundbegriffe M. Kresken.
Ökonometrie und Statistik Wiederholung
Erstellt und bebildert von Nemo
Sinnvolle Überbrückung der
Januar 2019 MONTAG DIENSTAG MITTWOCH DONNERSTAG FREITAG SAMSTAG
Ökonometrie und Statistik Wiederholung
JANUAR MONTAG DIENSTAG MITTWOCH
Kleines 1x1 ABCD Aufgaben Kleines 1x1 A · 8 = Lösung.
Tage, Monate, Uhrzeit.
Die Befragung.
JANUAR MONTAG DIENSTAG MITTWOCH DONNERSTAG FREITAG SAMSTAG
Internationaler Frauentag
Januar 2019 MONTAG DIENSTAG MITTWOCH DONNERSTAG FREITAG SAMSTAG
E I N L A D U N G „Gebiets-Informationsversammlungen“
Januar 2016 Montag Dienstag Mittwoch Donnerstag Freitag Samstag
forni a legna made in italy
Ökonometrie und Statistik Wiederholung
Korrelation & Skalentransformation
Ökonometrie und Statistik Wiederholung
 Präsentation transkript:

Zeitreihen-Analyse Norbert Fuhr, UDE Information Mining

Data Mining auf Zeitreihen Definition: Analyse von Datensätze, bei denen Zeit eines der relevanten Attribute ist Im engeren Sinne: Datensätze, die in regelmäßigen Zeitabständen erstellt werden Norbert Fuhr, UDE Information Mining

Skalenniveaus von Zeit nominal: Betonung der Periodizität ordinal: Folge von Ereignissen Intervall-skaliert: Zeitpunkte und -Intervalle Verhältnisskala: Zeitdauer seit Beginn relevant Norbert Fuhr, UDE Information Mining

Zeit als Nominalskala Betonung der Periodizität Montag, Dienstag,.../ Januar, Februar,... meist in Kombination mit einem der anderen Skalenniveaus Norbert Fuhr, UDE Information Mining

Zeit als Ordinalskala Folge von Ereignissen Transaktionen Nachrichten deleting .kde/share/apps/RecentDocuments/21link.pdf.desktop deleting .kde/share/apps/RecentDocuments/21link.flat-2x2.pdf[3].desktop deleting .kde/share/apps/RecentDocuments/21link.flat-2x2.pdf[2].desktop deleting .kde/share/apps/RecentDocuments/21link.flat-2x2.pdf.desktop .kde/share/apps/RecentDocuments/MiningSequentialPatterns.ppt.desktop 214 100% 0.00kB/s 0:00:00 (xfer#38, to-check=1257/20694) .kde/share/apps/RecentDocuments/MiningSequentialPatterns2.ppt.desktop 216 100% 2.48kB/s 0:00:00 (xfer#39, to-check=1256/20694) .kde/share/apps/RecentDocuments/Zeitreihen.odp.desktop 170 100% 1.95kB/s 0:00:00 (xfer#40, to-check=1255/20694) .kde/share/apps/RecentDocuments/folien-infoseeking.pdf.desktop 194 100% 2.23kB/s 0:00:00 (xfer#41, to-check=1254/20694) .kde/share/apps/RecentDocuments/ieslides.sty.desktop 152 100% 1.73kB/s 0:00:00 (xfer#42, to-check=1253/20694) .kde/share/apps/RecentDocuments/server_log.gif.desktop 140 100% 1.59kB/s 0:00:00 (xfer#43, to-check=1252/20694) .kde/share/apps/RecentDocuments/tagesgang_wasser.jpg.desktop 152 100% 1.73kB/s 0:00:00 (xfer#44, to-check=1251/20694) .kde/share/apps/RecentDocuments/time_series_methods.pdf.desktop 201 100% 2.28kB/s 0:00:00 (xfer#45, to-check=1250/20694) .kde/share/apps/RecentDocuments/wachstumskurve-fichte.gif.desktop 162 100% 1.84kB/s 0:00:00 (xfer#46, to-check=1249/20694) .kde/share/apps/RecentDocuments/wasserabgabe-zeitintervall.jpg.desktop 172 100% 1.95kB/s 0:00:00 (xfer#47, to-check=1248/20694) .kde/share/apps/amarok/ .kde/share/apps/amarok/collection.db 8107008 100% 4.72MB/s 0:00:01 (xfer#48, to-check=1247/20694) .kde/share/apps/amarok/contextbrowser.html 9166 100% 14.01kB/s 0:00:00 (xfer#49, to-check=1244/20694) Folge von Ereignissen Transaktionen Nachrichten ... Norbert Fuhr, UDE Information Mining

Zeit als Intervallskala Zeitpunkte und -Intervalle 9:00-10:00, 10:00-11:00,... Norbert Fuhr, UDE Information Mining

Zeit als Verhältnisskala Zeitdauer seit Beginn relevant Wachstum seit dem Start Abb: Wachstum von Fichten unterschiedlicher Qualität Norbert Fuhr, UDE Information Mining

Aufgaben Norbert Fuhr, UDE Information Mining

Aufgaben:Trendanalysen Norbert Fuhr, UDE Information Mining

Entdecken von Anomalien Norbert Fuhr, UDE Information Mining

Ähnlichkeitssuche Norbert Fuhr, UDE Information Mining

Entdecken von sequenziellen Mustern SID sequence 10 <a(abc)(ac)d(cf)> 20 <(ad)c(bc)(ae)> 30 <(ef)(ab)(df)cb> 40 <eg(af)cbc> Norbert Fuhr, UDE Information Mining