DataMining Von Daten zu Informationen und Wissen

Slides:



Advertisements
Ähnliche Präsentationen
Kohonennetze für Information Retrieval mit User Feedback
Advertisements

Adaptive Systeme Prof. Rüdiger Brause WS 2011.
Modellierung sozio-technischer Systeme SeeMe - Semi-strukturierte, sozio-technische Modellierungsmethode.
Data Mining Anwendungen und Techniken
Übersicht zu Verfahren des Soft Computing
Transparenz des gläsernen Systems.
Daten fließen lassen XML in Microsoft Office 2003 Lorenz Goebel Frank Fischer
Druck / Ausgaben unter LSF
Inhaltlich orientierter Zugriff auf unstrukturierte Daten
Konzeption und prototypische Implementierung eines zentralen Informationssystems für Systemmanagement Motivation Oft wird es schwierig, die benötigten.
Wissensmanagement mit semantischen Netzen – Analyse und Vergleich verschiedener Softwarelösungen Autor: Holger Wilhelm Referentin: Prof. Dr. Uta Störl.
Customer Relationship Management
Computerkurs: Quantitative Auswertung biochemischer Experimente
Computerkurs: Quantitative Auswertung biochemischer Experimente Guten Morgen.
Datenbankentwurf mit Hilfe des ER-Modells entwickeln
Projekt A4: Alignment of Situation Models Gert Rickheit Sven Wachsmuth Constanze Vorwerg Agnes Swadzba SFB-Kolloqium,
Herzlich willkommen beim 1. Workshop der AG Methodik
zur Vorlesung Neuronale Netzwerke
Classification of Credit Applicants Using Data Mining. Thema.
Fachinformationen im Web Visionen: Servicemodelle der Zukunft Inetbib 2006 Ralf Rose Swets Information Services.
Spatial Decision Support Systems (SDSS)
Maschinelles Lernen und automatische Textklassifikation
Betrügern auf der Spur WIN-Treffen 2010 Falko Meyer 04 BW.
Spezifikation von Anforderungen
Christian Schulz, Marc Thielbeer, Sebastian Boldt
Dokumentenerstellung mit rs&p-Dossier - kurze Programmvorstellung -
Entwurf und Realisierung einer digitalen Bibliothek zur Verwaltung von Notenhandschriften Dipl.-Ing. Temenushka Ignatova Datenbank- und Informationssysteme,
Self Organizing Tree Algorithm
? Was ist Informatik? Was ist Informatik? Alexander Lange
EXCEL PROFESSIONAL KURS
Präsentiert Informationen auf den Punkt gebracht.
Das Unternehmensumfeld der Nordwind ist ein solches System:
Prototypentwicklung für ein Testmanagementsystem
1 Nutzen Sie diese Powerpoint-Präsentation beim Selbstlernen oder in Veranstaltungen zur Einführung in das jeweilige Thema. Einführung Lernmodul Nutzungsbedingungen:
Problemstellung Heterogene DV-Strukturen Mangelnde Kapazität in der EDV-Abteilung Historische Daten nicht verfügbar Analysen belasten die vorhandene Infrastruktur.
1 Dipl.-Ing.(FH) Oliver Schulte In Kooperation mit Thema : Objektorientierte Realisierung eines Programms zur Erkennung von Vogelstimmen mit Hilfe Neuronaler.
Adaptive Systeme Prof. Rüdiger Brause WS 2013.
Lehrstuhl für Bauinformatik, IPVR – Abteilung Simulation großer Systeme Volumenorientierte Modellierung als Grundlage einer vernetzt-kooperativen Planung.
Theorie der Stichprobe
Data Mining Cup 2012 Wissensextraktion – Multimedia Engineering
Geschäftsprozessmodellierung mit SiSy
Erfindervon Fuzzy Logic
Kompetenz -, Lern - und Prüfungsbereiche Anforderungsbereiche
1 Nutzen Sie diese Powerpoint-Präsentation beim Selbstlernen oder in Veranstaltungen zur Einführung in das jeweilige Thema. Einführung Lernmodul Nutzungsbedingungen:
Lernmodul Einführung Nutzen Sie diese Powerpoint-Präsentation beim Selbstlernen oder in Veranstaltungen zur Einführung in das jeweilige Thema. Nutzungsbedingungen:
CEF 2001, New Haven Genetic Neural Fuzzy Explorer GENEFER Konzeption, Technologien und Einsatzmöglichkeiten Eric Ringhut Muenster Institute for Computational.
Willkommen in der Welt der effizienten Datenanalyse! Seite 1 Dr. Franz Weissenböck.
Studieren Lernen Claudia Lischke-Arzt.
PRO:CONTROL Ziel des Moduls Arbeitspakete
Modellbildung und Simulation
Mehr Zeit für den Kunden und wirtschaftlicher Arbeiten mit BIB-Control
Klassifikation und Regression mittels neuronaler Netze
WIR LÖSEN DAS PROBLEM FÜR SIE
FuzzyControl++ und NeuroSystems
ULG Library and Information Studies 2010/11, I2 Johanna Dusek.
Datenmatrix HKI Proseminar Philipp Cielen.
CEF 2001, New Haven Zinsprognosen mit GENEFER ein Fuzzyregel-basiertes Modell zur Prognose des EZB- Refinanzierungszinssatzes Eric Ringhut Muenster Institute.
SS 2009Maschinelles Lernen und Neural Computation 133 Kapitel 7: Ensemble Methoden.
Lernen 1. Vorlesung Ralf Der Universität Leipzig Institut für Informatik
Projekt A4: „Alignment of Situation Models“ Dr. Gerd Rickheit Dr. Sven Wachsmuth Dr. Constanze Vorwerg Agnes Swadzba SFB-Kolloqium,
DATAframe ® Transparenz in Ihrem Unternehmen Referent: XXXXXXX Datum:
Beispiel GPS-Parametrierung
Univ.-Prof. Dr.-Ing. H. Nacken Vorlesung Wasserwirtschaftliche Modellierung Themen: Vorlesung 8 Neuronale Netze (ANN) Trainingsformen von Neuronalen Netzen.
Vorlesung Wasserwirtschaftliche Modellierung
Statistik I Statistik I Statistische Grundbegriffe
PCA Principal Component Analysis. Gliederung PCA – Warum eigentlich? PCA – Was ist zu tun? Was passiert eigentlich? Anwendungen Zusammenfassung.
Prognose von Zeitreihen Hans Nübel Hans Nübel Prognose von Zeitreihen Aufbau 1.Motivation 2.Holt-Winters-Verfahren 3.Prognose.
Clusteranalyse Wege und Arten Entstanden im Rahmen der Seminararbeit für WS09/10 Betreuer: Prof. Jobst Hoffmann Dr. Tim Hiddemann Aachen, Januar 2010.
Emanuel Mistretta Lukas Schönbächler
Intelligent Data Mining
 Präsentation transkript:

DataMining Von Daten zu Informationen und Wissen Datenanalyse und Data Mining

Datenbanken Ingenieurdienstleistungen

Modell Klassifikator Wissen Daten Wissen Modellanalyse Die CeCon GmbH unterstützt Sie in allen Schritten Ihrer Analyse - von den Rohdaten bis zum extrahierten Wissen. Modellierung Merkmals- auswahl Daten- aufbereitung Daten- selektion Daten- bank

Arbeiten mit DataEngine Projektfenster Die zu Ihrem Projekt gehörenden Elemente - Daten, Graphiken, Analysen etc. werden in der Baumstruktur erfasst und unabhängig vom Speicherort gemeinsam verwaltet. Die Verwaltung Ihrer Daten und Modelle wird so für Sie und Ihre Mitarbeiter leichter.

Arbeiten mit DataEngine Datenzugriff ASCII - Formate DataEngine versteht Daten im ASCII-Format im Excel® Format aus Ihrer Datenbank (direkt oder via OLE-DB / ODBC) aus anderen Produkten (Schnittstelle vorhanden oder als PlugIn) Excel ® Paradox ® dBase ® ODBC

Arbeiten mit DataEngine Grundfunktionen Einen ersten Überblick erhalten Sie mit der allgemeinen Statistik in DataEngine. Fehlstellenbehandlung und statistische Werte werden Ihnen per Mausklick geliefert.

Arbeiten mit DataEngine Grundfunktionen Mathematische Funktionen Der Dateneditor dient zur manuellen Bearbeitung der Daten. Er stellt umfangreiche Möglichkeiten zur Daten-vorverarbeitung zur Verfügung. Statistik Signalverarbeitung und mehr ...

Daten werden zu Wissen Modellbildung Fuzzy Regeln Modellbildung Für die eigentliche Informationsgewinnung bietet Ihnen DataEngine verschiedene intelligente Methoden. Fuzzy Clusterung Neuronale Netze Fuzzy-Neuro-Systeme Entscheidungsbäume

Intelligente Methoden Fuzzy Regeln Der Regeleditor dient dem Erzeugen und Bearbeiten von Regeln Die Menüsteuerung hilft Ihnen, Fehler bei der Eingabe zu vermeiden

Intelligente Methoden Fuzzy Regeln Mit Fuzzy Regeln modellieren Sie vorhandenes Wissen, das nicht oder nur mit großem Aufwand mathematisch geschlossen formuliert werden kann. Menschliches Wissen wird in Form von „Wenn … Dann …“ - Regeln erfasst und in der Inferenz ausgewertet und angewendet. Input und Output können scharfe und unscharfe, numerische und kategorielle Größen sein. Komplexe Situationen können beurteilt und Entscheidungen analysiert werden.

Intelligente Methoden Fuzzy Clusterung Durch Fuzzy Clusterverfahren können Sie Gruppierungen in Ihren Daten erkennen und sie in Klassen mit homogenen Eigenschaften einteilen. Das in DataEngine realisierte Clusterverfahren ist Fuzzy C-Means. Varianten und weitere Verfahren bietet Ihnen das PlugIn „Advanced Clustering“

Intelligente Methoden Neuronale Netze Neuronale Netze lernen Zusammenhänge in Ihren Daten und decken Ihnen unbekannte Ursachen auf. Unterschiedliche Netztypen, Lernregeln und Funktionen ermöglichen eine flexible Anpassung.

Intelligente Methoden Neuronale Netze Das MLP ist ein mehrschichtiges, überwacht lernendes Netz. Neben der variablen Architektur (z.B. Anzahl der Schichten) können unterschiedliche Lernverfahren mit variablen Parametern eingesetzt werden. Die Parameter des Netzes sind einfach einzustellen.

Intelligente Methoden Neuronale Netze Kohonen Netze (Self Organizing Feature Maps) sind unüberwacht lernende neuronale Netze. Sie werden primär zur Lösung von Klassifikationsaufgaben, aber auch zum Finden von Strukturen in Daten verwendet.

Intelligente Methoden Entscheidungsbaum Klassifikationsbaum: Dieser Entscheidungsbaum eignet sich besonders gut zur Klassifikation von Objekten mit kategoriellen Merkmalen. Die meisten anderen Klassifikatoren sind für solche Daten nicht zulässig oder versagen. Regressionsbaum: Auch bei Modellen mit nur einem Ausgang und Objekten mit numerischen Merkmalen, d.h. bei einer kontinuierlichen Zielgröße, kann ein Entscheidungsbaum eingesetzt werden. © MIT GmbH,Aachen, Germany

Intelligente Methoden Die Generierung des Baums erfolgt sehr viel schneller als das Training eines neuronalen Netzes. Den generierten Entscheidungsbaum können Sie in einer Baumansicht betrachten, in die auch diverse Analysen einbezogen sind. Durch Pruningverfahren lässt sich die Struktur des Entscheidungs-aumes optimieren.

Intelligente Methoden Modellanalyse Mit der Komponente zur Modell-analyse können Sie besondere Analysen online durchführen: In der Arbeitspunkteinstellung können über Schieberegler die Merkmalsausprägungen eines Objektes variiert werden. Die Auswirkungen dieser Modell-analyse sind direkt ablesbar.

Intelligente Methoden Modellanalyse Lernen Sie den Einfluss einzelner Eingangsgrößen auf das Ergebnis kennen: Auf der Basis eines gewählten Arbeits-punktes wird eine Sensitivitätsanayse durchgeführt.

Intelligente Methoden Graphische Makrosprache Zur Abbildung und Automatisierung aller durchgeführten Analyse-schritte stellt DataEngine eine graphische Makrosprache bereit: Jede Teilfunktion kann als sogenannter Funktionsblock dargestellt und aneinandergereiht werden. Sie können dafür vorgegebene Funktionen verwenden oder eigene Makros programmieren.

Intelligente Methoden Graphische Makrosprache Zur Abbildung und Automatisierung aller durchgeführten Analyse-schritte stellt DataEngine eine graphische Makrosprache bereit: Jede Teilfunktion kann als sogenannter Funktionsblock dargestellt und aneinandergereiht werden. Sie können dafür vorgegebene Funktionen verwenden oder eigene Makros programmieren.