Data Science Blog – Applied Data Science

NetApp Technologie Forum Nord/Ost

March 12, 2019/0 Comments/in Data Science News, Events, Sponsoring Partner Posts /by netapp

Sehr geehrter Kunden und Technik-Enthusiasten, mehr wissen ist immer gut und ein hervorragender Grund das NetApp Technologie Forum Nordost zu besuchen. Unter dem Motto „aus der Region für die Region“ und bei unserem Kunden und Gastgeber der Medizinische Hochschule Hannover erfahren Sie, wie NetApp mit der Data Fabric die Konstitution Ihrer Dateninfrastruktur in Zeiten der […]

A Gentle Introduction to Precision and Recall.

March 7, 2019/0 Comments/in Data Science, Main Category /by rohitmishra

The idea of this blog is to give an intuitive understanding of Precision and Recall for a binary classification problem. I will shy away from explaining it in a textbook way but rather will try to give an intuition. Nevertheless, let me write the textbook formula first: The problem with this nomenclature is that despite […]

How is automation changing data science and machine learning?

March 4, 2019/0 Comments/in Artificial Intelligence, Data Science, Main Category /by Danish Wadhwa

We have come a long way since the introduction of data science and machine learning. The recent study has found that the volume of business data doubles in less than 14 months. Today, the collection of data is no longer a problem, but the filtration, analysis, and maintenance of relevant information is a bigger issue. […]

A common trap when it comes to sampling from a population that intrinsically includes outliers

February 21, 2019/0 Comments/in Business Analytics, Business Intelligence, Data Mining, Data Science, Data Science Hack, Main Category, R Statistics, Statistics /by Moussa El-Zaarah

I will discuss a common fallacy concerning the conclusions drawn from calculating a sample mean and a sample standard deviation and more importantly how to avoid it. Suppose you draw a random sample , , … of size and compute the ordinary (arithmetic) sample mean and a sample standard deviation from it. Now if (and […]

OLAP-Würfel

February 16, 2019/1 Comment/in Business Analytics, Business Intelligence, Data Warehousing, InMemory, Main Category /by Jurek Dörner

Der OLAP-Würfel Alles ist relativ! So auch die Anforderungen an Datenbanksysteme. Je nachdem welche Arbeitskollegen/innen dazu gefragt werden, können unterschiedliche Wünschen und Anforderungen an Datenbanksysteme dabei zu Tage kommen. Die optimale Ausrichtung des Datenbanksystems auf seine spezielle Anwendung hin, setzt den Grundstein für eine performante und effizientes Informationssystem und sollte daher wohl überlegt sein. Eine […]

Business Intelligence Organizations

February 5, 2019/0 Comments/in Uncategorized /by Benjamin Aunkofer

I am often asked how the Business Intelligence department should be set up and how it should interact and collaborate with other departments. First and foremost: There is no magic recipe here, but every company must find the right organization for itself. Before we can talk about organization of BI, we need to have a […]

Fehler-Rückführung mit der Backpropagation

January 29, 2019/0 Comments/in Artificial Intelligence, Deep Learning, Machine Learning, Main Category, Mathematics, Predictive Analytics /by Benjamin Aunkofer

Dies ist Artikel 4 von 6 der Artikelserie –Einstieg in Deep Learning. Das Gradienten(abstiegs)verfahren ist der Schlüssel zum Training einzelner Neuronen bzw. deren Gewichtungen zu den Neuronen der vorherigen Schicht. Wer dieses Prinzip verstanden hat, hat bereits die halbe Miete zum Verständnis des Trainings von künstlichen neuronalen Netzen. Der Gradientenabstieg wird häufig fälschlicherweise mit der Backpropagation […]

Cross-industry standard process for data mining

January 17, 2019/0 Comments/in Data Engineering, Data Mining, Data Science, Data Science Hack, Data Science News, Machine Learning, Python, R Statistics /by Aakash Chugh

Introduced in 1996, the cross-industry standard process for data mining (CRISP-DM) became the most common procedure for all data mining projects. This method consists of six phases: Business understanding, Data understanding, Data preparation, Modeling, Evaluation and Deployment (see Figure 1). It is being used not just as a reference manual but as a user guide […]

Training eines Neurons mit dem Gradientenverfahren

January 13, 2019/1 Comment/in Artificial Intelligence, Data Science, Data Science Hack, Deep Learning, Machine Learning, Main Category, Mathematics, optimization, Predictive Analytics, Python /by Benjamin Aunkofer

Dies ist Artikel 3 von 6 der Artikelserie –Einstieg in Deep Learning. Das Training von neuronalen Netzen erfolgt nach der Forward-Propagation über zwei Schritte: Fehler-Rückführung über aller aktiver Neuronen aller Netz-Schichten, so dass jedes Neuron “seinen” Einfluss auf den Ausgabefehler kennt. Anpassung der Gewichte entgegen den Gradienten der Fehlerfunktion Beide Schritte werden in der Regel zusammen […]

Über die Integration symbolischer Inferenz in tiefe neuronale Netze

January 7, 2019/1 Comment/in Data Science Hack, Deep Learning, Java, Machine Learning, Natural Language Processing, Text Mining, Tool Introduction, Tutorial /by Lukas Molzberger

Tiefe neuronale Netze waren in den letzten Jahren eine enorme Erfolgsgeschichte. Viele Fortschritte im Bereich der KI, wie das Erkennen von Objekten, die fließende Übersetzung natürlicher Sprache oder das Spielen von GO auf Weltklasseniveau, basieren auf tiefen neuronalen Netzen. Über die Grenzen dieses Ansatzes gab es jedoch nur wenige Berichte. Eine dieser Einschränkungen ist die […]