Refine
Document Type
- Conference Proceeding (8)
- Article (unreviewed) (3)
- Article (reviewed) (2)
- Part of a Book (2)
- Book (1)
- Other (1)
- Report (1)
- Working Paper (1)
Conference Type
- Konferenzartikel (8)
Is part of the Bibliography
- yes (19)
Keywords
- Machine Learning (3)
- Business Intelligence (2)
- Data Science (2)
- Agile Business (1)
- Aufzeichnung (1)
- BI-System (1)
- Data-Warehouse-Konzept (1)
- E-Learning (1)
- Hochschule , Business Intelligence (1)
- Hochschulen (1)
Institute
- Fakultät Elektrotechnik und Informationstechnik (E+I) (bis 03/2019) (10)
- Fakultät Elektrotechnik, Medizintechnik und Informatik (EMI) (ab 04/2019) (7)
- IMLA - Institute for Machine Learning and Analytics (5)
- Fakultät Medien und Informationswesen (M+I) (bis 21.04.2021) (4)
- Fakultät Wirtschaft (W) (4)
- IfTI - Institute for Trade and Innovation (1)
Open Access
- Open Access (10)
- Closed Access (6)
- Bronze (1)
Machine Learning als Schlüsseltechnologie für Digitalisierung: Wie funktioniert maschinelles Lernen?
(2019)
Apache Hadoop is a well-known open-source framework for storing and processing huge amounts of data. This paper shows the usage of the framework within a project of the university in cooperation with a semiconductor company. The goal of this project was to supplement the existing data landscape by the facilities of storing and analyzing the data on a new Apache Hadoop based platform.
Einleitung
(2019)
Agile Business Intelligence als Beispiel für ein domänenspezifisch angepasstes Vorgehensmodell
(2016)
Business-Intelligence-Systeme stellen durch ihre Unterstützung bei der Entscheidungsfindung für Unternehmen eine wichtige Rolle dar. Mit einer stetig dynamischeren Unternehmensumwelt geht daher die Anforderung nach der agilen Entwicklung dieser Systeme einher, so dass in der BI-Domäne zunehmend erfolgreich agile Methoden und Vorgehensmodelle eingesetzt werden. Die Weiterentwicklung und Anpassung von BI-Systemen ist dahingehend besonders, dass diese in der Regel langjährig gewachsenen Systemen und Strukturen betreffen, die strengen regulatorischen Rahmenbedingungen unterliegen, was eine Herausforderung für agile Vorgehensweisen darstellt. Wurden die Werte und Prinzipien des agilen Manifests [AM01] und die daraus abgeleiteten Methoden zu Beginn meist eins zu eins auf den Bereich BI übertragen, so hat sich das Verständnis von BI- Agilität als ganzheitliche Eigenschaft der BI im deutschsprachigen Raum etabliert, und agile Me- thoden wurden auf die Besonderheiten der BI-Domäne adaptiert. In diesem Beitrag werden BI-Agilität und Agile BI erläutert, ein Ordnungsrahmen für Maßnahmen zur Steigerung der BI-Agilität eingeführt sowie Herausforderungen bei Agile BI erläutert.
Aufgrund der zunehmenden Bedeutung von E-Prüfungen an Hochschulen und Universitäten werden Lösungen benötigt, die eine einfache, schnelle und sichere Nutzung von bestehenden Poolräumen für verschiedene Prüfungsszenarien ermöglichen. Das Projekt bwLehrpool hat in der Vergangenheit gezeigt, dass mit Hilfe von Virtualisierung eine große Anzahl an unterschiedlichen, individualisierten Lehrumgebungen flexibel und räumlich unabhängig verteilt werden kann. Im nächsten Schritt sollen nun Erweiterungen entwickelt werden, die diese Flexibilität auch für elektronische Prüfungen nutzbar macht. Dabei gilt es vor allem, die Vorteile, wie z.B. die Nutzung von Softwareunterstützung für realitätsnahe Aufgabenstellungen, mit der Notwendigkeit nach größtmöglicher Sicherheit und schneller Umrüstzeit der Infrastruktur in Einklang zu bringen. Um den aktuellen Entwicklungsstand zu testen, wurde im Wintersemester 2015/2016 an der Hochschule Offenburg eine E-Prüfung unter bwLehrpool durch über 140 Studierende durchgeführt. Die Ergebnisse zeigen, dass die Anforderungen bisher erfolgreich umgesetzt werden konnten, allerdings noch mehr manueller Aufwand nötig ist, als gewünscht. Der Ablauf soll in Zukunft weiter vereinfacht und verstetigt werden.
This paper describes the concept and some results of the project "Menschen Lernen Maschinelles Lernen" (Humans Learn Machine Learning, ML2) of the University of Applied Sciences Offenburg. It brings together students of different courses of study and practitioners from companies on the subject of Machine Learning. A mixture of blended learning and practical projects ensures a tight coupling of machine learning theory and application. The paper details the phases of ML2 and mentions two successful example projects.