Die Ringvorlesung "Data Engineering in der Praxis" ist offen für Bachelor- und Masterstudenten im Studiengang IT Systems Engineering. Im Rahmen der Vorlesung werden Gastredner aus Wirtschaft und Wissenschaft über aktuelle Erfahrungen im Praxiseinsatz moderner Technologien zur Verarbeitung und Auswertung großer Datenmengen berichten.
Das Verarbeiten und die Analyse großer Datenmengen beherrscht mehr und mehr den Alltag vieler Unternehmen. Nicht nur traditionelle IT-Unternehmen, sondern alle Unternehmen, bei denen Daten anfallen, möchten daraus Kapital schlagen. Daten entstehen in allen Industrie- und Handelsbereichen: angefangen von Produktionsprozessen, über Logistik, Verkauf und Konsum. Dazu kommen Kundendaten, Marktforschungsdaten und Daten während des Betriebs, beispielsweise von Fahrzeugen. Auch Internetanwendungen produzieren Unmengen an Daten, man denke nur an soziale Medien oder E-Commerce-Anwendungen. Neue Algorithmen aus den Bereichen Data Mining und maschinellem Lernen müssen nicht nur mit großen Datenmengen umgehen können, sondern oft auch weiteren Anforderungen, wie Echtzeit oder der Analyse von Datenströmen, genügen. Um diese spannenden Bereiche nicht nur in der Theorie kennenzulernen, wollen wir in dieser Ringvorlesung Gastredner aus Wirtschaft und Wissenschaft einladen, über praktische Lösungen im Umgang mit Big Data zu berichten.
Einführung | 01:09:27 | |
---|---|---|
Einführung | 00:07:24 | |
Organisatorisches | 00:18:20 | |
Information Systems | 00:09:29 | |
Enterprise Plattform | 00:14:54 | |
Knowledge Discovery and Data Mining | 00:10:30 | |
Web Science | 00:08:50 |
Data Engineering in the Newsroom | 01:20:45 | |
---|---|---|
Vorstellung | 00:12:14 | |
Technologies in Newsrooms | 00:15:14 | |
Data Journalism | 00:08:56 | |
Data Fusion and load | 00:13:21 | |
Technical Challenges in Journalism | 00:00:00 |
Queue Mining | 01:15:12 | |
---|---|---|
Introduction | 00:11:27 | |
Agenda | 00:09:55 | |
Finding Event Data Abstractions | 00:18:10 | |
IL - Miner - Overview | 00:00:00 | |
Folding Ide | 00:15:45 |
The science behind Visual Analytics | 01:22:31 | |
---|---|---|
The beatiful science of data visualization | 00:14:47 | |
Principles of Visual Perception | 00:32:34 | |
Big Data from a Tableau Percpective | 00:15:42 | |
A look behind the scenes | 00:19:28 |
Data Engineering for Job Recommendations | 01:20:01 | |
---|---|---|
Concepts & Algorithms | 00:45:29 | |
Engineering | 00:23:13 | |
Open Challenges | 00:11:19 |
Modern Stream Production with Apache Flink | 01:22:13 | |
---|---|---|
History & Community of Flink | 00:13:36 | |
Apache Flink in a Nutshell | 00:11:02 | |
Designing data-centric applications | 00:16:44 | |
What users built on checkpoints | 00:06:19 | |
Flinks's relational APIs | 00:18:31 | |
Continous Querries in Flink | 00:16:01 |
SAP Leonardo Machine Learning | 00:59:48 | |
---|---|---|
Eating the world... | 00:13:15 | |
Reality behind AI | 00:06:45 | |
Become an intelligent Enterprise | 00:08:22 | |
How so we do it? | 00:08:40 | |
SAP Brand Impact | 00:12:04 | |
SAP Accounts Payable | 00:10:42 |
Matrix Factorization Techniques for Recommender Systems | 00:50:44 | |
---|---|---|
The Basic Matrix Factorization Model | 00:07:14 | |
Intuition behindlatent factor models | 00:16:25 | |
Algorithms | 00:14:55 | |
Some Related Tasks and Methods | 00:12:10 |
Exabytes for Breakfast | 00:48:53 | |
---|---|---|
What is Big Data? | 00:09:56 | |
Data Lake Analytics | 00:09:16 | |
Spectrum Architecture | 00:08:31 | |
Query Planning | 00:14:37 | |
Converting | 00:06:33 |
Eating News from the Web | 00:52:29 | |
---|---|---|
Motivation | 00:06:56 | |
Use Cases in the Newsroom | 00:15:33 | |
Text Analytics Tools | 00:12:10 | |
System Architecture | 00:10:24 | |
Applications | 00:07:26 |
Data Management Challenges in Machine Learning Pipelines | 01:15:53 | |
---|---|---|
Introduction | 00:13:13 | |
Common Preprocessing Operations | 00:21:09 | |
Demand Forecasting at Amazon | 00:22:49 | |
Problem Definition | 00:18:42 |