Eigenschaften: *[ [„künstliche“ Generierung von Wissen aus Erfahrung] [„erkennt“ Gesetzmäßigkeiten in den Lerndaten] [System kann auch unbekannte Daten beurteilen] [symbolisches System: Wissen explizit repräsentiert] [subsymbolisches System: Wissen implizit repräsentiert, Regeln nicht explizit formuliert/formulierbar] ]* Algorithmische Ansätze: *[ [Überwachtes Lernen: korrekte Funktionswert steht in der Lernphase bereit] [Unüberwachtes Lernen: erzeugt für eine gegebene Menge von Eingaben ein Modell, das die Eingaben beschreibt und Vorhersagen ermöglicht] [Bestärkendes Lernen: der Algorithmus lernt durch Verstärkung eine Taktik, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Agenten zu maximieren.] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist großen Datenbeständen. In Abgrenzung zum Data Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate. Die Teilschritte des KDD-Prozesses sind *[ [Bereitstellung von Hintergrundwissen für den jeweiligen Fachbereich] [Definition der Ziele der Wissensfindung] [Datenauswahl] [Datenbereinigung] [Datenreduktion (z. B. durch Transformationen)] [Auswahl eines Modells, in dem das gefundene Wissen repräsentiert werden soll] [Data-Mining, die eigentliche Datenanalyse] [Interpretation der gewonnenen Erkenntnisse] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

*[ [analytisches Informationssystem] [hypothesengestützte Analysemethode] [Datenbestand im Data Warehouse] [komplexe Analysevorhaben] [multidimensionale Analyse zur Entscheidungsunterstützung] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Extraktion der relevanten Daten aus verschiedenen Quellen
Transformation der Daten in das Schema und Format der Zieldatenbank
Laden der Daten in die Zieldatenbank

Syntaktische Transformation und Semantische Transformation [ [Eliminierung von Duplikaten] [Schlüsselanpassung] [Anpassung von Datenwerten] [Umrechnung von Maßeinheiten] [Aggregation] [Anreicherung] ]

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

*[ [automatisches Auswerten großer Datenbestände mit Hilfe statistischer Verfahren] [neue Muster im Datenbestand erkennen] [brauchbare Zeitkomplexität in großen Datenbeständen gefordert] [explorative Datenanalyse] [Güte: prädiktive und deskriptive Genauigkeit] ]* Problemtypen: *[ [Beschreibungsproblem: Beschreibung der kausalen Zusammenhänge des Datengenerierungsprozesses] *[ [Beschreibung: Zusammenfassung der Daten in kompakter Form] [Abweichungsanalyse: Abweichung von einer Norm] [Abhängigkeitsanalyse: Entdeckung von signifikanten Dependenzen zwischen den Attributen eines Informationsobjektes] [Clustering: Bildung von Klassen] ]* [Prognoseproblem: soll erwarteten Output eines Inputs unter variablen Umweltbedingungen errechnen] *[ [Klassifikation: konstruiere Modelle, mit denen Informationsobjekte anhand von objekt- und umweltspezifischen Eigenschaften vordefinierten Klassen zugeteilt werden können] [Wirkungsprognose: quantitative Zielwerte bestimmen] ]* ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

zentrale Datensammlung, deren Inhalt sich aus Daten unterschiedlicher Quellen zusammensetzt, dient der Informationsintegration globale Sicht auf heterogene und verteilte Datenbestände Ziele: Integration von Daten aus verteilten und unterschiedlich strukturierten Datenbeständen, um im Data-Warehouse eine globale Sicht auf die Quelldaten und damit übergreifende Auswertungen zu ermöglichen. Separation der Daten, die für das operative Geschäft genutzt werden, von solchen Daten, die im Data-Warehouse z. B. für Aufgaben des Berichtswesens, der Entscheidungsunterstützung, der Geschäftsanalyse sowie des Controllings und der Unternehmensführung verwendet werden.

[ [Datenbeschaffung, Datenintegration (Staging) und Weiterverarbeitung im ETL-Prozess] [Datenhaltung, das heißt die langfristige Speicherung der Daten im Data-Warehouse] [Versorgung und Datenhaltung der für die Analyse notwendigen separaten Datenbestände, den Data-Marts] [Datenauswertung und -analyse] ]

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Ziel ist es, die Anforderungen des Auftraggebers an das zu entwickelnde System zu ermitteln. Kriterien der Anforderungssammlung: *[ [vollständig – alle Anforderungen des Kunden müssen explizit beschrieben sein, es darf keine impliziten Annahmen geben] [eindeutig definiert / abgegrenzt – präzise Definitionen] [verständlich beschrieben] [atomar – es darf nur eine Anforderung pro Abschnitt oder Satz beschrieben sein. Das Kriterium für ein „Atom“ sollte die Entscheidbarkeit einer Anforderung sein.] [identifizierbar – jede Anforderung muss eindeutig identifizierbar sein] [einheitlich dokumentiert – die Anforderungen und ihre Quellen sollten nicht in unterschiedlichen Dokumenten stehen oder unterschiedliche Strukturen haben.] [notwendig – gesetzliche Vorschriften sind unabdingbar.] [nachprüfbar – die Anforderungen sollten mit Abnahmekriterien verknüpft werden, damit bei der Abnahme geprüft werden kann, ob die Anforderungen erfüllt wurden.] [rück- und vorwärtsverfolgbar – damit einerseits erkennbar ist, ob jede Anforderung vollständig erfüllt wurde und andererseits für jede implementierte Funktionalität erkennbar ist, aus welcher Anforderung sie resultiert, also nicht Überflüssiges entwickelt wird.] [Konsistenz – Konsistenz beschreibt den Grad, in dem die definierten Anforderungen untereinander widerspruchsfrei sind.] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Managementaufgabe für die effiziente und fehlerarme Entwicklung komplexer Systeme
umfasst Anforderungsdefinition und Anforderungsverwaltung
Anforderungsdefinition *[ [Anforderungserhebung / Requirements Elicitation] [Anforderungsdokumentation / Requirements Documentation] [Anforderungsvalidierung /Requirements Validation] ]* Anforderungsverwaltung *[ [Risikomanagement] [Änderungsmanagement] [Umsetzungsmanagement] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Kriterien der Software-Ergonomie nach ABC-Modell: *[ [Aufgabenangemessenheit: geeignete Funktionalität, Minimierung unnötiger Interaktionen] [Selbstbeschreibungsfähigkeit: Verständlichkeit durch Hilfen / Rückmeldungen] Kriterien nach ABC-Modell [Steuerbarkeit (Dialog)|Steuerbarkeit: Steuerung des Dialogs durch den Benutzer] [Erwartungskonformität: Konsistenz, Anpassung an das Benutzermodell [Fehlertoleranz: erkannte Fehler: verhindern nicht das Benutzerziel - unerkannte Fehler: leichte Korrigierbarkeit] [Individualisierbarkeit: Anpassbarkeit an Benutzer und Arbeitskontext] [Lernförderlichkeit: Minimierung der Erlernzeit, Anleitung des Benutzers] [Eignung für das Kommunikationsziel: verwendete Informationen / Medien unterstützen die intendierten Kommunikationsziele.] [Eignung für Wahrnehmung und Verständnis: Inhalte sind so aufbereitet, dass sie gut rezipiert werden können und leicht verständlich sind.] [Eignung für die Exploration: Informationen sollen gut strukturiert sein, so dass die Erkundung der Informationen und das Stöbern in den Informationen leicht ist.] [Eignung für die Benutzungsmotivation: Das Programm soll zur Benutzung motivieren und eine hohe Bindung des Nutzers erreichen.] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Entscheidungsunterstützungssysteme sind Softwaresysteme, die für menschliche Entscheidungsträger für operative und strategische Aufgaben relevante Informationen ermitteln, aufbereiten, übersichtlich zusammenstellen und bei der Auswertung helfen. Dazu gehören Funktionen zur Sortierung und Filterung von Daten, ihre flexible Darstellung sowie Auswertungsmöglichkeiten wie Summen oder Durchschnittsberechnungen, Vergleiche etc. Weiter gehende Funktionen erlauben die Ausführung von Modellrechnungen (Szenarien, Prognosen) und die Verknüpfung der Daten mit Optimierungsalgorithmen.

Wichtig sind flexible Anpassung an sich ändernde inhaltliche und technische Gegebenheiten und wechselnde Fragestellungen flexible Änderung von Einstufungen der Relevanz von Informationen einfache Bedienbarkeit auch durch die Entscheidungsträger selbst

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :