Podcasts about diese methoden

Er bezeichnet sich selbst als menschliche Kanonenkugel - in seinem zweiten ChefTreff Interview klärt Max Wittrock, was es mit dieser Personenbeschreibung auf sich hat und weshalb er nach bereits 13 Jahren mymuesli-Erfolg immer noch fürs Gründen brennt. Außerdem reden Max und Sven über die Antriebskraft einer Idee, als zentraler Aspekt eines jeden coolen Startups, und zu welchem Tool er persönlich bei der Entwicklung zum konkreten Konzept greift. Denn Max ist davon überzeugt, dass “Du Ideen kreieren kannst, auch wenn Du denkst Du bist nicht kreativ genug” und bestimmte Methoden Dir ermöglichen, immer wieder neu um die Ecke zu denken. Diese Methoden, seine bisherigen Erfahrungen, sein Startup-Marketingwissen und noch viel mehr teilt Max in seiner Coaching Class der K5 SCHOOL OF MASTERMINDS. >> Infos & Teilnahme zur Coaching Class “In 5 Schritten zur eigenen Geschäftsidee mit Max Wittrock” https://www.k5-school-of-masterminds.de/max-wittrock

  Viele bunte Persönlichkeitstests sind auf dem Markt und irgendwann hat man genug davon. Doch hier lohnt sich ein genaues Hinschauen: Der PSI-Test ist außergewöhnlich.  Persönlichkeitstrainerin Désirée Ditterich lag der Kontakt zu Menschen schon immer am Herzen. Nach einer zweijährigen Sprachausbildung in Cannes arbeitete Sie sieben Jahre lang als Flugbegleiterin bei der Deutschen Lufthansa. Ihre Ausbildungen und Stationen führten Sie von der Immobilienkauffrau, über die Event-Managerin, als Europäische Fundraising-Managerin heute zur Tätigkeit als Business Coach und PSI/EOS Beraterin der Uni Osnabrück. Désirée Ditterich hat dabei Ihren Fokus auf der Persönlichkeitsdiagnostik und dem Selbstmanagement. Sie berät Menschen schwerpunktmäßig im persönlichen und beruflichen Kontext. Was war der wichtigste Schritt, der Dich in Deinem Bewusstsein zur Expertin für Persönlichkeitsentwicklung gebracht hat?
 Meine feste Überzeugung ist es, dass in Allem was passiert, ein tieferer Sinn für jeden Einzelnen liegt und mit Humor und Lachen viele Dinge erträglicher sind. Mehr Mut und Zuversicht, sich selbst zu vertrauen und an sich zu glauben, sowie im Hier und im Jetzt zu sein, hilft dabei leichter in die Handlung zu kommen. Diese Methoden und diese Strategie unterstützt mich persönlich noch immer in schwierigen Situationen schadlos durch die Wellen des Lebens zu segeln.
 Deine Lieblings-Internet-Ressource?
 N-TV, YouTube, Spotify

 Deine Buchempfehlungen: Die Kraft aus dem Selbst (Julius Kuhl/Maja Storch) The Power of Now (Eckhart Tolle) Mit Kant am Ast der Dummheit sägen (Immanuel Kant) Kontaktdaten des Interviewpartners: Désirée Ditterich Im Zollhafen 24, 50678 Köln Telefon: 01732711633 www.methathronius.de    

Knowledge Discovery in Databases (KDD) ist der Prozess, nicht-triviale Muster aus großen Datenbanken zu extrahieren, mit dem Ziel, dass diese bisher unbekannt, potentiell nützlich, statistisch fundiert und verständlich sind. Der Prozess umfasst mehrere Schritte wie die Selektion, Vorverarbeitung, Evaluierung und den Analyseschritt, der als Data-Mining bekannt ist. Eine der zentralen Aufgabenstellungen im Data-Mining ist die Ausreißererkennung, das Identifizieren von Beobachtungen, die ungewöhnlich sind und mit der Mehrzahl der Daten inkonsistent erscheinen. Solche seltene Beobachtungen können verschiedene Ursachen haben: Messfehler, ungewöhnlich starke (aber dennoch genuine) Abweichungen, beschädigte oder auch manipulierte Daten. In den letzten Jahren wurden zahlreiche Verfahren zur Erkennung von Ausreißern vorgeschlagen, die sich oft nur geringfügig zu unterscheiden scheinen, aber in den Publikationen experimental als ``klar besser'' dargestellt sind. Ein Schwerpunkt dieser Arbeit ist es, die unterschiedlichen Verfahren zusammenzuführen und in einem gemeinsamen Formalismus zu modularisieren. Damit wird einerseits die Analyse der Unterschiede vereinfacht, andererseits aber die Flexibilität der Verfahren erhöht, indem man Module hinzufügen oder ersetzen und damit die Methode an geänderte Anforderungen und Datentypen anpassen kann. Um die Vorteile der modularisierten Struktur zu zeigen, werden (i) zahlreiche bestehende Algorithmen in dem Schema formalisiert, (ii) neue Module hinzugefügt, um die Robustheit, Effizienz, statistische Aussagekraft und Nutzbarkeit der Bewertungsfunktionen zu verbessern, mit denen die existierenden Methoden kombiniert werden können, (iii) Module modifiziert, um bestehende und neue Algorithmen auf andere, oft komplexere, Datentypen anzuwenden wie geographisch annotierte Daten, Zeitreihen und hochdimensionale Räume, (iv) mehrere Methoden in ein Verfahren kombiniert, um bessere Ergebnisse zu erzielen, (v) die Skalierbarkeit auf große Datenmengen durch approximative oder exakte Indizierung verbessert. Ausgangspunkt der Arbeit ist der Algorithmus Local Outlier Factor (LOF). Er wird zunächst mit kleinen Erweiterungen modifiziert, um die Robustheit und die Nutzbarkeit der Bewertung zu verbessern. Diese Methoden werden anschließend in einem gemeinsamen Rahmen zur Erkennung lokaler Ausreißer formalisiert, um die entsprechenden Vorteile auch in anderen Algorithmen nutzen zu können. Durch Abstraktion von einem einzelnen Vektorraum zu allgemeinen Datentypen können auch räumliche und zeitliche Beziehungen analysiert werden. Die Verwendung von Unterraum- und Korrelations-basierten Nachbarschaften ermöglicht dann, einen neue Arten von Ausreißern in beliebig orientierten Projektionen zu erkennen. Verbesserungen bei den Bewertungsfunktionen erlauben es, die Bewertung mit der statistischen Intuition einer Wahrscheinlichkeit zu interpretieren und nicht nur eine Ausreißer-Rangfolge zu erstellen wie zuvor. Verbesserte Modelle generieren auch Erklärungen, warum ein Objekt als Ausreißer bewertet wurde. Anschließend werden für verschiedene Module Verbesserungen eingeführt, die unter anderem ermöglichen, die Algorithmen auf wesentlich größere Datensätze anzuwenden -- in annähernd linearer statt in quadratischer Zeit --, indem man approximative Nachbarschaften bei geringem Verlust an Präzision und Effektivität erlaubt. Des weiteren wird gezeigt, wie mehrere solcher Algorithmen mit unterschiedlichen Intuitionen gleichzeitig benutzt und die Ergebnisse in einer Methode kombiniert werden können, die dadurch unterschiedliche Arten von Ausreißern erkennen kann. Schließlich werden für reale Datensätze neue Ausreißeralgorithmen konstruiert, die auf das spezifische Problem angepasst sind. Diese neuen Methoden erlauben es, so aufschlussreiche Ergebnisse zu erhalten, die mit den bestehenden Methoden nicht erreicht werden konnten. Da sie aus den Bausteinen der modularen Struktur entwickelt wurden, ist ein direkter Bezug zu den früheren Ansätzen gegeben. Durch Verwendung der Indexstrukturen können die Algorithmen selbst auf großen Datensätzen effizient ausgeführt werden.