Logo des Repositoriums

Auflistung nach Schlagwort "Neural network"

1 - 2 von 2
  • Zeitschriftenartikel
    Data Mining mit unsicheren Daten
    (HMD Praxis der Wirtschaftsinformatik: Vol. 55, No. 3, 2018) Kellner, Florian; Schröder, Nadine
    Im Zeitalter von Big Data werden immense Informationsbestände aus unterschiedlichen Quellen gesammelt. Die Daten sind häufig unvollständig, unsicher und ungenau. Ein Beispiel hierfür ist das OpenStreetMap Projekt, bei dem Nutzer auf der ganzen Welt einmal mehr und einmal weniger „sauber“ bzw. vollständig Daten beisteuern. In diesem Beitrag wird gezeigt, ob sich diese Daten eignen um ein betriebswirtschaftliches Problem zu lösen. Ein konkretes Fallbeispiel verdeutlicht, wie gut Standortentscheidungen einer Fast Food Kette unter Anwendung fortgeschrittener datenanalytischer Verfahren, wie bspw. Künstlicher Neuronaler Netze, Entscheidungsbäume und Logit-Modelle, nachempfunden werden können. Als Grundlage dienen die Daten des OpenStreetMap Projekts. Im Konkreten geht es darum, potenzielle Filialstandorte hinsichtlich deren Güte mittels OpenStreetMap Daten zu klassifizieren und die prognostizierten Lokationen mit tatsächlichen Standortentscheidungen zu vergleichen. Dabei zeigt sich, dass die Daten des OpenStreetMap Projekts grundsätzlich für die Prognose von Standorten geeignet sind. Allerdings ist die Wahl des datenanalytischen Verfahrens von Bedeutung. Im vorliegenden Fall konnte mit Hilfe der Künstlichen Neuronalen Netze das beste Prognoseergebnis erzielt werden. In the age of big data, a huge amount of information is being collected from diverse sources. These data are often incomplete, uncertain, and imprecise. An excellent example is the OpenStreetMap project, where users across the whole world contribute data on a more or less precise and complete level. This article shows whether these data are suited to support management decisions. A real-world example illustrates the extent to which location decisions of a fast food restaurant chain may be reproduced by means of advanced data analytic techniques, such as neural networks, decision trees, and logit models. The data are retrieved form the OpenStreetMap project. The basic task deals with classifying potential locations of the fast food restaurant chain and comparing the predicted locations with the actual locations. We find that data based on the OpenStreetMap project are generally suited for forecasting locations. However, the choice of the data analytic technique is important. In the case under consideration, neural networks resulted in the best forecast.
  • Zeitschriftenartikel
    Exploiting Latent Embeddings of Nominal Clinical Data for Predicting Hospital Readmission
    (KI - Künstliche Intelligenz: Vol. 29, No. 2, 2015) Krompaß, Denis; Esteban, Cristóbal; Tresp, Volker; Sedlmayr, Martin; Ganslandt, Thomas
    Hospital readmissions of patients put a high burden not only on the health care system, but also on the patients since complications after discharge generally lead to additional burdens. Estimating the risk of readmission after discharge from inpatient care has been the subject of several publications in recent years. In those publications the authors mostly tried to directly infer the readmission risk (within a certain time frame) from the clinical data recorded in the medical routine such as primary diagnosis, co-morbidities, length of stay, or questionnaires. Instead of using these data directly as inputs for a prediction model, we are exploiting latent embeddings for the nominal parts of the data (e.g., diagnosis and procedure codes). These latent embeddings have been used with great success in the natural language processing domain and can be constructed in a preprocessing step. We show in our experiments, that a prediction model that exploits these latent embeddings can lead to improved readmission predictive models.