TY - GEN A1 - Mohren, Henning T1 - Jahresbericht der Campus IT 2013 N2 - Das Jahr 2014 ist nach aktueller Planung das Umzugsjahr für die Campus IT auf den Campus Derendorf. Damit Fachbereiche, zentrale Einrichtungen sowie Hochschulverwaltung auf dem neuen Campus reibungslos IT und Te-lefonie nutzen können, wird die Campus IT noch an den alten Standorten die IT Umgebung an die neuen Bedin-gungen anpassen und sodann den neuen Campus in Betrieb nehmen. Die Liste der bis dahin zu stemmenden Pro-jekte ist lang – von der Mittelakquise bis hin zum Betrieb des Netzwerks, der Server und den Anwendungen sind hier vielfältige und zeitintensive Aufgaben zu bewältigen... T3 - Jahresbericht der Campus IT - 2013 KW - Jahresbericht KW - Campus IT KW - CIT KW - FHD Y1 - 2014 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-8576 CY - Düsseldorf ER - TY - RPRT A1 - Lenffer, Lynn Nari A1 - Rakow, Thomas C. T1 - Entwicklung eines interaktiven Informations-Kiosks N2 - Der Informations-Kiosk bietet Studierenden Informationen über aktuelle und offene Projekte und Abschlussarbeiten, Veranstaltungen sowie Live-Daten zum Mensaangebot, Nahverkehr oder dem Wetter. Für diese Anwendung werden die Anforderungs- und die Risikoanalyse, die Gestaltung und die technische Realisierung gemäß den Phasen der Softwareentwicklung beschrieben. Der Kiosk wird mit einem CMS implementiert und durch einen Webserver im Labor zur Nutzung bereitgestellt. Es wird gezeigt, dass die Entwicklung alle Basis- und Leistungsanforderungen erfüllt und auf Grundlage der entwickelten Architektur des Continuous Software Development Entwicklung und Betrieb integriert. KW - interaktiver Informations-Kiosk KW - Hg_TCR KW - Continuous Software Development KW - semi-öffentlicher Raum KW - Online-Marketing Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-15801 PB - Hochschule Düsseldorf CY - Düsseldorf ER - TY - GEN A1 - Mohren, Henning T1 - Jahresbericht der Campus IT 2012 N2 - Dieser Jahresbericht der Campus IT der Fachhochschule Düsseldorf ist ein Beleg für das weitere quantitative und qualitative Wachstum dieser Einrichtung. Eine moderne IT ist essentiell für die Wettbewerbsfähigkeit der Hochschulen. Die Campus IT hat im Jahr 2012 gezeigt, dass sie diesen Auftrag verstanden hat und mit Drittmitteleinnahmen dafür gesorgt hat, das Bild der modernen IT Realität werden zu lassen. Diesem Ziel verschreiben wir uns weiterhin, so dass die Hochschule auch in Zukunft auf eine moderne Campus IT setzen kann. T3 - Jahresbericht der Campus IT - 2012 KW - Jahresbericht KW - Campus IT KW - CIT KW - FHD Y1 - 2013 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-7796 CY - Düsseldorf ER - TY - GEN A1 - Vogel, Peter T1 - Marktdaten T2 - Trading N2 - Die in der Schriftenreihe Trading verwendeten Forschungsdaten beinhalten historische Kursdaten, geliefert von Lenz+Partner AG (Deutschland), für eine Auswahl an Aktien. Die Datei „FEBRDUSA_1“ zeigt diese Auswahl in Form der deutschen Wertpapierkennnummer (Spalte „Titel“), des Handelszeitraums (Spalten „Beginn“ und „Ende“) und des Aktiennamens. Kursdaten sind in dieser Datei nicht enthalten, sondern liegen in einer umfangreichen Datenbank vor. Die Marktdaten umfassen 867 Aktien und sind das Ergebnis eines im Jahr 2015 durchgeführten Auswahlprozesses mit dem Ziel, Datenqualität und Handelbarkeit der Aktien zu verbessern. Es wurden folgende Bedingungen gefordert: - Die Aktien werden an der Frankfurter Börse gehandelt. - Sie sind in einem der deutschen Aktienindizes DAX, MDAX, TECDAX, SDAX, HDAX, CDAX, Technology All Share, Prime All Share und GEX oder in den amerikanischen Aktienindizes S&P 500 oder Nasdaq 100 gelistet. - Die Kursdaten der in Frankfurt gehandelten Aktien enden nicht vor dem Jahr 2014. - Der (unbereinigte) Eröffnungskurs Ende 2013 beträgt mindestens 1 EUR. Diese Bedingung soll dazu beitragen, das Handeln von „penny stocks“ zu verhindern. Die vorliegende Marktdefinition resultierte in 867 Aktien, die frühestens am 11. Dezember 2014 enden, sodass eine Auswertung der Marktdaten mit vollständigen Kurswerten bis zu diesem Zeitpunkt möglich ist. Der Markt ist groß genug, um interessante Kaufbedingungen mit einer ausreichend großen Anzahl an Kaufkandidaten zu untersuchen. T3 - Trading - 1.1 KW - trading Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-15015 UR - https://opus4.kobv.de/opus4-hs-duesseldorf/815 UR - https://doi.org/10.20385/2567-2347/2018.2 SN - 2567-2347 PB - Hochschule Düsseldorf CY - Düsseldorf ER - TY - GEN A1 - Kirch, Marvin Sebastian T1 - Einstieg in die Thematik und Prototypenbau eines neuronalen Netzes zur Reduktion von manueller Nacharbeit bei der Verknüpfung von Daten zu Patienten N2 - Das Landeskrebsregister (LKR) Nordrhein-Westfalen (NRW) erfasst Daten zu Krebserkrankungen von Patienten von Ärzten, Krankenhäusern, Pathologien und Meldeämtern aus ganz NRW um diese auszuwerten. Für die Auswertung müssen Daten, die den gleichen Patienten betreffen, zusammen- geführt werden. Zur Verknüpfung gibt es einen automatischen Record-Linkage Algorithmus, der aber bei ca. 5% aller Meldungen eine manuelle Entscheidung erfordert. Um den Aufwand der manuellen Nachbearbeitung zu reduzieren, soll der Vorgang durch ein künstliches neuronales Netz automatisiert werden. Das künstliches neuronales Netz (KNN) soll mit dem LKR NRW vorliegenden Daten zu manuellen Entscheidungen trainiert werden. Dafür müssen die Daten vor der Verwendung umfangreich aufbereitet werden. Das Ziel der Arbeit ist die Aufarbeitung und Aktualisierung eines vorliegenden Konzepts und die Implementierung eines Prototypen des Verfahrens. Der Prototyp soll in der Programmiersprache Java umgesetzt werden. Die folgende Arbeit beginnt mit einer kurzen Einleitung über die Krankheit Krebs, das LKR NRW und KNN. Danach erläutere ich die Methodik, die sich mit und die Implementierung des Themas. In der Methodik erkläre ich was KNN sind und schneide ihre Funktionsweise an. Außerdem erkläre ich wie die Bereitstellung der Daten erfolgt und wie diese für das neuronale Netz verständlich aufbereitet werden. Zur Implementierung werde ich beschreiben was für eine Entwicklungsumgebung verwendet wurde um das Projekt umzusetzen und wie das Programm umgesetzt wurde. Die Erklärung der Umsetzung besteht aus Unified Modeling Language (UML)-Diagrammen für die Datenaufbereitung und Code-Ausschnitte für die Konfiguration und Schnittstellen des KNN. Das KNN konnte inklusive Datenaufbereitung erstellt werden und klassifiziert 94,4% der Fälle korrekt. Auf Grundlage dieser Arbeit kann das Projekt nachgebaut werden. KW - Neuronales Netz KW - Record Linkage KW - Neuronal Network KW - Record Linkage KW - Java Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-30016 PB - Hochschule Düsseldorf CY - Düsseldorf ER - TY - VIDEO A1 - Lambert, Jens ED - Rakow, Thomas C. T1 - Podcast: Einführung in Oracle SQL Command Line (SQLcl) N2 - Als Einführung in die Benutzung der Software SQL Developer Command Line (SQLcl) von Oracle werden folgende Aktionen erklärt: Anmelden, Ausgeben von Tabellen und ihren Metadaten, Verwenden der Befehlshistorie, Formatieren der Ausgabe, Speichern, Bearbeiten und Wiederverwenden von Befehlen sowie das Anlegen von Logdateien. Vorausgesetzt werden geringe Vorkenntnisse von relationalen Datenbankmanagementsystemen mit SQL. Das Video wurde im Rahmen des Projektes EILD.nrw entwickelt, gefördert durch das Ministerium für Kultur und Wissenschaft gemeinsam mit der Digitalen Hochschule NRW (DH.NRW) in der Förderlinie „OERContent.nrw“ (Open Education Resources). KW - Datenbanksysteme KW - Oracle SQLc Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-34619 CY - Düsseldorf ER - TY - RPRT A1 - Jackszis, Arabella T1 - Diskriminierung im Machine Learning und Erklärbarkeit von Algorithmen T1 - Discrimination in machine learning and explainability of algorithms N2 - Künstliche Intelligenz und Machine Learning sind hochaktuelle Themen in der Informatik. Fortschrittliche Technologien und Vorgehensweisen schaffen neue Einsatzfelder für Anwendungen, die Verhaltensweisen des Menschen erlernen und nachahmen. Dieses innovative Vorgehen birgt jedoch einige Gefahren. Das menschliche Verhalten ist nicht immer objektiv und korrekt. Oft beherrschen Vorurteile das Treffen menschlicher Entscheidungen, sodass Personen diskriminiert werden. Es besteht das Risiko, dass Maschinen diese Verhaltensweise übernehmen. Hinzu kommt die fehlende Erklärbarkeit der Algorithmen. Je nach Modell ist nicht eindeutig, nach welchen Prinzipien eine Entscheidung getroffen wird. Das erschwert das Aufdecken von Diskriminierung und senkt die Vertrauenswürdigkeit des Systems. In dieser Arbeit werden Ursachen für Diskriminierung und fehlende Transparenz, sowie Lösungsmethoden erarbeitet. Dabei wird erörtert, inwieweit die beiden Themen aufeinander einspielen und gemeinsam zur Qualität der Software beitragen. N2 - Artificial Intelligence and Machine Learning are matters of high interest in Information Technology. Advanced technologies and approaches are creating new areas of use for applications that study and imitate human behavior. At the same time, this innovative approach poses new dangers. Human behavior is not always objective and correct. Prejudice often dominates human decisions and therefore leads to discrimination. There is a risk that machines adopt this behavior. On top of this, algorithms are often not explainable. Depending on the model, the principles that are relevant for the decision are not clear. This makes it harder to detect discrimination and reduces the trustworthiness of a system. In this paper, causes of bias in Machine Learning and the lack of transparency, as well as methods to eliminate these problems, are elaborated. It works out the interaction between the two issues and how they contribute to the quality of the software. KW - Diskriminierung KW - Discrimination KW - Fairness KW - Erklärbarkeit KW - Nachvollziehbarkeit KW - Transparenz KW - Machine Learning KW - explainability KW - transparency KW - artificial intelligence KW - machine learning KW - traceability KW - Künstliche Intelligenz KW - Hg_TCR Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-25075 VL - Arbeitspapier des Lehrgebiets Datenbanken und E-Business, Nr. 2/2021 CY - Düsseldorf ER - TY - JOUR A1 - Versümer, Siegbert A1 - Steffens, Jochen A1 - Blättermann, Patrick A1 - Becker-Schweitzer, Jörg T1 - Modelling evaluations of low-level sounds in everyday situations using linear machine learning for variable selection JF - Frontiers in Psychology KW - DOAJ Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-23779 SN - 1664-1078 N1 - Supplementary Material The Supplementary Material for this article can be found online at: https://www.frontiersin.org/articles/10.3389/fpsyg.2020.570761/full#supplementary-material VL - 11 PB - Frontiers ER - TY - CHAP A1 - Tiator, Marcel A1 - Geiger, Christian A1 - Grimm, Paul ED - Dilkina, B. ED - Catala, A. ED - Giacomo, G. De T1 - Point Cloud Segmentation with Deep Reinforcement Learning T2 - ECAI 2020: 24th European Conference on Artificial Intelligence, 29 August-8 September 2020, Santiago De Compostela, Spain - Including 10th Conference on Prestigious Applications of Artificial Intellig Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-30872 SN - 978-1-64368-100-9 SP - 2768 EP - 2775 PB - IOS Press ER - TY - CHAP A1 - Rakow, Thomas C. A1 - Focken, Mareike ED - Wojciechowski, Manfred T1 - EILD.nrw – Evaluation von Lehrinhalten im Fach Datenbanken T2 - Forschungsreport 2021 N2 - Zur Qualitätssicherung werden die im Projekt EILD.nrw erstellten Lern- und Lehrmodule wie Quizze, interaktive Tools und Lehrvideos in der aktuellen Lehre an der HSD eingesetzt und regelmäßig quantitativ und qualitativ evaluiert. Verbesserungen werden eingearbeitet und die Inhalte um Metadaten und Beschreibungen sowie Hinweise für Lehrende und Lernende erweitert. Im weiteren Verlauf des Projektes werden die entwickelten Inhalte jeweils durch die Projektpartner der anderen Hochschulen auch in ihren Kursen evaluiert. Die Evaluationen an der HSD werden mittels der Moodle-Aktivität „Feedback“ in verschiedenen Frequenzen und Zeiträumen durchgeführt. Zu den Aufgaben oder eingesetzten Tools werden quantitativ mittels skalierter Antworten die Themen Zufriedenheit, Gefallen, Bearbeitungszeit, Schwierigkeitsgrad, hilfreich für die Bearbeitung oder Benutzerfreundlichkeit abgefragt. Der qualitative Teil enthält in der Regel eine offene Frage mit der positiv formulierten Bitte um Verbesserungsvorschläge. Die Teilnahme am Feedback ist anonym, freiwillig und die bereits abgegebenen Bewertungen sind sichtbar für alle Kursteilnehmenden. Die Evaluationsergebnisse werden in den Lerneinheiten als Open Educational Resources (OER) dokumentiert, um Studierenden und Lehrenden eine Hilfe zur Auswahl an die Hand zu geben. N2 - For quality assurance, the learning and teaching modules created in the EILD.nrw project for the subject of databases are used in ongoing teaching and regularly evaluated quantitatively and qualitatively. According to the evaluation, the content is improved before it is published in an OER platform of the state of North Rhine-Westphalia. The evaluation results are documented as a quality criterion in the OERs, which can help students and teachers to select suitable OERs. Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-36892 UR - https://doi.org/10.20385/opus4-3648 SP - 138 EP - 139 CY - Düsseldorf ER -