Lecture Notes in Informatics

Permanent URI for this communityhttps://dl.gi.de/handle/20.500.12116/21

Die „GI-Edition: Lecture Notes in Informatics" (LNI) ist eine eigene Veröffentlichungsreihe der GI mit den Strängen: Proceedings, Dissertations, Seminars und Thematics. Alle in den LNI herausgegebenen Bände werden von GI-Gliederungen unterstützt und verantwortet.

Information und Ansprechpartner zur Reihe finden sich auf den Webseiten der GI unter https://gi.de/service/publikationen/lni

News

Authors with most Documents

Schroeder, Ulrik

Lucke, Ulrike

Busch, Christoph

Thomas, Oliver

Theuvsen, Ludwig

Browse

Search Results

1 - 2 of 2

Einsatz von Machine Learning im Innovationsmanagement
(Gesellschaft für Informatik, Bonn, 2022) Szafarski,Daniel; Beckmann,Helmut; Demmler, Daniel; Krupka, Daniel; Federrath, Hannes
In volatilen Zeiten, in denen die verfügbare Datenmenge stetig steigt, nehmen Unternehmen das IM in den Fokus, um ihre Wettbewerbsfähigkeit zu sichern. Aus diesem Grund ist eine stetig steigende Anzahl an Publikationen zu verzeichnen, welche sich aktuell insbesondere mit der frühphasigen Ideengenerierung mithilfe natürlich sprachlicher Texte beschäftigen. Zur Analyse werden sowohl unüberwachte als auch überwachte Lernverfahren angewendet, wobei insbesondere Clustering-Algorithmen sowie Klassifikations- und Regressionsanalysen genutzt werden. Die präskriptive Analyse sowie die geschäftsbezogenen Innovationen sind in diesem Zusammenhang noch kaum untersucht, weswegen sich hieraus weitergehender Forschungsbedarf ableiten lässt.
Anwendung von Machine Learning bei der datengetriebenen Prozessanalyse - Eine State-of-the-Art Literaturanalyse
(Gesellschaft für Informatik, Bonn, 2022) Welz,Laslo; Beckmann,Helmut; Demmler, Daniel; Krupka, Daniel; Federrath, Hannes
Die Disziplin Process Mining im Anwendungsbereich der datengetriebenen Prozessanalyse ermöglich die Abbildung realer Geschäftsprozesse durch die Extrahierung von Daten aus Eventlogs von Informationssystemen. Konventionelles Process Mining kann mit Ansätzen aus dem Bereich Machine Learning ergänzt werden, um die Prozessanalysen zu verbessern. Anhand einer Literaturanalyse untersucht diese Forschungsarbeit die Anwendung von Machine Learning bei Process Mining. Die Ergebnisse aus einer Stichprobe von 34 Publikationen zeigen, dass in den beiden Process Mining Bereichen „Discovery“ und „Enhancement“ die meisten Machine Learning-Methoden angewendet werden. Insbesondere ist die Anwendung von Entscheidungsbäumen und Neuronalen Netzen weit verbreitet.