Please disable Adblockers and enable JavaScript for domain CEWebS.cs.univie.ac.at! We have NO ADS, but they may interfere with some of our course material.

VU Workflow Technologies (052513)

VU Workflow Technologies (052513)

• FAQ Regarding Organsisation

• FAQ Regarding Content

• Dates

Assignments

Resources

• Chapter 1

• Chapter 2

• Chapter 3

• Chapter 4

• VirtualBox Images

LV: Stefanie Rinderle-Ma, «Juergen Mangler», «Patrik Koenig»
- contact only through Forum, NOT via mail or phone

FAQ Regarding Organsisation

Verpflichtende Vorbesprechung? Siehe «u:find»
Orte und Zeiten? Siehe «u:find»
Anwesenheitspflicht? Nein

FAQ Regarding Content

Beurteilung und weitere Informationen? Siehe «u:find».
Deadlines fuer Abgaben? Werden in Praesenzeinheiten gemeinsam festgelegt.
Wie finde ich raus ob Deadlines oder Abgaben eingetragen wurden (wenn ich nicht anwesend war)? Ich schaue auf dieser Webseite nach.
Wie kriege ich Mitarbeitspunkte? In dem ich mich bei Fragen melde, an die Tafel komme, im Forum inhaltliche Fragen beantworte oder über normale Aufgabenstellungen hinausgehende Beiträge leiste.
Kriege ich wenn ich praesentiere Punkte? Nein.
Soll ich praesentieren wenn ich Fehler in der Abgabe habe? Ja (Mitarbeitspunkte für andere Studierende sind möglich).
Soll ich praesentieren wenn meine Abgabe perfekt ist? Ja. Aus der Diskussion der Abgabe könnten Mitarbeitspunkte für alle Beteiligten entstehen.

Gesunder Menschenverstand wird vorausgesetzt.

Dates

01. Unit	07.10.	Preliminary talk
	27.01. 11:30	Industry Talk by T-Systems: Care for your data, and your data will care for you - Learnings from Data Science projects in different industries (abstract see below)

Abstract:

In our talk, we want to share some of the learnings we at T-Systems have made in implementing data-driven solutions for businesses in different industries. Specifically, we want to highlight the importance of combining Data Science knowledge, domain expertise, as well as proper data management, by discussing three current projects and their specific challenges.

To make a Data Science project successful, it takes more than the theoretical and technical knowledge to properly handle and analyze data. A good project team also includes the necessary domain knowledge to correctly interpret the data, and to make sure that a data set really contains all information relevant to the situation. In addition, the performance of any data-driven solution can only be as good as the data you feed it. Depending on the situation, it can take considerable effort to build and maintain a data set of the required quality and size.

|| 02. Unit || 08.10. || Questions, discussion and presentations || || 03. Unit || 15.10. || Questions, discussion and presentations || || 04. Unit || 22.10. || Questions, discussion and presentations || || 05. Unit || 29.10. || Questions, discussion and presentations || || 06. Unit || 05.11. || Questions, discussion and presentations || || 07. Unit || 12.11. || Questions, discussion and presentations || || 08. Unit || 19.11. || Questions, discussion and presentations || || !!09. Unit!! || !!26.11.!! || || || 10. Unit || 03.12. || Questions, discussion and presentations || || 11. Unit || 10.12. || Questions, discussion and presentations || || 12. Unit || 07.01. || Questions, discussion and presentations || || 13. Unit || 14.01. || Questions, discussion and presentations || || 14. Unit || 21.01. || Questions, discussion and presentations || || !!Exam!! || !!21.01.!! || !!HS1 - 21:15!! || || 15. Unit || 28.01. || Alianz Versicherung: Vortrag Dipl.-Ing. Patrik König, BSc, (n.n.) ||