Video
Create Note
Dear user,
with the manuscript function you'll be able to create your own digital lecture manuscript.
However, in order to link all your notes with your user profile it is required that you
login to the tele-TASK portal to use this functionality.
If you don't have an account yet, you may register for a tele-TASK account here.
with the manuscript function you'll be able to create your own digital lecture manuscript.
However, in order to link all your notes with your user profile it is required that you
login to the tele-TASK portal to use this functionality.
If you don't have an account yet, you may register for a tele-TASK account here.
Add a New Marker
Dear user,
with the marker function you'll be able to create your own digital time markers.
However, in order to link all your markers with your user profile it is required that you
login to the tele-TASK portal to use this functionality.
If you don't have an account yet, you may register for a tele-TASK account here.
with the marker function you'll be able to create your own digital time markers.
However, in order to link all your markers with your user profile it is required that you
login to the tele-TASK portal to use this functionality.
If you don't have an account yet, you may register for a tele-TASK account here.
Tag this content
Please enable javascript to use this function.
Dear user,with the tagging function you'll be able to add taggs to videos.
However, in order to link all your tags with your user profile it is required that you
login to the tele-TASK portal to use this functionality.
If you don't have an account yet, you may register for a tele-TASK account here.
Tags added to this content
No tags have been added to this content so far.
Add Link to this content
Please enable javascript to use this function.
Dear user,with the links function you'll be able to add links to other resources to this content.
However, in order to link all your links with your user profile it is required that you
login to the tele-TASK portal to use this functionality.
If you don't have an account yet, you may register for a tele-TASK account here.
Links added to this content
No links have been added to this content so far.
Add to my playlist
Dear user,
with the playlist function you'll be able to create your own lecture video playlists.
However, in order to link all your playlists with your user profile it is required that you
login to the tele-TASK portal to use this functionality.
If you don't have an account yet, you may register for a tele-TASK account here.
with the playlist function you'll be able to create your own lecture video playlists.
However, in order to link all your playlists with your user profile it is required that you
login to the tele-TASK portal to use this functionality.
If you don't have an account yet, you may register for a tele-TASK account here.
Playlists
This content is not used in any playlist.
14647911172042822833243253363596166176196206216226236317707717727747757767777797817829579629639861020103110811211133313541423142418481890196519862021202820382067206820702123220822132214221522372239226823192320238423942395239623972405240625302564260226702681268227702789279628042819284528462879289029182935294129482956303230343042310131043156317431763187320332063209321735223525
Lecture Structure
- Welche Prozesse sind identi zierbar? (00:00:01)
- mm MWmmu müM mw mmmu ami m um Mam (00:00:46)
- Kurze Schleifen Kurze Schleifen (Länge I oder 2) sind für den a Algorithmus problematisch (00:01:01)
- Welche Prozesse sind identi zierbar? (00:01:31)
- Der u Algorithmus (00:01:57)
- Der a Algorithmus (00:03:24)
- 4 wlÜ@ till P w EH f1 i v ßii iiiiiii (00:04:42)
- b und Exklusivität at (00:03:24)
- existiert eine (00:03:24)
- e Ausführungsfolge mit aba) (00:03:24)
- Parallelität (00:03:24)
- Ausführungsfolge mit aba (00:03:24)
- Parallelität jetzt möglich (00:03:24)
- Welche Prozesse sind identi zierbar? (00:04:43)
- Der a Algorithmus (00:05:24)
- mit aba) (00:05:59)
- Parallelität (00:05:59)
- Parallelität jetzt möglich (00:05:59)
- Vollständigkeit b sher alle 2 Tupe x (00:05:36)
- Log enthält folgende Subfolgen (00:05:24)
- b und Exklusivität ai (00:05:59)
- und (nicht b (00:05:59)
- existiert eine (00:05:59)
- Kurze Schleifen Kurze Schleifen (Länge 1 oder 2) sind für den Algorithmus problematisch (00:10:16)
- Welche Prozesse sind identi zierbar? (00:10:17)
- lmplizite Stellen Hinweis (00:10:19)
- Log Vollständigkeit (00:10:20)
- A4 fßv Pu Pe? Kae om (00:10:21)
- 1 Algorithmus Beispiel w = Aßf Acme (00:10:22)
- gmze (00:10:23)
- o Algorithmus (00:10:31)
- HA B l ( C ) D ( C 1 D i a Pm (00:12:50)
- Ausführungslog ase 3 task A (00:12:51)
- Log Vollständigkeit (00:12:53)
- Rediscovery Problem (00:12:54)
- lmplizite Stellen (00:12:55)
- Welche Prozesse sind identi zierbar? (00:12:56)
- Kurze Schleifen Kujie Sf hleifen (lfänge 1 oder 2) sind für den Algorithmus probler aüsch (00:12:57)
- Der c Algorithmus (00:12:59)
- Ausführung n e ner Schle fe sehen gle ch aus (00:12:59)
- Idee Knter um der Log Vollstand gke t w rd angepasst (00:12:59)
- Vollständ gkeft b sher alle 2 Tupel xy von Trans tionen welche (00:12:59)
- Nachfolger sind kommen in mind einer Ausführungsfulge var (00:12:59)
- Schleifenvollst ndigke tgetzt auch alle mögl chen Tr ple von (00:12:59)
- Log enthält folgende Subfolgen (00:12:59)
- Der a Algorithmus (00:13:01)
- nicht immer unterscheidbar (00:17:00)
- Beide Netze produzieren folgende Subfolgen (00:17:00)
- Preprocessing identi z ere Transitionen n Schleife der Lange 1 (00:16:26)
- über Subfolge aa (00:16:26)
- Mining verfahre w e gehabt m t den rede nierten (00:16:26)
- Ordn ingsrelat onen (Ännahme Schleifenvollst nd gke tdes Logs) (00:16:26)
- Finde Transitionen welche direkte Vorgänger von a aber (00:16:26)
- keine direkien Nachfolger von a sind (00:16:26)
- Finde Trans t onen welche d rekte Nachfolger von a aber (00:16:26)
- um w W MM M TM W N Yu r 1 H H lÄM= Üu i Ü (00:16:02)
- b und Exklusivität at (00:15:57)
- und (nicht b (00:15:57)
- existiert eine (00:15:57)
- mit aba) (00:15:57)
- Parallelität (00:15:57)
- Ausführungsfolge mit aba (00:15:57)
- Parallelität jetzt möglich (00:15:57)
- Idee Kritenum der Log Vollstand gke t w rd angepasst (00:13:02)
- Nachfolger s nd kommen in mind einer Ausführungsfolge vor (00:13:02)
- enthalten (00:13:02)
- a b und (nicht b a c (00:13:01)
- gdw a b (00:13:01)
- Der a Algorithmus Lösung für Schleifen der Länge 1 (00:17:11)
- Mining verfahre w e gehabt m t den rede n erten (00:17:11)
- Ordn ingsrelat onen (Ännahme Schleifenvollständ gke tdes Logs) (00:17:11)
- Postprocessing füge Schle fen in das erstellte Netz ein (00:17:11)
- Finde Transitionen welche d rekte Vorgänger von a aber (00:17:11)
- keine direkien Nachfolger von a sind (00:17:11)
- Finde Trans t onen welche direkte Nachfolger von a aber (00:17:11)
- Der a Algorithmus Beispiel Log (00:20:00)
- Der a Algorithmus Der c Algorithmus versagt bei impliziten (00:20:11)
- Der a Algorithmus Direkte vs Indirekte Abhängigkeiten (00:22:13)
- Relat on betrachtet für zwe Transitionen a und b (00:22:13)
- Ausgangsstelle von z (00:22:13)
- Nun auch ind rekte Abhäng gkeiten betrachten (00:22:13)
- Der u Algorithmus (00:22:34)
- Der o Algorithmus (00:23:43)
- Der a Algorithmus Zusätzliche Ordnungsrelationen (00:30:43)
- gdw a b und für ein cg (00:30:43)
- gdw a b und für ein c gilta C und b C (00:30:43)
- gdw n chta b und es gibt eine Ausführungsfolge in (00:30:43)
- Beispiel (00:30:43)
- Der a Algorithmus Vorgehen (00:30:48)
- Noise Bisher betrachtet saubere Ausführungslogs (00:31:30)
- Jg sind val de Ausführungssequenzen des (00:31:30)
- In der Praxis unrealistisch es gibt Noise (00:31:30)
- Fehlerhafte Logging Mechanismen (00:31:30)
- Arten von Noise (00:32:45)
- Arten von Noise mg na mee (00:33:06)
- Noise und Mining Algorithmen u( ) Algorithmen sind nicht robust gegen Noise (00:33:41)
- Praxisnahe Ansätze (00:33:41)
- heuristisches Netz mit Kantenwahrscheinlichkeiten (00:33:41)
- Fuzzy M ner ahnlich dem Heurist c M ner nutzt Sign kanz und (00:33:41)
- Korrelationsmetnken um ein Modell in wählbaren Stufen zu (00:33:41)
- Arten von Noise (00:33:48)
- Noise und Mining Algorithmen (00:33:58)
- 3 x 11 xxxx x xx T x xx xx x x x x x xx x xx x xx x xxx x x x x xxx x x x xnxxxx x xxl 1 x xxxxx x a xxxxxxx1x ==xxI f x x xxxxx xz@=x x7x xx x xxxzhf x x xxxxx xxxxxxx lx xx xx xx xxf xxr x xxxxxxxxx xu xxxx r( x x xx x x 1 xxx xxxxxx I x x xx lxx xxx xx xxxx xxxx xx xxx xl xx xx xx xxxx xxx xxxxxxxx xxxxxx xxxx MW xxx xxxxx xxxxx xx xxxx xx xx xx xx x x xx xx x xxxx xxxxx W l WW JWQWWW xxxxxxxx fx xxxxx vxxm xlxxx xx xxx xxxx x x x x xxx xxxuwx xx xxxwmx xx Lx x xxxx x H f x xxxx xx x x x xLx xx 3 xfx x xx xxx xxx Tx x x=x1xxx xxx x xxxx xxxx1e x xf 1Ixx x lx xxxx x xx xx x w x xxx x xxx xxx xxxxxwy x h xx3M ÜLJIW MW üwx 1 xx xxx x = x xxMi? xxx xl xxxwxnm xxmx lxm xl L VxW ix M xxä xxxx xxÜx xxx xx xxxx xxx x xx xx x MM x ml xx x xx xx x x x x x xx x xx xxx xxxxx xxxx x xu G 2 E (00:34:27)
- Praxisnahe Ansätze (00:33:58)
- he uristisches Netz mit Kantenwahrscheinlichkeiten (00:33:58)
- Fuzzy M r ef ahnlich dem Heurist c Minen nutzt Sign kanz und (00:33:58)
- Korrelationsmetnken um ein Modell in wählbaren Stufen zu (00:33:58)
- Genetic Miner (00:34:29)
- Evaluation von erstellten Prozessmodellen (00:34:30)
- Wie kann die Qual tat der Resultate beu eilt werden? (00:34:30)
- Evaluation von erstellten Prozessmodellen (00:34:30)
- Evaluation am Beispiel von ( (00:34:30)
- 1 Overfitting Underfitting (00:34:30)
- Beispiel I Overfitting Under tting (00:35:23)
- und E (00:37:47)
- Aktiv t ten (00:36:55)
- Sla (00:36:55)
- Jedes Log (00:36:48)
- Aktivitäten (00:36:48)
- 5 3rI (00:36:48)
- ACBD (00:35:23)
- ABCD (00:35:23)
- ABCD (00:35:23)
- ACBD (00:35:23)
- Fitting Eine Frage der Balance (00:37:48)
- I MiiMäm wz a H H Ei m w v M I Ii JUAa u ili m Mmimg (00:38:39)
- Beispiel I Overfitting Under tting (00:38:40)
- Dimensionen für die Evaluation Fitness (00:39:44)
- Precision (00:39:44)
- Erlaubt das Modell ausschließl ch das beobachtete Verhalten? (00:39:44)
- Präzision (165 Modells (00:39:44)
- Weitere Aspekte (00:39:44)
- Structure (00:39:44)
- Beispiel I Over tting Under tting (00:39:54)
- I MiiMä m M H li mu w w M hUll l u iliwm IHWiim (00:39:55)
- Evaluation von erstellten Prozessmodellen (00:39:56)
- Beispiel I Overfitting Underfitting (00:39:57)
- Beispiel I Over tting Under tting (00:40:05)
- Dimensionen für die Evaluation Fitness (00:40:06)
- Weitere Aspekte (00:40:06)
- Pl äZlSi0 (185 Modells (00:40:06)
- Erlaubt das Modell ausschl eßl ch das beobachtete Verhalten? (00:40:06)
- Precision (00:40:06)
- Prozessmodell (00:42:10)
- Sequenz (00:42:44)
- Log (00:43:22)
- Stern (00:44:30)
- Stern Fitness (00:44:41)
- c Procäs model (00:44:42)
- Fitness Metrik Gegeben ein Modell und ein Ausführungslog (00:46:10)
- Token verbleiben m Netz und werden nicht konsum ert (00:46:10)
- Trans tion schaltet obwohl nicht alle Eingangsstellen belegt (00:46:10)
- Nichl ok (00:46:10)
- schalten (00:46:10)
- Modells quanti ziert werden? (00:46:10)
- Fitness Metrik Gegeben ein Modell und ein Ausführungsiog (00:46:36)
- Fitness Metrik Gegeben ein Modell und ein Ausführungslog (00:46:59)
- Token verbleiben im Netz und werden nicht konsum ert (00:46:59)
- Trans tion schaltet obwohl nicht alle Eingangsstellen belegt (00:46:59)
- Nicht ok (00:46:59)
- schalten (00:46:59)
- Modells quanti ziert werden? (00:46:59)
- fww z W U M W (00:47:25)
- Fitness Metrik Gegeben ein Modell und ein Ausführungslog (00:47:59)
- Token verbleiben im N612 und werden NON KOF1SUmi6 I (00:47:59)
- Trans tion schaltet obwohl nicht alle Eingangsstellen belegt (00:47:59)
- Nich Ok (00:47:59)
- schalten (00:47:59)
- Modells quanti ziert werden? (00:47:59)
- Fitness Metrik (00:48:37)
- Fitness Metrik Metrik ist normalisie über die Anzahl aller konsumierten (00:48:38)
- r 1 Anzahl der im Netz verble benden Token (00:48:38)
- m 3 Anzahl der fehlenden Token (00:48:38)
- n 1 Anzahl Auftreten einer Ausfühmngsfolge i in einem Log (00:48:38)
- Formale Definition (00:48:38)
- Fitness Metrik Beispiel für vollständige Fitness (00:48:55)
- Fitness Metrik Metrik ist normalisiert über die Anzahl aller konsumierten (00:49:01)
- Anzahl der produzierten Token (00:49:01)
- r 1 Anzahl der im Netz verble benden Token (00:49:01)
- m 3 Anzahl der fehlenden Token (00:49:01)
- n 1 Anzahl Auftreten einer Ausfühmngsfolge i in einem Log (00:49:01)
- k 3 Anzahl der versch edenen Ausfuhrungsfolgen m Log (00:49:01)
- Formale Definition (00:49:01)
- Fitness Metrik Beispiel für vollständige Fitness (00:49:08)
- Fitness Metrik Metrik ist normalisiert über die Anzahl aller konsumierten (00:49:16)
- Fitness Metrik Beispiel für unvollständige Fitness (00:50:32)
- Fitness Metrik Metrik ist normalisiert über die Anzahl aller konsumierten (00:50:41)
- Fitness Metrik Beispiel für unvollständige Fitness (00:50:42)
- Fitness Metrik Metrik ist normalisiert über die Anzahl aller konsumierten (00:51:41)
- Anzahl der produzierten Token (00:51:41)
- r i Anzahl der im Netz verble benden Token (00:51:41)
- c Anzahl der konsumierten Token (00:51:41)
- m 3 Anzahl der fehlenden Token (00:51:41)
- n Anzahl Auftreten einer Ausführungsfolge i in einem Log (00:51:41)
- k 3 Anzahl der verschiedenen Ausfuhrungsfolgen m Log (00:51:41)
- Formale Definition (00:51:41)
- Fitness Metrik Beispiel für unvollständige Fitness (00:51:44)
- Fitness Metrik Metrik ist normalisiert über die Anzahl aller konsumierten (00:52:36)
- r 1 Anzahl der im Netz verble benden Token (00:52:36)
- c Anzahl der konsumierten Token (00:52:36)
- n Anzahl Auftreten einer Ausfühmngsfolge i in einem Log (00:52:36)
- k Anzahl der verschiedenen Ausfuhrungsfolgen im Log (00:52:36)
- Formale Definition (00:52:36)
- Fitness Metrik Beispiel für vollständige Fitness (00:52:55)
- Fitness Metrik Metrik ist normalisiert über die Anzahl aller konsumierten (00:52:57)
- Anzahl der produzierten Token (00:52:57)
- r 1 Anzahl der im Netz verble benden Token (00:52:57)
- m 3 Anzahl der fehlenden Token (00:52:57)
- n Anzahl Au reten einer Ausführungsfolge i in einem Log (00:52:57)
- Formale Definition (00:52:57)
- Fitness Metrik Beispiel für vollständige Fitness (00:53:07)
- Fitness Metrik Metrik int normalisie über din Anzahl aller konsum erten (00:53:25)
- 1 f Ä Z ÄU f6IF? f1 1 uhmngsfoI in eine n (00:53:25)
- k 3 Anz er ve schiede Ausführungsfojen im I (00:53:25)
- Fitness Metrik Beispiel für unvollständige Fitness (00:53:26)
- Precision Metriken Gegeben ein Modell und ein Ausführungslog (00:53:29)
- Fitness Metrik Beispiel für unvollständige Fitness (00:53:37)
- Fitness Metrik Metrik ist normalisiert über die Anzahl aller konsumierten (00:58:42)
- Anzahl der produzierten Token (00:58:42)
- r 1 Anzahl der im Netz verble benden Token (00:58:42)
- c Anzahl der konsumierten Token (00:58:42)
- m 3 Anzahl der fehlenden Token (00:58:42)
- n 1 Anzahl Auftreten einer Ausfühmngsfolge i in einem Log (00:58:42)
- Formale Definition (00:58:42)
- Fitness Metrik Beispiel für unvollständige Fitness (00:59:35)
Keyword
Please enable javascript to use this function.
Please enable javascript to use this function.