Anwendung von Machine Learning bei der datengetriebenen Prozessanalyse - Eine State-of-the-Art Literaturanalyse
Zusammenfassung
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.
- Vollständige Referenz
- BibTeX
Welz, La. & Beckmann, He.,
(2022).
Anwendung von Machine Learning bei der datengetriebenen Prozessanalyse - Eine State-of-the-Art Literaturanalyse.
In:
Demmler, D., Krupka, D. & Federrath, H.
(Hrsg.),
INFORMATIK 2022.
Gesellschaft für Informatik, Bonn.
(S. 259-270).
DOI: 10.18420/inf2022_24
@inproceedings{mci/Welz2022,
author = {Welz,Laslo AND Beckmann,Helmut},
title = {Anwendung von Machine Learning bei der datengetriebenen Prozessanalyse - Eine State-of-the-Art Literaturanalyse},
booktitle = {INFORMATIK 2022},
year = {2022},
editor = {Demmler, Daniel AND Krupka, Daniel AND Federrath, Hannes} ,
pages = { 259-270 } ,
doi = { 10.18420/inf2022_24 },
publisher = {Gesellschaft für Informatik, Bonn},
address = {}
}
author = {Welz,Laslo AND Beckmann,Helmut},
title = {Anwendung von Machine Learning bei der datengetriebenen Prozessanalyse - Eine State-of-the-Art Literaturanalyse},
booktitle = {INFORMATIK 2022},
year = {2022},
editor = {Demmler, Daniel AND Krupka, Daniel AND Federrath, Hannes} ,
pages = { 259-270 } ,
doi = { 10.18420/inf2022_24 },
publisher = {Gesellschaft für Informatik, Bonn},
address = {}
}
| Dateien | Groesse | Format | Anzeige | |
|---|---|---|---|---|
| kikmu_02.pdf | 242.8Kb | Öffnen |
Sollte hier kein Volltext (PDF) verlinkt sein, dann kann es sein, dass dieser aus verschiedenen Gruenden (z.B. Lizenzen oder Copyright) nur in einer anderen Digital Library verfuegbar ist. Versuchen Sie in diesem Fall einen Zugriff ueber die verlinkte DOI: 10.18420/inf2022_24
Haben Sie fehlerhafte Angaben entdeckt? Sagen Sie uns Bescheid: Feedback abschicken
Mehr Information
DOI: 10.18420/inf2022_24
ISBN: 978-3-88579-720-3
ISSN: 1617-5468
Datum: 2022
Sprache:
(de)
(de)
