Kooperativer Bibliotheksverbund

UID:

Format: xvi, 320 Seiten : , Illustrationen, Diagramme ; , 24 cm x 16.5 cm.

Edition: 1. Auflage

ISBN: 978-3-86490-610-7 , 3-86490-610-5

Series Statement: Edition TDWI

Additional Edition: Erscheint auch als Online-Ausgabe, PDF ISBN 978-3-96088-584-9

Additional Edition: Erscheint auch als Online-Ausgabe, ePub ISBN 978-3-96088-585-6

Additional Edition: Erscheint auch als Online-Ausgabe, Mobi ISBN 978-3-96088-586-3

Language: German

Subjects: Computer Science , Economics

Keywords: Data Mining ; Business Intelligence ; Künstliche Intelligenz ; Data Science ; Big Data ; Business Intelligence ; Data Mining ; Aufsatzsammlung ; Einführung ; Aufsatzsammlung ; Einführung

URL: http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030560793&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA

URL: Inhaltsverzeichnis

Author information: Zimmer, Michael, 1981-

Author information: Trahasch, Stephan.

Author information: Felden, Carsten, 1969-

Author information: Haneke, Uwe, 1964-

UID:

Format: xvi, 284 Seiten : , Illustrationen, Diagramme.

Edition: 1. Auflage

ISBN: 978-3-86490-312-0

Additional Edition: Erscheint auch als Online-Ausgabe, EPUB ISBN 978-3-86491-874-2

Additional Edition: Erscheint auch als Online-Ausgabe, MOBI ISBN 978-3-86491-875-9

Additional Edition: Erscheint auch als Online-Ausgabe, PDF ISBN 978-3-86491-873-5

Language: German

Subjects: Computer Science , Economics

Keywords: Business Intelligence ; Agile Softwareentwicklung ; Scrum ; Agile Softwareentwicklung ; Projektmanagement ; Scrum ; Aufsatzsammlung ; Aufsatzsammlung

URL: Inhaltsverzeichnis

URL: Inhaltstext

URL: Ausführliche Beschreibung

URL: Einführung/Geleitwort

URL: Einführung/Vorwort

URL: http://deposit.d-nb.de/cgi-bin/dokserv?id=5326674&prov=M&dok_var=1&dok_ext=htm

URL: Inhaltsverzeichnis

URL: Inhaltstext

URL: Ausführliche Beschreibung

URL: Einführung/Geleitwort

URL: Einführung/Vorwort

Author information: Zimmer, Michael, 1981-

Author information: Trahasch, Stephan

UID:

Format: 313 S. : , Ill., graph. Darst.

ISBN: 978-3-88579-627-5

Series Statement: GI-Edition : Proceedings 233

Language: German

Subjects: Computer Science , Education

Keywords: E-Learning ; Konferenzschrift ; Konferenzschrift ; Konferenzschrift ; Konferenzschrift

URL: Inhaltsverzeichnis

URL: Inhaltsverzeichnis

URL: Inhaltsverzeichnis

UID:

Format: xix, 371 Seiten : , Illustrationen, Diagramme.

Edition: 2., überarbeitete und erweiterte Auflage

ISBN: 978-3-86490-822-4

Series Statement: Edition TDWI

Note: Literaturverzeichnis: Seite 345-365

Additional Edition: Erscheint auch als Online-Ausgabe, PDF ISBN 978-3-96910-152-0

Additional Edition: Erscheint auch als Online-Ausgabe, EPUB ISBN 978-3-96910-153-7

Additional Edition: Erscheint auch als Online-Ausgabe, MOBI ISBN 978-3-96910-154-4

Language: German

Subjects: Computer Science , Economics

Keywords: Data Science ; Big Data ; Business Intelligence ; Data Mining ; Data Mining ; Business Intelligence ; Künstliche Intelligenz ; Aufsatzsammlung ; Einführung ; Aufsatzsammlung ; Einführung

URL: Inhaltstext

URL: http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032581533&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA

URL: Inhaltstext

URL: Inhaltsverzeichnis

Author information: Zimmer, Michael, 1981-

Author information: Trahasch, Stephan

Author information: Felden, Carsten 1969-

Author information: Haneke, Uwe, 1964-

UID:

Format: 1 Online-Ressource (xix, 371 Seiten) : , Illustrationen, Diagramme.

Edition: 2., überarbeitete und erweiterte Auflage

ISBN: 978-3-96910-152-0

Series Statement: Edition TDWI

Additional Edition: Erscheint auch als Online-Ausgabe, EPUB ISBN 978-3-96910-153-7

Additional Edition: Erscheint auch als Online-Ausgabe, MOBI ISBN 978-3-96910-154-4

Additional Edition: Erscheint auch als Druck-Ausgabe ISBN 978-3-86490-822-4

Language: German

Subjects: Computer Science , Economics

Keywords: Data Science ; Big Data ; Business Intelligence ; Data Mining ; Data Mining ; Business Intelligence ; Künstliche Intelligenz ; Aufsatzsammlung ; Einführung ; Aufsatzsammlung ; Einführung

Author information: Zimmer, Michael, 1981-

Author information: Trahasch, Stephan

Author information: Felden, Carsten, 1969-

Author information: Haneke, Uwe, 1964-

UID:

Format: 1 Online-Ressource (xvi, 320 Seiten) : , Illustrationen, Diagramme.

Edition: 1. Auflage

ISBN: 978-3-96088-584-9 , 978-3-96088-585-6 , 978-3-96088-586-3

Series Statement: Edition TDWI

Additional Edition: Erscheint auch als Druck-Ausgabe ISBN 978-3-86490-610-7

Language: German

Subjects: Computer Science , Economics

Keywords: Data Mining ; Business Intelligence ; Künstliche Intelligenz ; Data Science ; Big Data ; Business Intelligence ; Data Mining ; Aufsatzsammlung

Author information: Zimmer, Michael, 1981-

Author information: Trahasch, Stephan.

Author information: Felden, Carsten, 1969-

Author information: Haneke, Uwe, 1964-

UID:

Format: VI, 203 Seiten , Ill., graph. Darst.

ISBN: 9783832513290 , 3832513299

Series Statement: Wissensprozesse und digitale Medien 2

Note: Albert-Ludwigs-Universität Freiburg, Diss.

Language: German

Keywords: E-Learning ; Kooperatives Lernen ; Vorlesung ; Mitschrift ; Authoring on the Fly ; Intelligentes Tutorsystem ; Hochschulschrift

UID:

Format: 1 online resource (392 pages)

Edition: 2

ISBN: 9783969101520

Series Statement: Edition TDWI

Note: Intro -- Vorwort zur 2. Auflage -- Vorwort -- Inhaltsübersicht -- Inhaltsverzeichnis -- 1 Einleitung -- 1.1 Von Business Intelligence zu Data Science -- 1.2 Data Science und angrenzende Gebiete -- 1.3 Vorgehen in Data-Science-Projekten -- 1.4 Struktur des Buches -- 2 (Advanced) Analytics is the new BI? -- 2.1 Geschichte wiederholt sich? -- Gut Ding will Weile haben -- Die Technologie muss bereitstehen -- »Garbage in, garbage out« -- Don't be too fast -- Die unterschätzte Bedeutung der Informationsbedarfsanalyse -- Neue organisatorische Strukturen, Regelungen und Rollen -- 2.2 Die DIKW-Pyramide erklimmen -- 2.3 Vom Nebeneinander zum Miteinander -- 2.4 Fazit -- 3 Data Science und künstliche Intelligenz - der Schlüssel zum Erfolg? -- 3.1 Zwischen Euphorie und Pragmatismus -- 3.2 Wann ist Data Science und KI das Mittel der Wahl? -- 3.3 Realistische Erwartungen und klare Herausforderungen -- Prozess- und strukturorientierte Implementierung -- 3.4 Aus der Praxis -- 3.4.1 Die Automobilbranche als Beispiel -- 3.4.1.1 Machen Sie Ihren Kunden ein Angebot, das sie nicht ausschlagen können -- 3.4.1.2 Spinning the Customer Life Cycle - Schaffen Sie mehr als eine Runde? -- Komponenten auf dem Weg zu personalisierten Massenangeboten -- Das nächstbeste Auto -- Das nächste Finanzierungsmodell -- Die Wahrscheinlichkeit eines Neuwagenkaufs -- Der Restwert eines Gebrauchtwagens -- Upselling -- Welche Kampagne sich für welche Autoserie eignet -- 3.5 Fazit -- 4 Konzeption und Entwicklung von Data-driven Products/Datenprodukten -- 4.1 Einleitung -- 4.2 Datenprodukte -- 4.2.1 Definition -- 4.2.2 Beispiele für Datenprodukte -- Google Recaptcha -- Tesla Autopilot -- Deutsche Post: AddressFactory -- Medienagenturen: Allokation der Werbebudgets -- 4.2.3 Herausforderungen des Produktmanagements für Datenprodukte -- 4.3 Digitale Produktentwicklung -- 4.3.1 Produktmanagement , 4.3.2 Agile Entwicklung -- 4.3.3 Lean Startup -- 4.3.4 Data Science -- 4.3.5 Data-centric Business Models -- 4.4 Datenprodukte definieren -- 4.4.1 Ideengenerierung für Datenprodukte entlang der Customer Journey -- 4.4.2 Value Propositions von Datenprodukten -- 4.4.3 Ziele und Messung -- 4.4.4 Die Erwartung an die Güte des Modells bestimmen -- 4.4.5 Mit dem Datenprodukt beginnen -- 4.4.6 Kontinuierliche Verbesserung mit der Datenwertschöpfungskette -- 4.4.7 Skalierung und Alleinstellungsmerkmal -- 4.5 Kritischer Erfolgsfaktor Feedbackschleife -- Zieldefinition -- Wert für den Nutzer -- Flow -- Community pflegen -- Serendipität -- Klein anfangen -- Platform Mindset: Nutzung für verschiedene Produkte -- 4.6 Organisatorische Anforderungen -- 4.7 Technische Anforderungen -- 4.8 Fazit -- 5 Grundlegende Methoden der Data Science -- 5.1 Einleitung -- 5.2 Data Understanding und Data Preparation -- 5.2.1 Explorative Datenanalyse -- 5.2.2 Transformation und Normalisierung -- 5.3 Überwachte Lernverfahren -- 5.3.1 Datenaufteilung -- 5.3.2 Bias-Variance-Tradeoff -- 5.3.3 Klassifikationsverfahren -- 5.4 Unüberwachte Lernverfahren und Clustering -- 5.5 Reinforcement Learning -- 5.5.1 Aspekte des Reinforcement Learning -- 5.5.2 Bestandteile eines Reinforcement-Learning-Systems -- 5.6 Evaluation -- 5.6.1 Ausgewählte Qualitätsmaße im Kontext von Klassifikationsaufgabenstellungen -- 5.6.2 Ausgewählte Qualitätsmaße im Kontext von Clusterungen -- 5.7 Weitere Ansätze -- 5.7.1 Deep Learning -- 5.7.2 Cognitive Computing -- 5.8 Fazit -- 6 Feature Selection -- 6.1 Weniger ist mehr -- 6.2 Einführung in die Feature Selection -- 6.2.1 Definition -- 6.2.2 Abgrenzung -- 6.3 Ansätze der Feature Selection -- 6.3.1 Der Filter-Ansatz -- 6.3.2 Der Wrapper-Ansatz -- 6.3.3 Der Embedded-Ansatz -- 6.3.4 Vergleich der drei Ansätze -- 6.4 Feature Selection in der Praxis -- 6.4.1 Empfehlungen , 6.4.2 Anwendungsbeispiel -- 6.5 Fazit -- 7 Deep Learning -- Was ist Deep Learning? -- Warum ist Deep Learning gerade jetzt so aktuell? -- 7.1 Grundlagen neuronaler Netzwerke -- 7.1.1 Menschliches Gehirn -- 7.1.2 Modell eines Neurons -- 7.1.3 Perzeptron -- 7.1.4 Backpropagation-Netzwerke -- 7.2 Deep Convolutional Neural Networks -- 7.2.1 Convolution-Schicht -- 7.2.2 Pooling-Schicht -- 7.2.3 Fully-Connected-Schicht -- 7.3 Deep Reinforcement Learning -- 7.4 Anwendung von Deep Learning -- 7.4.1 Sweaty -- 7.4.2 AudiCup -- 7.4.3 DRL im RoboCup -- 7.4.4 Deep-Learning-Frameworks -- 7.4.5 Standarddatensätze -- 7.4.6 Standardmodelle -- 7.4.7 Weitere Anwendungen -- 7.5 Fazit -- 8 Von einer BI-Landschaft zum Data & -- Analytics-Ökosystem -- 8.1 Einleitung -- 8.2 Komponenten analytischer Ökosysteme -- 8.3 Vom Reporting zur industrialisierten Data Science -- 8.4 Data Science und Agilität -- 8.5 Entwicklungs-, Test- und Produktionsumgebungen für Data Science -- 8.6 Vom Spielplatz für Innovation zur Serienfertigung -- 8.7 Anwendungsbeispiel -- 8.8 Fazit -- 9 Self-Service und Governance im Data-Science-Umfeld: der emanzipierte Anwender -- 9.1 Einleitung -- 9.2 Self-Service-Angebote für Data & -- Analytics -- 9.3 Data Governance und Self-Service -- 9.4 Self-Service-Datenaufbereitung und Data Science -- 9.5 Self-Service-Datenaufbereitung vs. ETL -- 9.6 Bimodale Data & -- Analytics: Segen oder Fluch? -- 9.7 Entwicklungen im Self-Service-Bereich -- 9.7.1 AutoML als Data-Scientist-Ersatz? -- 9.7.2 Augmented Analytics -- 9.8 Fazit -- 10 Data Privacy -- 10.1 Die Rolle von Data Privacy für Analytics und Big Data -- 10.2 Rechtliche und technische Ausgestaltung von Data Privacy -- 10.2.1 Rechtliche Bestimmungen zu Data Privacy -- 10.2.2 Technische und methodische Ansätze zur Schaffung von Data Privacy -- 10.3 Data Privacy im Kontext des Analytics Lifecycle , 10.3.1 Ideen generieren -- 10.3.2 Prototypen entwickeln -- 10.3.3 Implementieren der Lösung -- 10.4 Diskussion und Fazit -- 11 Gespräch zur digitalen Ethik -- Fallstudien -- 12 Customer Churn mit Keras/TensorFlow und H2O -- 12.1 Was ist Customer Churn? -- 12.1.1 Wie kann Predictive Analytics bei dem Problem helfen? -- 12.1.2 Wie können wir Customer Churn vorhersagen? -- 12.2 Fallstudie -- 12.2.1 Der Beispieldatensatz -- Explorative Datenanalyse -- 12.2.2 Vorverarbeitung der Daten -- 12.2.3 Neuronale Netze mit Keras und TensorFlow -- 12.2.4 Stacked Ensembles mit H2O -- 12.3 Bewertung der Customer-Churn-Modelle -- 12.3.1 Kosten-Nutzen-Kalkulation -- 12.3.2 Erklärbarkeit von Customer-Churn-Modellen -- 12.4 Zusammenfassung und Fazit -- 13 Wirtschaftlichkeitsbetrachtung bei der Auswahl & -- Entwicklung von Data Science -- Eine Fallstudie im Online-Lebensmitteleinzelhandel -- 13.1 Herausforderungen in der Praxis -- 13.1.1 Data-Science-Anwendungen im Online-LEH -- 13.1.2 Auswahl und Umsetzung wirtschaftlicher Anwendungsfälle -- Vorauswahl -- Entwicklung von Prototypen -- Agile testgetriebene Produkt- und Prozessentwicklung -- 13.2 Fallstudie: Kaufempfehlungssysteme im Online-Lebensmitteleinzelhandel -- 13.2.1 Vorabanalysen zur Platzierung von Empfehlungen -- 13.2.2 Prototypische Entwicklung eines Empfehlungsalgorithmus -- 13.2.3 MVP und testgetriebene Entwicklung der Recommendation Engine -- 13.3 Fazit -- 14 Analytics im Onlinehandel -- 14.1 Einleitung -- 14.2 Maschinelles Lernen: von der Uni zu Unternehmen -- 14.3 Wie arbeiten Data Scientists und Programmierer zusammen? -- 14.4 Architekturmuster, um maschinelle Lernmethoden produktiv zu nehmen -- 14.4.1 Architekturmuster des maschinellen Lernens -- 14.4.2 Architekturmuster, um Modelle auszuliefern -- 14.4.3 Datenvorverarbeitung und Feature-Extraktion -- 14.4.4 Automation und Monitoring , 14.4.5 Integrationsmuster für maschinelles Lernen -- 14.5 Was kann man sonst auf Firmenebene tun, um Data Science zu unterstützen? -- 14.6 Fazit -- 15 Predictive Maintenance -- 15.1 Einleitung -- 15.2 Was ist Instandhaltung? -- 15.2.1 Folgen mangelhafter Instandhaltung -- 15.2.2 Wettbewerbsfähige Produktion -- 15.3 Instandhaltungsstrategien -- 15.3.1 Reaktive Instandhaltung -- 15.3.2 Vorbeugende Instandhaltung -- 15.3.3 Vorausschauende Instandhaltung (Predictive Maintenance) -- 15.4 Prozessphasen der vorausschauenden Instandhaltung -- 15.4.1 Datenerfassung und -übertragung -- 15.4.2 Datenanalyse und Vorhersage -- 15.4.2.1 Unüberwachte Verfahren -- Komponentenanalyse -- Ereigniszeitanalyse -- Anomalieerkennung -- Clustering -- 15.4.2.2 Überwachte Verfahren -- Klassifizierung -- Regression -- 15.4.3 Planung und Ausführung -- 15.5 Fallbeispiele -- 15.5.1 Heidelberger Druckmaschinen -- 15.5.2 Verschleißmessung bei einem Werkzeugmaschinenhersteller -- 15.5.3 Vorausschauende Instandhaltung in der IT -- 15.6 Fazit -- 16 Scrum in Data-Science-Projekten -- 16.1 Einleitung -- 16.2 Kurzüberblick Scrum -- 16.3 Data-Science-Projekte in der Praxis -- 16.4 Der Einsatz von Scrum in Data-Science-Projekten -- 16.4.1 Eigene Adaption -- Teamaufstellung -- Aktivitäten -- Artefakte -- Tools -- 16.4.2 Realisierte Vorteile -- Schnelle Adaption an neue Voraussetzungen -- Sprint-Reviews in kurzen Zyklen ermöglichen Risikominimierung durch umfassendere Transparenz über den Fortschritt -- Qualitätssteigerungen durch Transparenz und Selbstorganisation des Teams -- Scrum schafft gute Rahmenbedingungen für den Aufbau eines Data-Science-Teams -- Motivation durch Wertschätzung und Anerkennung in Sprint-Reviews -- Fokus als zentraler Scrum-Wert hilft, die wesentlichen Ziele ständig zu verfolgen -- Institutionalisierte Selbstoptimierung durch Retrospektiven/Erhöhung der Zufriedenheit , Daily Scrum fördert Austausch im Team

Additional Edition: Print version: Haneke, Uwe Data Science Heidelberg : dpunkt.verlag,c2021 ISBN 9783864908224

Keywords: Electronic books.

URL: https://ebookcentral.proquest.com/lib/th-brandenburg/detail.action?docID=6550117

UID:

Format: 392 Seiten , 24 cm

Edition: 2., überarbeitete und erweiterte Auflage

ISBN: 9783864908224

Series Statement: Edition TDWI

Content: Know-how für Data Scientists. Übersichtliche und anwendungsbezogene Einführung. Zahlreiche Anwendungsfälle und Praxisbeispiele aus unterschiedlichen Branchen. Potenziale, aber auch mögliche Fallstricke werden aufgezeigt. Data Science steht derzeit wie kein anderer Begriff für die Auswertung großer Datenmengen mit analytischen Konzepten des Machine Learning oder der künstlichen Intelligenz. Nach der bewussten Wahrnehmung der Big Data und dabei insbesondere der Verfügbarmachung in Unternehmen sind Technologien und Methoden zur Auswertung dort gefordert, wo klassische Businss Intelligence an ihre Grenzen stößt. Dieses Buch bietet eine umfassende Einführung in Data Science und deren praktische Relevanz für Unternehmen. Dabei wird auch die Integration von Data Science in ein bereits bestehendes Business-Intelligence-Ökosystem thematisiert. In verschiedenen Beiträgen werden sowohl Aufgabenfelder und Methoden als auch Rollen- und Organisationsmodelle erläutert, die im Zusammenspiel mit Konzepten und Architekturen auf Data Science wirken. Diese 2., überarbeitete Auflage wurde um neue Themen wie Feature Selection und Deep Reinforcement Learning sowie eine neue Fallstudie erweitert.

Note: Deutsch

Language: German

Author information: Haneke, Uwe

Author information: Trahasch, Stephan

Author information: Zimmer, Michael

Author information: Felden, Carsten

UID:

Format: 392 S.

ISBN: 9783969101520

Content: Know-how für Data Scientists übersichtliche und anwendungsbezogene Einführung zahlreiche Anwendungsfälle und Praxisbeispiele aus unterschiedlichen Branchen Potenziale, aber auch mögliche Fallstricke werden aufgezeigt Data Science steht derzeit wie kein anderer Begriff für die Auswertung großer Datenmengen mit analytischen Konzepten des Machine Learning oder der künstlichen Intelligenz. Nach der bewussten Wahrnehmung der Big Data und dabei insbesondere der Verfügbarmachung in Unternehmen sind Technologien und Methoden zur Auswertung dort gefordert, wo klassische Business Intelligence an ihre Grenzen stößt. Dieses Buch bietet eine umfassende Einführung in Data Science und deren praktische Relevanz für Unternehmen. Dabei wird auch die Integration von Data Science in ein bereits bestehendes Business-Intelligence-Ökosystem thematisiert. In verschiedenen Beiträgen werden sowohl Aufgabenfelder und Methoden als auch Rollen- und Organisationsmodelle erläutert, die im Zusammenspiel mit Konzepten und Architekturen auf Data Science wirken. Diese 2., überarbeitete Auflage wurde um neue Themen wie Feature Selection und Deep Reinforcement Learning sowie eine neue Fallstudie erweitert.

Note: Prof. Dr. Uwe Haneke ist seit 2003 Professor für Betriebswirtschaftslehre und betriebliche Informationssysteme an der Hochschule Karlsruhe - Technik und Wirtschaft. Dort vertritt er u.a. die Bereiche Business Intelligence, Geschäftsprozessmanagement im Fachgebiet Informatik. Seine Publikationen beschäftigen sich mit den Themen Open Source Business Intelligence, Self-Service-BI und Analytics. Prof. Dr. Stephan Trahasch ist Professor für betriebliche Kommunikationssysteme und IT-Sicherheit an der Hochschule Offenburg. Seine Forschungsschwerpunkte liegen in den Bereichen Data Mining, Big Data und Agile Business Intelligence. In Forschungsprojekten beschäftigt er sich mit der praktischen Anwendung von Data Mining und Big-Data-Technologien und deren Herausforderungen in Unternehmen. Er ist Leiter des Institute for Machine Learning and Analytics und Mitglied der Forschungsgruppe Analytics und Data Science an der Hochschule OffenburIst Professor für betriebliche Kommunikationssysteme und IT-Sicherheit an der Hochschule Offenburg. Seine Forschungsschwerpunkte liegen in den Bereichen Data Mining, Big Data und Agile Business Intelligence. In Forschungsprojekten beschäftigt er sich mit der praktischen Anwendung von Data Mining und Big-Data-Technologien und deren Herausforderungen in Unternehmen. Er ist Leiter des Institute for Machine Learning and Analytics und Mitglied der Forschungsgruppe Analytics und Data Science an der Hochschule Offenburg. Dr. Michael Zimmer verantwortet bei der Zurich Gruppe Deutschland das Thema künstliche Intelligenz. Hierbei beschäftigt er sich sparten- und ressortübergreifend mit der Identifikation, Entwicklung, Produktivsetzung und Industrialisierung von KI-Anwendungsfällen. Er hat über Data & Analytics Governance promoviert, ist Autor und

Language: German

URL: https://static.onleihe.de/content/bookwire_nat/20210413/9783969101520/v9783969101520.pdf

URL: https://static.onleihe.de/images/bookwire_nat/20210413/9783969101520/tn9783969101520l.jpg

URL: https://voebb.onleihe.de/berlin/frontend/mediaInfo,51-0-1506866715-100-0-0-0-0-0-0-0.html

Author information: Haneke, Uwe

Author information: Felden, Carsten