Projekte

• Liu L, Erdelt P.K. (2024) Benchmarking Machine Learning Pipelines in PostgreSQL with TPCx-AI
  Preprint Version
• Repository: https://github.com/perdelt/TPCx-AI_in_DB
• In times of DataOps and MLOps, do we need a new analytical database benchmark?
• How to benchmark Data Science Pipellines?
  • Example: TPCX-AI
  • Example: Sanzu
• How to integrate (most of) Data Science Workflow consistently and efficiently into a GPU framework?
  • Example: https://rapids.ai/
  • Example: http://gpuopenanalytics.com/

• Cluster Manager: https://github.com/Beuth-Erdelt/Benchmark-Experiment-Host-Manager
• Benchmark Tool: https://github.com/Beuth-Erdelt/DBMS-Benchmarker
• Python Packages: https://pypi.org/user/perdelt/
• Python Docs: https://readthedocs.org/profiles/perdelt/
• Docker Images: https://hub.docker.com/u/bexhoma
• Erdelt P.K. (2023) A Cloud-Native Adoption of Classical DBMS Performance Benchmarks and Tools
  https://doi.org/10.1007/978-3-031-68031-1_9
  Preprint Version
  Presentation: http://dx.doi.org/10.13140/RG.2.2.24813.36324
• Erdelt et al., (2022). DBMS-Benchmarker: Benchmark and Evaluate DBMS in Python. Journal of Open Source Software, 7(79), 4628, https://doi.org/10.21105/joss.04628
• Talk at the TPCTC 2021 (VLDB workshop): Orchestrating DBMS Benchmarking in the Cloud with Kubernetes
  Erdelt P.K. (2022) Orchestrating DBMS Benchmarking in the Cloud with Kubernetes. In: Nambiar R., Poess M. (eds) Performance Evaluation and Benchmarking. TPCTC 2021. Lecture Notes in Computer Science, vol 13169. Springer, Cham.
  https://doi.org/10.1007/978-3-030-94437-7_6
  Preprint Version
• Talk at the TPCTC 2020 (VLDB workshop): Repetition and Evaluation of Cloud-based DBMS Benchmarking
  Erdelt P.K. (2021) A Framework for Supporting Repetition and Evaluation in the Process of Cloud-Based DBMS Performance Benchmarking. In: Nambiar R., Poess M. (eds) Performance Evaluation and Benchmarking. TPCTC 2020. Lecture Notes in Computer Science, vol 12752. Springer, Cham.
  https://doi.org/10.1007/978-3-030-84924-5_6
  Preprint Version

• Baskan, Denis and Erdelt, Patrick, Neighborhood-Based Loss Functions for Explainability of Autoencoders (September 8, 2022). Available at SSRN: https://ssrn.com/abstract=4212995 or http://dx.doi.org/10.2139/ssrn.4212995

• Numerik in Rechner-Clustern, z.B. mit Dask
• Numerik auf einer GPU, z.B. mit CuPy
• Numerik auf einer GPU, z.B. mit JAX
• Numerik in JIT-kompiliertem Python, z.B. mit Numba
• Mathematik auf einer GPU, z.B. mit nvmath-python

Eine GPU (Graphics Processing Unit) ist  für die Grafikdarstellung in einem PC zuständig. Spezielle Bibliotheken (insbesondere CUDA und OpenCL) ermöglichen es, rechenintensive Teile allgemeiner Programmabläufe auf einer GPU statt wie üblich auf einer CPU (Central Processing Unit) auszuführen. Insbesondere durch ihre Fähigkeit, massiv parallel und dadurch schnell Tensorrechnungen für große Datenmengen durchführen zu können, haben sich GPU in vielen mathematiklastigen Anwendungsbereichen als technische Grundlage etabliert.

BHT Berlin Data Science + X

Komplexe Unternehmensentscheidungen werden häufig durch nachvollziehbare Datenanalysen unterstützt. Professorinnen und Professoren der Fachbereiche „Mathematik“ und „Informatik und Medien“ arbeiten mit Studierenden und Industriepartnern am Zukunftsthema „Data Science“.

Siehe auch: Studiengang

OCIDA

Das Forschungsprojekt OCIDA hat die Zielsetzung, durch effiziente Auswertung von individuellen Kundendaten aus dem E-Commerce die Abwanderung von Kunden (Churn) durch optimale Strategien zu reduzieren. Dabei sollen Methoden des analytischen Marketings, der mathematischen Modellierung und Optimierung aus dem Revenue Management und Pricing sowie geeignete Prognoseverfahren Anwendung finden. Aufgrund der großen Datenmengen erfolgt eine Auswertung von Big Data basierend auf Hadoop-Technologien.