Het globale dagprogramma op dinsdag 28 oktober 2014 is als volgt:

10:00 – 12:30 Scientific Workshop (Wetenschappelijke presentaties in het Engels) (MF 11/12)

13:30 – 15:30 CoSeLoG Meeting (Presentaties van enkele deelnemers) (Zwarte Doos zaal 2.03)

16:00 – 17:30 Verdediging Joos

17:30 – 18:30 Receptie

Alle bijeenkomsten vinden plaats op de campus van de Technische Universiteit Eindhoven.

De scientific workshop vindt plaats in het MetaForum in collegezaal 11/12 op vloer 4.

De exacte locatie van de CoSeLoG meeting wordt nog bekend gemaakt.

De verdediging van Joos vindt plaats in Auditorium 4. Aan het einde van de verdediging wordt de locatie van de receptie bekend gemaakt.

Meer informatie over de campus van de Technische Universiteit Eindhoven en de locaties van de gebouwen is hier te vinden: http://www.tue.nl/universiteit/over-de-universiteit/bereikbaarheid-tue-campus/

Gedurende de scientific workshop presenteren enkele leden van de promotiecommissie hun werk. Hoewel onderzoekers de primaire doelgroep zijn is de workshop publiek. De presentaties worden in het Engels gegeven.

De agenda voor de workshop is als volgt:

10:00 - 10:05 opening

10:05 - 10:35 Metric learning and model interpretability (Barbara Hammer)

10:35 - 11:05 Business Process Deviance Mining (Marlon Dumas)

11:05 - 11:15 Pauze

11:15 - 11:45 Challenges in Information Visualization (Jack van Wijk)

11:45 - 12:15 An Overview of the Research Collaboration between TU/e and QUT in the area of Process Mining (Arthur ter Hofstede)

Metric learning aims at an automated adaptation of the distance measure which is used for the comparison of data points within a machine learning model. It does not only greatly enhance the capability of popular distance-based classifiers such as k-NN, clustering, or prototype based methods, but it also facilitates model interpretability under the umbrella of so-called relevance learning: the latter refers to the identification of the most popular features and feature correlations for a given task at hand; notable application range from biomedical data analysis up to the industrial process models. Within the talk, I will give an overview about recent results on metric learning for prototype based models. After a presentation of the general principle of metric learning, its theoretical background and applications, I will focus on two recent research directions which are of particular interest for applications: How to guarantee valid model interpretability in the case of high data dimensionality? How to link relevance learning to data visualisation?

Gepresenteerd door Barbara Hammer

Tijdens de CoSeLoG meeting presenteren enkele deelnemers van het CoSeLoG project hun visie over samenwerken binnen, en standaardisatie van, processen.

De CoSeLoG meeting zal geheel in het Nederlands zijn en de planning is als volgt:

13:30-13:35 Opening

13:35-14:00 Processtandaardisatie in gemeenteland, droom of werkelijkheid? (Gemeenten Bergeijk, Eersel, en Oirschot)

14:00-14:25 Moeder en dochters: een gecompliceerde relatie. Werken met moedersjablonen in processtandaardisatie. (Dimpact)

14:25-14:40 Koffie & Thee

14:40-15:05 Een aanpak om de generatiekloof tussen moeders en dochters te dichten. (Dennis Schunselaar)

15:05-15:30 Cloudprocessen werken beter. (Perceptive Software)

Om 16:00 zal de verdediging van Joos beginnen in Auditorium 4 van de Technische Universiteit Eindhoven.

Na een korte presentatie van 10 minuten van zijn werk zal de promotiecommissie vragen stellen aan Joos over zijn werk en proefschrift. De gehele verdediging vindt plaats in het Engels.

Een digitale versie van het proefschrift kunt u hier downloaden (PDF, 8 MB)

Het doel van process mining is het automatisch ontdekken van procesmodellen die accuraat processen beschrijven door alleen gebruik te maken van de data van de al uitgevoerde processen. Deze data worden meestal opgeslagen in gebeurtenissenlogboeken, die zaken en gebeurtenissen gerelateerd aan deze zaken opslaan. Op basis van deze gebeurtenissenlogboeken kunnen procesmodellen worden ontdekt. In het laatste decennium zijn veel van deze technieken ontwikkeld die procesmodellen in verschillende vormen produceren zoals Petri nets, BPMN-modellen, EPCs, YAWL-modellen. Veel auteurs hebben deze technieken bovendien vergeleken door te focussen op de eigenschappen van de geproduceerde modellen, terwijl tegelijk de toepasbaarheid van deze technieken is vergeleken in verschillende case studies. In dit proefschrift presenteren we een nieuw algoritme: de Evolutionary Tree Miner (Evolutionaire Boom Ontdekker), of ETM in het kort. Het ETM heeft enkele unieke karakteristieken en mogelijkheden die niet voorkomen in bestaande proces ontdek technieken.

De belangrijkste eigenschap van het ETM is dat het altijd (syntactisch) correcte procesmodellen ontdekt. Ondanks dat dit een vereiste is om het procesmodel te kunnen gebruiken voor verdere analyse, garanderen zeer weinig technieken dit.

Een andere belangrijke eigenschap van het ETM is dat het een flexibel algoritme is. De vier bekende kwaliteitsdimensies in het ontdekken van procesmodellen (naspeelbaarheid, precisie, generalizatie en eenvoud) zijn expliciet ingebouwd in het ETM. Aanvullende kwaliteitsdimensies kunnen gemakkelijk worden toegevoegd aan het ETM. Het ETM kan de verschillende kwaliteitsdimensies balanceren en kan procesmodellen produceren die de kwaliteitsdimensies op een specifieke manier balanceren, zoals gespecificeerd door de gebruiker.

De derde belangrijke eigenschap van het ETM is dat het gemakkelijk uitbreidbaar is. In dit proefschrift bespreken we verschillende scenarios waar het ETM toegepast kan worden. De volgende uitbreidingen en toepassingen worden in dit proefschrift in meer detail besproken: 1. Het ontdekken van een collectie van procesmodellen, die elk een unieke en superieure set van karakteristieken voor elke kwaliteitsdimensie hebben (concreter: de procesmodellen zijn Pareto optimaal). 2. Het ontdekken van een procesmodel op basis van één of meerdere normatieve procesmodellen. Dit maakt het mogelijk om de gegeven modellen te repareren gebruikmakend van het geobserveerde gedrag. 3. Het ontdekken van een configureerbaar procesmodel dat meerdere gebeurtenissenlogboeken beschrijft, bijvoorbeeld van verschillende organisaties, in een enkel procesmodel met een configuratie voor elk gebeurtenissenlogboek. 4. Een vergelijkingsraamwerk dat het vergelijken van de uitvoer van verschillende vergelijkbare processen toestaat. Het raamwerk kan het geobserveerde gedrag van een organisatie naspelen op het (configureerbare) procesmodel van een andere organisatie. Hierdoor worden inzichten in de verschillen en overeenkomsten tussen de uitvoer van de processen van de verschillende organisaties verkregen.

Het ETM is geïmplementeerd in de process minig toolkit ProM. Ook is het gebruik besproken van de verschillende plug-ins die zijn gemaakt in het kader van dit proefschrift. Daarnaast is getoond hoe het ETM uitgebreid kan worden met aangepaste kwaliteitsdimensies.

Het ETM en alle uitbreidingen zijn geëvalueerd op basis van zowel kunstmatige als echte data sets.

Na de verdediging, het beraad van de commissie en de uitslag volgt een receptie om alle aanwezigen te bedanken.

Alle presentaties en de verdediging zelf zijn publiek, maar registratie vooraf wordt gewaardeerd. Dit kan via het volgende Google Form: https://docs.google.com/forms/d/1GPKp5-WWDLxwYjgjt0RQJTHP7CNsXcLc0xb95Y7uPbQ/viewform?usp=send_form