Organisationsprofil

Data management er et essentielt element i et stort antal IT-systemer, og behovet for avanceret data management stiger i takt med en række samfunds- og erhvervsmæssige tendenser, blandt andet den stigende digitalisering af f.eks. medier (herunder audio og video) og handel og service (e-handel og e-service) samt den voksende udbredelse af kommunikerende systemer og sensorer (f.eks. i biler og mobiltelefoner).

Daisy er et internationalt orienteret forskningscenter med fokus på forskning, uddannelse og innovation inden for data-intensive systemer – systemer, hvor håndteringen af data byder på særlige udfordringer. Daisy forsøger gennem sit virke at fremme samarbejdet og synergien mellem relevante forskningsmiljøer indbyrdes og mellem forskningen og industrielle partnere. Specielt er det en del af Daisys mission at deltage i interdisciplinære projekter sammen med andre forskere samt industrielle samarbejdspartnere.

Daisy har som sit forskningsmæssige mål at være international anerkendt for at være på forkant inden for udvalgte kerneområder indenfor data-intensive systemer. Daisy ønsker inden for disse områder at være en ledestjerne i det videnskabelige samfund. Daisy lægger også vægt på at være kendt for at udføre rettidig service af højeste standard for det internationale forskersamfund.

Daisy vedligeholder en dynamisk portefølje af forskningsaktiviteter der har varierende anvendelseshorisonter. Spekulative projekter med en langsigtet anvendelseshorisont sigter højt og har til formål at skabe ny viden. Disse danner en del af grundlaget for projekter, der sigter mod anvendelighed på relativt kort sigt. Forskerne hos Daisy ser specielt interdisciplinære projekter som et middel til nyskabelse, der har stort potential for at kunne bringe de involverede fagligheder videre.

Daisy støtter teknologidreven innovation, og det er centralt for Daisys forskere at skabe værdi for Daisys industrielle samarbejdspartnere.

Daisy tilbyder forskeruddannelse samt forskningsbaseret undervisning. Således søger Daisys forskere gennem eksperimentel-baseret træning og uddannelse at bibringe nye forsker- og kandidatstuderende kompetencer, der gør dem til eftertragtede forskere og praktikere.

Fingerprint Fingerprint er automatisk genererede koncepter, som relaterer til enhedens profil, samt indholdet i de tilknyttede personprofiler. Det opdateres løbende med tilføjelsen af nye registreringer.

Query processing Teknik og materialevidenskab

Data warehouses Teknik og materialevidenskab

Trajectories Teknik og materialevidenskab

Processing Teknik og materialevidenskab

Semantics Teknik og materialevidenskab

Global positioning system Teknik og materialevidenskab

Location based services Teknik og materialevidenskab

Travel time Teknik og materialevidenskab

Netværk Klik på punkterne for at se detaljerne.

Profiler

Katja Hose

khose@cs.aau.dk

Det Tekniske Fakultet for IT og Design - Professor
Institut for Datalogi - Professor
Database, Programming and Web Technologies
Daisy – Center for Data-intensive Systemer

Person: VIP

Christian S. Jensen

csj@cs.aau.dk

Person: VIP

Hua Lu

luhua@cs.aau.dk

Det Tekniske Fakultet for IT og Design - Lektor, Professor med særlige opgaver
Institut for Datalogi - Lektor, Professor med særlige opgaver
Database, Programming and Web Technologies - Lektor
Daisy – Center for Data-intensive Systemer

Person: VIP

Projekter 2000 2023

11 Aktiv
33 Afsluttet

EDAO: EDAO: Example Driven Analytics for Open Knowledge Graphs

Lissandrini, M., Pedersen, T. B. & Hose, K.

15/09/2019 → 14/09/2021

Projekter: Projekt › Forskning

RelWeb: A Reliable Web of Data

Hose, K.

01/09/2019 → 31/08/2023

Projekter: Projekt › Forskning

A virtual laboratory for sustainability assessment

Hose, K. & Thomsen, C.

01/01/2019 → 31/12/2020

Projekter: Projekt › Forskning

Publikationer 2003 2019

A Decentralized Architecture for Sharing and Querying Semantic Data

Aebeloe, C., Montoya, G. & Hose, K., 25 maj 2019, The Semantic Web. Portorož, Slovenia: Springer, Bind 11503. s. 3-18 16 s. (Lecture Notes in Computer Science).

Publikation: Bidrag til bog/antologi/rapport/konference proceeding › Konferenceartikel i proceeding › Forskning › peer review

Servers

Semantics

Semantic Web

41 Downloads (Pure)

AMIC: An Adaptive Information Theoretic Method to Identify Multi-Scale Temporal Correlations in Big Time Series Data

Ho, N. T. T., Vo, H., Vu, M. & Pedersen, T. B., 29 mar. 2019, I : IEEE Transactions on Big Data.

Publikation: Bidrag til tidsskrift › Tidsskriftartikel › Forskning › peer review

Åben adgang

Fil

An MBR-Oriented Approach for Efficient Skyline Query Processing

Zhang, J., Wang, W., Jiang, X., Ku, W-S. & Lu, H., 2019, (Accepteret/In press) The 35th IEEE International Conference on Data Engineering (ICDE). IEEE, (Proceedings of the International Conference on Data Engineering).

Publikation: Bidrag til bog/antologi/rapport/konference proceeding › Konferenceartikel i proceeding › Forskning › peer review