Lineare Klassifikatoren III
|
|
- Gertrud Keller
- vor 5 Jahren
- Abrufe
Transkript
1 Uiversität Potsdam Istitut für Iformatik Lehrstuhl Maschielles Lere Lieare Klassifikatore III Christoph Sawade, Blaie Nelso, Tobias Scheffer
2 Ihalt Klassifikatiosproblem Bayes sche Klasseetscheidug MAP-Modell Logistische Regressio Empirische Risikomiimierug Kerel Perzeptro, Support Vector Machie Ridge Regressio, LASSO Represeter Theorem Duales Perzeptro, Duale SVM Mercer Map Lere mit strukturierter Ei- ud Ausgabe Taxoomie, Sequeze, Rakig, Maschielles Lere Dekoder, Schittebeealgorithmus 2
3 Review: Lieare Klassifikatio Lieare Klassifikatore: Biäre Klassifikator f θ x = φ x T θ + b Multi-Klasse Klassifikator f θ x, y = φ x T θ y + b y Viele Lerverfahre miimiere Summe eier Verlustfuktioe über die Traiigsdate plus Regularisierer. argmi θ l f θ x i, y i + c Ω θ Wahl der Verlust & Regularisierer gibt verschiedee Verfahre Logistische Regressio, Perzeptro, SVM Maschielles Lere 3
4 Review: Feature Mappigs Alle lieare Verfahre köe als icht-lieare mittels Mappig-Fuktio φ gemacht werde. Bessere Treug ist im Merkmalsraum möglich. Maschielles Lere φ x 1, x 2 = x 1 x 2, x 1 2, x 2 2 Hyperebee im Merkmalsraum etspricht eier ichtlieare Fläche i Origialraum 4
5 Duale Form liearer Modelle Feature Mappig φ x ka hochdimesioal sei Azahl zu schätzeder Parameter θ hägt vo φ ab. Berechug vo φ x ist teuer. Wir müsse φ für jede Traiigbespiel x i ud für jede Vorhersage x bereche. Dies verursacht hohe Reche & Speicheraforderuge. Maschielles Lere Wie köe wir lieare Verfahre apasse, um effiziet mit eier hohe dimesioale φ zu sei? 5
6 Duale Form liearer Modelle Represeter Theorem: We g streg mooto steiged ist, hat das Argumet θ, das L θ = l f θ x i, y i + g f θ 2 miimiert, die Form θ = α i φ x i,, mit α i R. Maschielles Lere f θ x = α i φ x i T φ x Ieres Produkt ist Maß für Ählichlichkeit zwische Beispiele Allgemei ka θ jeder Vektor i Φ sei, aber wir zeige, er muss i der Spaweite der Date sei. 6
7 Represeter Theorem: Beweis Orthogoale Zerlegug: L θ = l f θ x i, y i θ = θ + θ, mit θ Θ = α i φ x i α i R ud θ Θ = θ Θ θ T θ = 0 θ Θ + g f θ 2 Maschielles Lere 7
8 Represeter Theorem: Beweis Orthogoale Zerlegug: L θ = l f θ x i, y i θ = θ + θ, mit θ Θ = α i φ x i α i R ud θ Θ = θ Θ θ T θ = 0 θ Θ Für alle x i gilt da f θ x i = θ T φ x i + θ T φ x i = θ T φ x i + g f θ 2 Maschielles Lere 8
9 Represeter Theorem: Beweis Orthogoale Zerlegug: θ = θ + θ, mit θ Θ = α i φ x i α i R ud θ Θ = θ Θ θ T θ = 0 θ Θ Für alle x i gilt da f θ x i = θ T φ x i + θ T φ x i = θ T φ x i Wie ist θ T φ x i = 0? Somit ist l f θ x i, y i uabhägig vo θ. Da g θ 2 g θ 2, muss θ = 0. L θ = l f θ x i, y i + g f θ 2 Maschielles Lere g θ 2 = g θ + θ 2 = g θ θ 2 2 g θ 2 Da θ T θ = 0 (Satz des Pythagoras) Da g streg mooto wachsed. 9
10 Represeter Theorem Gegebe T = x 1, y 1,, x, y ud Abbildug φ x, baue wir Treebee f θ x = θ T φ x mit Parameter θ. + Die Treebee θ, die L θ = l f θ x i, y i g f θ 2 miimiert, lässt sich repräsetiere als f θ x = θ T φ x = f α x = α i φ x i T φ x Primale Sicht: f θ x = θ T φ x Hypothese θ hat so viele Parameter wie φ x Dimesioe hat. Duale Sicht: f α x = α i φ x i T φ x Hypothese hat so viele Parameter α i wie Beispiele existiere. 10 Maschielles Lere
11 Represeter Theorem Primale Sicht: f θ x = θ T φ x Hypothese θ hat so viele Parameter wie φ x Dimesioe hat. Gut für viele Beispiele, weige Attribute. Maschielles Lere Duale Sicht: f α x = α i φ x T i φ x Hypothese hat so viele Parameter α i wie Beispiele existiere. Gut für weige Beispiele, viele Dimesioe. Repräsetatio φ x ka uedlich viele Dimesioe habe, solage iere Produkt effiziet berechet werde ka: Kerelfuktioe. 11
12 Duale Form liearer Modelle Ei Parametervektor θ, der eie regularisierte Verlustfuktio miimiert, ist immer eie Liearkombiatio der Beispiele: θ = α i φ x i Die duale Form α hat so viele Parameter α i, wie es Traiigsbeispiele gibt. Duale Etscheidugsfuktio: f α x = α i φ x T i φ x. Die primale Form θ hat so viele Parameter θ i, wie φ x Dimetioe hat. Primale Etscheidugsfuktio: f θ x = θ T φ x Die duale Form ist vorteilhaft, we es weige Beispiele ud viele Attribute gibt. Maschielles Lere 12
13 Maschielles Lere DUALES PERZEPTRON 13
14 Duales Perzeptro Perzeptro-Klassifikatio: f θ x i = θ T φ x i Perzeptro: für alle Beispiele muss gelte y i f θ x i > 0 = Beispiel liegt auf der richtige Seite der Ebee Maschielles Lere Update-Schritt : θ = θ + y i φ x i 14
15 Duales Perzeptro Perzeptro-Klassifikatio: f θ x i = θ T φ x i T f α x i = j=1 α j φ x j φ xi Perzeptro: für alle Beispiele muss gelte T y i f θ x i > 0 y i j=1 α j φ x j φ xi > 0 = Beispiel liegt auf der richtige Seite der Ebee Maschielles Lere Update-Schritt : θ = θ + y i φ x i 15
16 Duales Perzeptro Perzeptro-Klassifikatio: f θ x i = θ T φ x i T f α x i = j=1 α j φ x j φ xi Perzeptro: für alle Beispiele muss gelte T y i f θ x i > 0 y i j=1 α j φ x j φ xi > 0 = Beispiel liegt auf der richtige Seite der Ebee Maschielles Lere Update-Schritt : θ = θ + y i φ x i α ew j=1 j φ x j = j=1 α old j φ x j α ew i φ x i = α old i φ x i + y i φ x i α ew i = α old i + y i + y i φ x i 16
17 Dualer Perzeptro-Algorithmus Perzeptro(Istaze x i, y i ) Setze α = 0 DO FOR i = 1,, IF y i f α x i 0 Maschielles Lere THEN α i = α i + y i END WHILE α verädert RETURN α Etscheidugsfuktio: f α x = α i φ x i T φ x 17
18 Duales Perzeptro Perzeptro-Verlust, kei Regularisierer Duale Form der Etscheidugsfuktio: f α x = α i φ x T i φ x Duale Form der Updateregel: Maschielles Lere We y i f α x i 0, da α i = α i + y i Äquivalet zur primale Form des Perzeptros Vorteilhafter als primales Perzeptro, we weige Beispiele vorliege ud φ x viele Dimesioe hat. 18
19 Maschielles Lere DUALE SUPPORT VECTOR MACHINE 19
20 Duale Support Vector Machie + 1 2λ θt θ Primal: mi max 0,1 y i φ x T i θ θ Äquivaletes Optimierugsproblem mit Nebebediguge: mi θ,ξ λ ξ i θt θ such that y i φ x i T θ 1 ξ i ad ξ i 0 Maschielles Lere Ziel: duale Formulierug des Optimierugsproblems 20
21 Duale Support Vector Machie Optimierugsproblem mit Nebebediguge: mi θ,ξ λ ξ i θt θ such that y i φ x i T θ 1 ξ i ad ξ i 0 Zielfuktio: Z( θξ, ) Nebebedigug: g( θξ, ) 0 Lagragefuktio: Z( θ, ξ) g( θ, ξ) Maschielles Lere Lagragefuktio mit Lagrage-Multiplikatore β 0 ud β 0 0 für Nebebediguge: L θ, ξ, β, β 0 = λ ξ i + θt θ 2 β i y i φ x T i θ 1 + ξ i Optimierugsproblem ohe Nebebediguge: mi max L θ, ξ, β, β0 θ,ξ β,β0 β i 0 ξ i 21
22 Duale Support Vector Machie Lagragefuktio: L θ, ξ, β, β 0 = λ ξ i + θt θ 2 β i y i φ x T i θ 1 + ξ i Da kovex i θ, ξ gilt starker Dualitätssatz: β i 0 ξ i Maschielles Lere mi θ,ξ max L θ, ξ, β, β0 β,β0 max mi L θ, ξ, β, β,β 0 β0 θ,ξ ( θξ, ) Miimum: Ableituge vo L ach, ull setze: L θ, ξ, β, θ β0 = 0 θ = β i y i ξ i L θ, ξ, β, β 0 = 0 λ = β i + β i 0 α i φ x i Relatio zwische primale ud duale Parameter, Represeter 22 Theorem.
23 Duale Support Vector Machie Nullstelle der Ableitug i Lagrage-Fuktio eisetze: L θ, ξ, β, β 0 = 1 2 θ T θ β i y i φ x i T θ 1 + ξ i β i 0 ξ i + λ ξ i θ = λ = β i + β i 0 β i y i φ x i Maschielles Lere 23
24 Duale Support Vector Machie Nullstelle der Ableitug i Lagrage-Fuktio eisetze: L θ, ξ, β, β 0 = 1 2 T β i y i φ x i β j y j φ x j j=1 β i y i φ x T i β j y j φ x j 1 + ξ i j=1 θ = β i 0 ξ i λ = β i + β i 0 β i y i φ x i + λ ξ i Maschielles Lere 24
25 Duale Support Vector Machie Nullstelle der Ableitug i Lagrage-Fuktio eisetze: L θ, ξ, β, β 0 = 1 2 T β i y i φ x i β j y j φ x j j=1 β i y i φ x T i β j y j φ x j 1 + ξ i j=1 θ = β i 0 ξ i λ = β i + β i 0 β i y i φ x i + λ ξ i Maschielles Lere = 1 2 β i β j y i y j φ x i T φ x j i,j=1 β i β j y i y j φ x i T φ x j + β i β i + β i 0 ξ i + λ ξ i i,j=1 =λ 25
26 Duale Support Vector Machie Nullstelle der Ableitug i Lagrage-Fuktio eisetze: L θ, ξ, β, β 0 = 1 2 T β i y i φ x i β j y j φ x j j=1 β i y i φ x T i β j y j φ x j 1 + ξ i j=1 θ = β i 0 ξ i λ = β i + β i 0 β i y i φ x i + λ ξ i Maschielles Lere = 1 β 2 i β j y i y j φ x T i φ x j i,j=1 β i β j y i y j φ x T 0 i φ x j + β i β i + β i i,j=1 1 = β i 2 =λ i,j=1 β i β j y i y j φ x i T φ x j ξ i + λ ξ i 26
27 Duale Support Vector Machie Nullstelle der Ableitug i Lagrage-Fuktio eisetze: 1 L β = β i 2 i,j=1 β i β j y i y j φ x i θ = T φ x j Da β 0 0 folgt aus 1λ = β + β 0, dass 0 β i λ. λ = β i + β i 0 β i y i φ x i Maschielles Lere Optimierugskriterium der duale SVM: L1- Regularisierug vo β (sparse) max β such that 0 β i λ 1 β i 2 i,j=1 β i β j y i y j φ x i T φ x j Groß, we β i, β j > 0 für ähliche Beispiele mit uterschiedlicher Klasse. 27
28 Duale Support Vector Machie λ = β i + β i 0 Optimierugskriterium der duale SVM: max β 1 β i 2 i,j=1 such that 0 β i λ β i β j y i y j φ x i T φ x j Lagrage-Multiplikator ist größer Null, geau da we die zugehörige Nebebedigug mit Gleichheit erfüllt ist. β i = 0 β i 0 = λ: es gilt y i φ x i T θ > 1 ξ i & ξ i = 0. (Abstad zur Treebee ist größer als Margi) β i = λ β i 0 = 0: es gilt y i φ x i T θ = 1 ξ i & ξ i > 0. (Beispiel verletzt de Margi) 0 < β i < λ: es gilt y i φ x i T θ = 1 ξ i & ξ i = 0. (Beispiel liegt auf dem Margi) β i : y i φ x i T θ 1 ξ i β i 0 : ξ i 0 28 Maschielles Lere
29 Duale Support Vector Machie Lagrage-Multiplikator ist größer Null, geau da we die zugehörige Nebebedigug mit Gleichheit erfüllt ist. β i = 0 β i 0 = λ: es gilt y i φ x i T θ > 1 ξ i & ξ i = 0. (Abstad zur Treebee ist größer als Margi) Maschielles Lere 29
30 Duale Support Vector Machie Lagrage-Multiplikator ist größer Null, geau da we die zugehörige Nebebedigug mit Gleichheit erfüllt ist. β i = λ β i 0 = 0: es gilt y i φ x i T θ = 1 ξ i & ξ i > 0. (Beispiel verletzt de Margi) Maschielles Lere 30
31 Duale Support Vector Machie Lagrage-Multiplikator ist größer Null, geau da we die zugehörige Nebebedigug mit Gleichheit erfüllt ist. 0 < β i < λ: es gilt y i φ x i T θ = 1 ξ i & ξ i = 0. (Beispiel liegt auf dem Margi) Maschielles Lere 31
32 Duale Support Vector Machie Optimierugskriterium der duale SVM: max β 1 β i 2 i,j=1 such that 0 β i λ β i β j y i y j φ x i T φ x j Maschielles Lere Optimierug über Parameter β. Lösug mit QP-Solver i O 2. Sparse Lösug. Beispiele tauche ur als iere Produkte auf. 32
33 Duale Support Vector Machie Primales ud duales Optimierugsproblem habe dieselbe Lösug. θ = x i SV β i y i φ x i Duale Form der Etscheidugsfuktio: Support-Vektore: β i > 0 Maschielles Lere f β x = β i y i φ x i T φ x Primale SVM: x i SV Lösug ist Vektor θ im Raum der Attribute. Duale SVM: Gleiche Lösug repräsetiert als Gewichte β i der Beispiele. 33
34 Duale Support Vector Machie Hige Loss, L2-Regularisierug Duale Form der Etscheidugsfuktio: f β x = β i y i φ x i T φ x x i SV Duale Form des Optimierugsproblems max β β i 1 2 i,j=1 such that β i β j y i y j φ x i 0 β i λ T φ x j Primale ud duale Optimierugsprobleme habe idetische Lösug, aber primale bzw. duale Form Vorteilhafter als primale SVM, we weige Beispiele vorliege ud φ x viele Dimesioe hat. Maschielles Lere 34
35 Kerel Support Vector Machie Optimierugskriterium der Kerel-SVM: max β such that 1 β i 2 Etscheidugsfuktio: i,j=1 0 β i λ β i β j y i y j k x i, x j Ieres Produkt Fuktio Maschielles Lere f β x = β i y i k x i, x x i SV Beispiele tauche ur i Kerel-Fuktio k x i, x j auf. Feature Mappig φ taucht icht mehr i Optimierugsproblem oder Etscheidugsfuktio auf 35
36 Maschielles Lere KERNELS 36
37 Kerel Feature Mappig φ x ka hochdimesioal sei Azahl zu schätzeder Parameter θ hägt vo φ ab. Berechug vo φ x teuer. Bisher: φ x gegebe, φ x T φ x misst Ählichkeit zwische Beispiele. Viele Verfahre köe umgeformt werde, so dass Beispiele ur als iere Produkte auftauche. Idee: Ersetze ieres Produkt durch beliebiges Ählichkeitsmaß k x, x = φ x T φ x ud mappe Beispiele ur implizit. Für welche Fuktioe k existiert ei Mappig φ x, so dass k ieres Produkt darstellt? 37 Maschielles Lere
38 Kere: Motivatio Köte k x, x jede Ählichkeit Fuktio sei? k muss ei ieres Produkt i irgedeier Merkmalsraum sei sost, verliere wir Bedeutug & Kovexität. Optimierugskriterium des Kerel SVM : max 0 β λ 1 β i 2 i,j=1 β i β j y i y j k x i, x j max 0 β λ 1T β 1 2 y β T K y β K ij = k x i, x j Maschielles Lere Diese Optimierug ist kovex (mit eier eideutige Lösug), we K positiv semi-defiit (ichtegativ Eigewerte) ist. 38
39 Wiederholug: Positive Defiitheit Eie Matrix K heißt positiv semi-defiit, we x x T Kx 0 für alle x gilt. Sie heißt positiv defiit, we die Gleichheit ur für x = 0 gilt. Maschielles Lere Eie Fuktio k heißt positiv semi-defiit, we z x k x, x z x dxdx 0 für alle kotiuierliche Fuktioe z gilt. 39
40 Wiederholug: Positive Defiitheit Eie Matrix K heißt positiv semi-defiit, we x x T Kx 0 Beispiel: Kovariaz-Matrix Σ 1 N x; μ, Σ = 2π m Σ e 1 2 x μ T Σ 1 x μ Positiv defiite Matrize sid ivertierbar ud die Iverse ist auch positive defiit. 3 Maschielles Lere 2 1 x x
41 Wiederholug: Positive Defiitheit Eie Matrix K heißt positiv semi-defiit, we x x T Kx 0 Beispiel: Kovariaz-Matrix Σ 1 N x; μ, Σ = 2π m Σ e Positive Defiitheit impliziert Norm x = x T Σ 1 x 1 2 x μ T Σ 1 x μ 3 Maschielles Lere 2 1 x x
42 Wiederholug: Positive Defiitheit Eie Matrix K heißt positiv semi-defiit, we x x T Kx 0 Beispiel: Kovariaz-Matrix Σ 1 N x; μ, Σ = 2π m Σ e Positive Defiitheit impliziert Norm x = x T Σ 1 x Mahalaobis-Distaz: d x, x = x x T Σ 1 x x 1 2 x μ T Σ 1 x μ x Maschielles Lere x
43 Kere Theorem: Für jede positiv defiite Fuktio k existiert eie Abbildug φ x, so dass k x, x = φ x T φ x für alle x ud x gilt. Maschielles Lere Abbildug icht eideutig. Beispiel φ 1 x = x ud φ 2 x = x : es gilt: φ 1 x T φ 1 x = x T x = x T x = φ 2 x T φ 2 x Gram-Matrix oder Kerel-Matrix K; mit K ij = k x i, x j Matrix der iere Produkte = Ählichkeite zwische Beispiele, -Matrix. k x, x ist PSD we K ei PSD Matrix für jeder Traiigsdate wäre. 43
44 Kere Für jede positiv defiite Fuktio k existiert eie Abbildug φ x, so dass k x, x = φ x T φ x für alle x ud x gilt. Maschielles Lere Kostruktive Beweise: Reproducig Kerel Hilbert Space (RKHS). Idee: Defiiere Mappig als Fuktio φ x = k x,. Defiiere ieres Produkt, zwische Fuktioe Zeige k x, x = k x,, k x,. Mercer Mappig. Idee: Zerlegug vo k i ihre Eigefuktioe. Für Praxis relevat: edlicher Fall. 44
45 Maschielles Lere MERCER MAP 45
46 Mercer Map Eigewertzerlegug: Jede symmetrische Matrix K lässt sich i ihre Eigevektore u i ud Eigewerte λ i zerlege: K = UΛU 1, with Λ = λ 1 0 & U = 0 λ u 1 u Maschielles Lere We K positiv semi-defiit, da sid λ i R 0+ Da Eigevektore orthoormal (u i T u i = 1 ud u i T u j = 0), ist U orthogoal: U T = U 1. 46
47 Mercer Map Somit gilt: Eigewertzerlegug K = UΛU T = UΛ 1/2 Λ 1/2 U T = UΛ 1/2 UΛ 1/2 T Diagoalmatrix mit λ i Maschielles Lere Feature Mappig ka für Traiigsdate ka da defiiert werde als φ x 1 φ x = UΛ 1/2 T 47
48 Mercer Map Feature Mappig ka für Traiigsdate ka da defiiert werde als φ x 1 φ x = UΛ 1/2 T Kerelmatrix zwische Traiigs- ud Testdate K test = Φ X trai T Φ X test = UΛ 1/2 Φ X test Umstelle ergibt Mappig der Testdate Maschielles Lere Φ X test = UΛ 1/2 1 K test Φ X test = Λ 1/2 U T K test U T = U 1 48
49 Mercer Map Nützlich, we für ei Lerproblem eie Kerelfuktio gegebe ist, aber das Lere im Primale erfolge soll. Maschielles Lere Zum Beispiel we die Kerelmatrix zu groß wird (quadratischer Speicherverbrauch!) Besser motiviere! 49
50 Kerel-Fuktioe Polyomielle Kerels: k poly x i, x j = x i T x j + 1 p Radiale Basisfuktio: k RBF x i, x j = e γ x i x j 2 Sigmoide Kerels, Strig-Kerels (z.b. zum Klassifiziere vo Gesequeze). Graph-Kerels zum Lere mit strukturierte Istaze. Maschielles Lere Weitere Literatur: B.Schölkopf, A.J.Smola: Learig with Kerels
51 Polyomielle Kerel Kerel: k poly x i, x j = x T i x j + 1 p Welcher Trasformatio φ etspricht das? Beispiel: 2-D Origialraum, p = 2. Maschielles Lere 51
52 Polyomielle Kerel Kerel: k poly x i, x j = x i T x j + 1 p, 2D-Eigabe, p = 2. k poly x i, x j = x i T x j = x i1 x i2 x j1 x j = x i1 x j1 + x i2 x j Maschielles Lere 52
53 Polyomielle Kerel Kerel: k poly x i, x j = x i T x j + 1 p, 2D-Eigabe, p = 2. k poly x i, x j = x i T x j = x i1 x i2 x j1 x j2 + 1 = x 2 i1 x 2 j1 + x 2 i2 x j2 2 = x i1 x j1 + x i2 x j x i1 x j1 x i2 x j2 + 2x i1 x j1 + 2x i2 x j x j1 2 x j2 Maschielles Lere = 2 x i1 2 x i2 2x i1 x i2 2x i1 2x i2 1 φ x i T Alle Polyome 2. Grades über Eigabeattribute 2x j1 x j2 2x j1 2x j2 1 φ x j 53
54 Polyomielle Kerel Kerel: k poly x i, x j = x i T x j + 1 p, 2D-Eigabe, p = 2. k poly x i, x j = x i T x j = x i1 x i2 x j1 x j2 + 1 = x 2 i1 x 2 j1 + x 2 i2 x j2 2 = x i1 x j1 + x i2 x j x i1 x j1 x i2 x j2 + 2x i1 x j1 + 2x i2 x j x j1 2 x j2 Maschielles Lere = 2 x i1 2 x i2 2x i1 x i2 2x i1 2x i2 1 φ x i T Alle Polyome 2. Grades über Eigabeattribute = x i x i 2x i 1 T x j x j 2x j 1 2x j1 x j2 2x j1 2x j2 1 φ x j 54
55 RBF-Kerel Kerel: k RBF x i, x j = exp γ x i x j 2 Welcher Trasformatio φ etspricht das? Maschielles Lere 55
56 Kerel Kerfuktio k x, x = φ x T φ x berechet Produkt der Feature Mappigs zweier Istaze Ka oft ohe explizite Repräsetatio der φ x berechet werde Beispiel: polyomielle Kere: k poly x i, x j = x i T x j + 1 p Uedlich-dimesioale Feature Mappigs möglich Beispiel: RBF-Kere: k RBF x i, x j = e γ x i x j 2 Für jede positiv-defiite Ker-Fuktio gibt es ei Feature Mappig φ x so dass k x, x = φ x T φ x. Für gegebee Kerel-Matrix liefert die Mercer Map ei Feature Mappig. Maschielles Lere 56
57 Zusammefassug Represeter Theorem: f θ x = α i φ x T i φ x Beispiele ur durch iere Produkte iteragiere Kerel Perzeptro Kerel SVM Perzeptro(Istaze x i, y i ) Setze α = 0 DO FOR i = 1,, END IF y i f α x i 0 THEN α i = α i + y i WHILE α verädert RETURN α max β Kerel-Fuktioe: jeder positiv semi-defiit Fuktio k x, x ist ei ieres Produkt für eiige Merkmalsraum. lieares Modell: f θ x = α i k x i, x Feature Mappig ist implizit. such that β i 1 2 i,j=1 0 β i λ β i β j y i y j k x i, x j f β x = β i y i k x i, x x i SV 57 Maschielles Lere
58 Frohe Weihachte & Eie Gute Rutsch Maschielles Lere Nächstes Mal: Kere für strukturierte Date & Lere für strukturierte Ausgäge 58
Für eine n n-matrix A müssen wir die Gleichung. lösen. Falls (A λi) invertierbar ist, dann ist. Dann ist aber λ kein Eigenwert.
Geschlossees Leotief-Modell Ei Leotief-Modell für eie Volkswirtschaft heißt geschlosse, we der Kosum gleich der Produktio ist, d.h. we Kapitel 5 Eigewerte V x = x Es hadelt sich dabei um eie Spezialfall
Mehr4. Vektorräume mit Skalarprodukt
4. Vektorräume mit Skalarprodukt Wiederholug: V=R x, y R: x= x x i x, y= y y, :R R R Skalarprodukt Stadardskalarprodukt lieare Abbildug mit 2 Argumete 4. Eigeschafte vo Skalarprodukte Def.: Es sei V ei
MehrStrukturelle Modelle in der Bildverarbeitung Markovsche Ketten II
Strukturelle Modelle i der Bildverarbeitug Markovsche Kette II D. Schlesiger TUD/INF/KI/IS Statioäre Verteilug Verborgee Markovsche Kette (HMM) Erkeug stochastisches Automate D. Schlesiger SMBV: Markovsche
MehrWiederholung: Linearer Ausgleich 1. Linearer Ausgleich. Vorlesung April. Aufgabe Gegeben Naturgesetz
Vorlesug 4 6 + 9 April Bei w,, w m, v R ; (w,, w m =: A R (,m ud ieres Produkt = euklidisches Produkt schrieb sich das Approximatiosproblem so: Fide w = Wiederholug: m ζ k w k mit w v w v w spa{w,, w m
MehrBesprechung: S. 1/1
Übug 8 Aufgabe 8.1 Sei P R ei Polytop mit P Z =vert(p ). Zeige Sie, dass vert(p ) 2. Aufgabe 8.2 Sei P V ei ratioales Polyeder. Zeige Sie, dass P ebefalls ei ratioales Polyeder ist. Aufgabe 8.3 Sei u 1,...,u
MehrLangrange-Multiplikators und Hinreichende Bedingungen
Albert Ludwigs Uiversität Freiburg Abteilug Empirische Forschug ud Ökoometrie Mathematik für Wirtschaftswisseschaftler Dr. Sevtap Kestel Witer 008 10. November 008 14.-4 Lagrage-Multiplikators ud Hireichede
MehrII.2 Mathematisches Handwerkszeug
II.2 Mathematisches Hadwerkszeug 2.1 Vektorraum der quadratitegrierbare Fuktioe Eie Fuktio f = f(x) heißt quadratitegrierbar, we das Itegral vo bis + eie edliche Wert hat: f(x) 2 dx < (1) Für ei eifache
MehrÜbungen zur Analysis II SS 2006
Mathematisches Istitut der Uiversität Heidelberg Prof. Dr. R. Weissauer/Dr. U. Weselma http://www.mathi.ui-heidelberg.de/ weselma.uebuge.html Übuge zur Aalysis II SS 26 Lösugshiweise Blatt 3 Aufgabe 8*
Mehrund wird als n-dimensionaler (reeller) Vektorraum bezeichnet. heißt der von v 1,..., v k aufgespannte Unterraum des R n.
Reeller Vektorraum Kapitel Vektorräume Die Mege aller Vektore x mit Kompoete bezeiche wir mit x R =. : x i R, i x ud wird als -dimesioaler (reeller) Vektorraum bezeichet. Defiitio Ei Vektorraum V ist eie
MehrÜbungsaufgaben mit Lösungen zur Analysis und linearen Algebra
Übugsaufgabe mit Lösuge zur ud lieare Algebra Fuktioe mit eier uabhägige Variable, Folge ud Reihe ) Bilde Sie die. Ableitug der folgede Fuktioe: a) f (x) = (x 7 + 5x + 4) 0 = f (x) = 0(x 7 + 5x + 4) 9
MehrKlausur zum Grundkurs Höhere Mathematik I
Korrektur 6.06.06:.,3. ; 7.07.06: 3. Name, Vorame: Studiegag: Matrikelummer: 3 4 5 6 Z Pukte Note Klausur zum Grudkurs Höhere Mathematik I für BNC, GtB, MB, EC, TeM, VT, KGB, WWT, ESM, FWK, BGi, WiW 0.
MehrAufgaben zur Analysis I
Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.
MehrVorbereitung auf 6. Übungsblatt (Präsenzübungen) - Lösungen
Prof. Dr. Raier Dahlhaus Statisti Witersemester 06/07 Vorbereitug auf 6. Übugsblatt Präsezübuge - Lösuge Aufgabe P0 Bereche vo UMVU-Schätzer. Gegebe sei jeweils ei statistisches Modell R, B R, P θ, θ Θ
MehrProseminar: Mathematisches Problemlösen. Ungleichungen 2. Pierre Schmidt. Vortragstermin: 19. Juni Fakultät für Mathematik
Prosemiar: Mathematisches Problemlöse Ugleichuge Pierre Schmidt Vortragstermi: 19. Jui 015 Übugsleiteri: Dr. Natalia Griberg Fakultät für Mathematik Karlsruher Istitut für Techologie Ihaltsverzeichis 1
MehrÜbungen zur Linearen Algebra 1
Übuge zur Lieare Algebra 1 Lösuge Witersemester 009/010 Uiversität Heidelberg Mathematisches Istitut Lösuge Blatt 8 Dr D Vogel Michael Maier Aufgabe 33 Gehe wir aalog zu Algorithmus vor: v 1 M(4,K) A :=
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
Mehr4.6 Berechnung von Eigenwerten
4.6 Berechug vo Eigewerte 4.6 Berechug vo Eigewerte I diesem Abschitt befasse wir us mit dem Eigewertproblem: zu gegebeer Matrix A R sid die Eigewerte (ud gegebeefalls Eigevektore) gesucht. Wir erier a
MehrEigenwertproblem 1. Das Eigenwertproblem
Eigewertproblem Das Eigewertproblem L Germa, R Grisch, N Ghielmetti, D Graata 504007 Eigewertproblem Eigewerte Eie Zahl heisst Eigewert der Matrix, falls es eie Vektor x 0 gibt, so dass x x Die Matrix
Mehr4. Der Weierstraßsche Approximationssatz
H.J. Oberle Approximatio WS 213/14 4. Der Weierstraßsche Approximatiossatz Wir gebe i diesem Abschitt eie ostrutive Beweis des Weierstraßsche Approximatiossatzes, der mit de so geate Berstei-Polyome (Felix
MehrÜbungsaufgaben zu Analysis 1 Lösungen von Blatt XII vom sin(nx) n sin(x). sin(ax) a sin(x) z = re iϕ = r(cos(ϕ) + i sin(ϕ)) z n = w
Prof. Dr. Moritz Kaßma Fakultät für Mathematik Witersemester 04/05 Uiversität Bielefeld Übugsaufgabe zu Aalysis Lösuge vo Blatt XII vom 5.0.5 Aufgabe XII. 3 Pukte) Beweise Sie, dass für alle R ud N die
Mehr6. Übung - Differenzengleichungen
6. Übug - Differezegleichuge Beispiel 00 Gesucht sid alle Lösuge vo a) x + 3x + = 0 ud b) x + x + 7 = 0, jeweils für 0. Um diese lieare Differezegleichug erster Ordug zu löse, verwede wir die im Buch auf
MehrKovarianz und Korrelation
Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio
MehrDiesen Grenzwert nennt man partielle Ableitung von f nach x i und
Bevor wir zum ächste Kapitel übergehe, werde wir de Begri eier Fuktio i mehrere Variable eiführe. Eie Fuktio vo Variable ist eie Vorschrift, die jedem Pukt (x 1,x,...,x ) eier Teilmege D des IR eie bestimmte
Mehr4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa
20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle
MehrDeterminante und Resultante Azadeh Pasandi
Determiate ud Resultate 07.01.2009 Azadeh Pasadi Defiitio ud Grudeigeschafte: sei U, V, W ud Vektor-Raum über Körper F ud beachte eie Abbildug f ( u,v ) vo kartesische Produkt: f: U x V W Diese Abbildug
MehrHöhere Mathematik 3. Kapitel 12 Differenzengleichungen, z-transformation. Prof. Dr.-Ing. Dieter Kraus
Höhere Mathematik 3 Kapitel 1 Differezegleichuge, z-trasformatio Prof. Dr.-Ig. Dieter Kraus Höhere Mathematik 3 Kapitel 1 Ihaltsverzeichis 1 Differezegleichuge, -Trasformatio...1-1 1.1 Eiführug i Differezegleichuge...1-1
MehrEs gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden
Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen. (02 Funktionenklassen) Prof. Dr. Susanne Albers
Vorlesug Iformatik 2 Algorithme ud Datestrukture (2 Fuktioeklasse) Prof. Dr. Susae Albers Beschreibug ud Aalyse vo Algorithme Mathematisches Istrumetarium zur Messug der Komplexität (des Zeitud Platzbedarfs
MehrMathematische Grundlagen (01141) WS 2010/11
Mathematische Grudlage (04) WS 200/ Klausur am 26.0.20: Musterlösuge Aufgabe Sei 0 = 2. Da gilt 2 2 = 4 ud 2 + =, also 2 2 > 2 +, der Iduktiosafag. Iduktiosaahme: Für ei 2 gilt 2 > +. Iduktiosschritt:
Mehr2 Konvergenz von Folgen
Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge
MehrComputer-Graphik 2 SS 10
5/3/10 lausthal omputer-raphik I. Zachma lausthal Uiversity, ermay zach@i.tu-clausthal.de Frühe Beispiele / Motivatio Beispiele für : Parameter t auf der erade Kotevektor bei B-Splies u,v-parameter bei
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 12. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 8/9 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum. Übugsblatt
MehrSo lösen Sie die Gleichung für den Korrelationskoeffizienten
8. Lieare Regressio 8.1. Die Methode der kleiste Quadrate Regressiosgerade bzw. Ausgleichsgerade sid eie Auswertug vo statistische Messdate. Dabei sid Datepukte ( x 1, y 1 ),( x 2, y 2 ), ( x, y ) gegebe.
Mehr38 Normen und Neumannsche Reihe
168 V. Lieare Algebra 38 Norme ud Neumasche Reihe Wir erier zuächst a (vgl. 15.6) 38.1 Normierte Räume. Es sei E ei Vektorraum über K = R oder K = C. Eie Abbildug : E [0, ) heißt Norm auf E, falls gilt
MehrA 2. Abb. 1: Analogon zum rechtwinkligen Dreieck
Has Walser, [0076], [0080] Verallgemeierug des Satzes vo Pythagoras Hiweis: H. Sch., W. Im Raum. Aalogo zum rechtwiklige Dreieck Wir ersetze de zweidimesioale rechte Wikel durch eie Raumecke, wie sie bei
MehrMethode der kleinsten Quadrate
Methode der kleiste Quadrate KAPITEL 5: REGRESSIONSRECHNUNG Die Methode der kleiste Quadrate (MklQ) ist ei Verfahre zur Apassug eier Fuktio a eie Puktwolke. Agewadt wird sie beispielsweise, um eie Gesetzmäßigkeit
Mehr5.3 Wachstum von Folgen
53 Wachstum vo Folge I diesem Abschitt betrachte wir (rekursiv oder aders defiierte) Folge {a } = ud wolle vergleiche, wie schell sie awachse, we wächst Wir orietiere us dabei a W Hochstättler: Algorithmische
MehrZusammenfassung: Gleichungen und Ungleichungen
Zusammefassug: Gleichuge ud Ugleichuge Ihaltsverzeichis Polyomgleichuge ud -ugleichuge Bruch-, Wurzel- ud Betragsgleichuge ud -ugleichuge 6 Für Eperte 9 Polyomgleichuge ud -ugleichuge Defiitio: Ei Term
MehrBayessches Lernen (II)
Uiversität Potsdam Istitut für Iformatik Lehrstuhl Maschielles Lere Bayessches Lere (II) Christoph Sawade/Niels Ladwehr Jules Rasetahariso Tobias Scheffer Überblick Wahrscheilichkeite, Erwartugswerte,
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
Mehrn 2(a + bx i y i ) = 0 und i=1 n 2(a + bx i y i )x i = 0 i=1 gilt. Aus diesen beiden Gleichungen erhalten wir nach wenigen einfachen Umformungen
Regressio Dieser Text rekapituliert die i der Aalsis ud Statistik wohlbekate Methode der kleiste Quadrate, auch Regressio geat, zur Bestimmug vo Ausgleichsgerade Regressiosgerade ud allgemei Ausgleichpolome.
MehrAnalysis I - Zweite Klausur
Aalysis I - Zweite Klausur Witersemester 2004-2005 Vorame: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Aufgabe 8 Aufgabe 9 Summe Aufgabe 4 Pukte Bestimme Sie (mit Beweis)
MehrStarke und schwache Einwegfunktionen
Starke ud schwache Eiwegfuktioe Daiela Weiberg weiberg@iformatik.hu-berli.de Semiar: Perle der theoretische Iformatik Dozete: Prof. Johaes Köbler, Olaf Beyersdorff Witersemester 2002/2003 2. Dezember 2002
MehrDie Jensensche Ungleichung
Die Jesesche Ugleichug Has-Gert Gräbe, Uiv Leipzig Februar 1998 1 Kovexe ud kokave Fuktioe Wir betrachte eie stetige Fuktio y = (x), die au eiem oee Itervall ]a, b[ deiiert sei möge Eie solche Fuktio köe
MehrPerkolation (WS 2014) Übungsblatt 2
Istitut für Stochasti Prof. Dr. G. Last Dipl.-Math. S. Ziesche Perolatio WS 04 Übugsblatt Aufgabe Zeige Sie für T, dass θ 0 p ud χ 0 p stetig auf [0, ] sid, we ma als Wertebereich R + { } zulässt. Lösug:
Mehrk + n + 1. t k+n dt =
7 Orthogoalpolyome Beispiel Sei f : [,] R stetig. Aufgabe: Bestimme die Bestapproximatio P P N mit P f Q f für alle Q P N bezüglich der Norm u = u,u mit dem Salarprodut u,v = u(t)v(t). Lösug : Wähle Moombasis,t,t,...,t
MehrUnterlagen zur Vorlesung Algebra und Geometrie in der Schule: Grundwissen über Euklidische Geometrie. Sommersemester 2007.
Uterlage zur Vorlesug Algebra ud Geometrie i der Schule: Grudwisse über Euklidische Geometrie Sommersemester 2007 Fraz Pauer INSTITUT FÜR MATHEMATIK, UNIVERSITÄT INNSBRUCK, TECHNIKERSTRASSE 25, 6020 INNSBRUCK,
Mehr( ), der genau auf der Geraden ( ) 2 ( ) #( ) 8. Lineare Regression. = f i. Nach der Summe der kleinsten. mx i
8. Lieare Regressio 8.1. Die Methode der kleiste Quadrate Regressiosgerade bzw. Ausgleichsgerade sid eie Auswertug vo statistische Messdate. Ziel dieses Verfahres ist es, Beziehuge zwische zwei Merkmale
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Sebastia Schwarz WS 04/05 5..04 Höhere Mathematik für die Fachrichtug Physik Lösugsvorschläge zum 9. Übugsblatt
MehrLGÖ Ks VMa 12 Schuljahr 2017/2018
LGÖ Ks VMa Schuljahr 7/8 Zusammefassug: Gleichuge ud Ugleichuge Ihaltsverzeichis Polyomgleichuge ud -ugleichuge Bruch-, Wurzel- ud Betragsgleichuge ud ugleichuge 6 Für Experte 8 Polyomgleichuge ud -ugleichuge
MehrKapitel 4. Budgetmenge. Budgetmenge. Nutzenmaximierung und Konsumentenauswahl. Nutzenmaximierung und Konsumentenauswahl
Nutzemaimierug ud Kosumeteauswahl Kaitel 4 Nutzemaimierug ud Kosumeteauswahl Defiitio der Budgetmege ud der Budgetbeschräkug. Die ege der mögliche Alterative Darstellug der otimale Kosumeteauswahl: Grahisch.
MehrLeitfaden Bielefeld SS 2007 III-4
Leitfade Bielefeld SS 2007 III-4 8.2. Der allgemeie Fall. Satz. Sei N 1, sei ω eie primitive -te Eiheitswurzel ud K = Q[ω ]. Da gilt: (a) [K : Q] = φ(), (b) Φ ist irreduzibel, (c) O K = Z[ω ]. (d) Eie
MehrAufgaben zu Kapitel 2
2 Sei a R ud seie a ud a Iverse vo a Da ist a = a = a ( aa ) = ( a a)a = a = a 22 Wege Aufgabe 4 bleibt lediglich (R2) ud (R3) zu zeige (R2): Die Multipliatio ist offebar assoziativ Das Eiselemet ist die
MehrMathe für QM Fokus. Zusammenfassung.
Mathe für QM Fokus. Zusammefassug. I) Der Hilbertraum. Vollstädiger, uitärer Raum. a) Volstädiges Orthoormalsystem (VONS). b) Lieares Fuktioal, dualer Raum, Dirac Notatio. c) Lieare Operatore im Hilbertraum.
Mehr2. Übung Algorithmen II
Johaes Sigler, Prof. Saders 1 Johaes Sigler: KIT Uiversität des Lades Bade-Württemberg ud atioales Forschugszetrum i der Helmholtz-Gemeischaft Istitut für Theoretische www.kit.edu Iformatik Orgaisatorisches
Mehr8. Gewöhnliche Differentialgleichungen (ODE)
8 Gewöhliche Differetialgleichuge (ODE) 81 Motivatio Eidimesioale (1d) Bewegug eies Teilches (Masse m, keie Reibug) im Potezial U() U() E klassisch: Ermittle die Bahkurve/Trajektorie (t) des Massepukts
MehrComputergrafik Inhalt Achtung! Kapitel ist relevant für CG-2!
Computergrafik Ihalt Achtug! Kapitel ist relevat für CG-2! 0 1 2 3 4 5 6 7 8 Historie, Überblick, Beispiele Begriffe ud Grudlage Objekttrasformatioe Objektrepräsetatio ud -Modellierug Sichttrasformatioe
Mehr4. Reihen Definitionen
4. Reihe 4.1. Defiitioe Addiere wir die Glieder eier reelle Zahlefolge (a k ), so heißt diese Summe S (uedliche) (Zahle-) Reihe S (Folge: Fuktio über N; Reihe: 1 Zahl): S := a 1 + a 2 + a 3 +... := Σ a
MehrUniversität Stuttgart Fachbereich Mathematik. 1 Lineare Abbildungen und Matrizen. 1.1 Um was geht es?
Uiversität Stuttgart Fachbereich Mathematik Prof Dr C Hesse PD Dr P H Lesky Dipl Math D Zimmerma Msc J Köller FAQ 4 Höhere Mathematik 724 el, kyb, mecha, phys Lieare Abbilduge ud Matrize Um was geht es?
MehrLösungen zum Übungsblatt 2
Fakultät für Luft- ud Raumfahrttechik Istitut für Mathematik ud Recherawedug Partielle Differetialgleichuge II (ME), Prof. Dr. J. Gwier Übug: N. Ovcharova, K. Dvorsky 6. Jauar bis 9. Februar 011 Lösuge
MehrHEUTE. Beispiele. O-Notation neue Einführung Ideen und Eigenschaften Aufgaben 47 und 52
11.02.04 1 HEUTE 11.02.04 3 Beispiele 2, 2 2, 2 +, 1 2 2 log habe asymptotisch gleiches Wachstum: O-Notatio eue Eiführug Idee ud Eigeschafte Aufgabe 47 ud 2 Aufteilugs- ud Beschleuigugssatz Idee ud Awedug
MehrProseminar Lineare Algebra WS 2016/17
Prosemiar Lieare Algebra WS 2016/17 Bachelorstudium Lehramt Sekudarstufe (Allgemeibildug) Lehramtsstudium Uterrichtsfach Mathematik Kapitel 0: Grudlage 1. Wie sid die Begriffe Vereiigug, Durchschitt ud
Mehr1.3 Funktionen. Seien M und N Mengen. f : M N x M : 1 y N : y = f(x) nennt man Funktion oder Abbildung. Beachte: Zuordnung ist eindeutig.
1.3 Fuktioe Seie M ud N Mege f : M N x M : 1 y N : y fx et ma Fuktio oder Abbildug. Beachte: Zuordug ist eideutig. Bezeichuge: M : Defiitiosbereich N : Bildbereich Zielmege vo f Der Graph eier Fuktio:
Mehr8. Übungsblatt Aufgaben mit Lösungen
8. Übugsblatt Aufgabe mit Lösuge Aufgabe 36: Bestimme Sie alle z C, für die die folgede Potezreihe kovergiere: z z a, b! +, c z +. = = Lösug 36: Wir bezeiche de Kovergezradius mit r. a Wir wede das Quotietekriterium
MehrMathematik 1 für Informatik
Guter Ochs. Juli 203 Mathematik für Iformatik Probeklausur Lösugshiweise. a Bestimme Sie per NewtoIterpolatio ei Polyom px mit möglichst kleiem Grad, so dass p = p0 = p = sowie p2 = 7. i x i y i d i,i
MehrProseminar Optimierung, Graphentheorie und Stochastik
Prosemiar Optimierug, Graphetheorie ud Stochastik Michael Kalab 9. Dezember 0 Ihaltsverzeichis Markov-Kette stochastische Matrix 3 Vektoriteratio 4 Problemstellug 5 Spektralorm 4 6 Lösug der Problemstellug
Mehrund da die Fouriertransformation bijektiv auf S (R n ) folgt das Resultat.
Lösug 1. a) Da A symmetrisch positiv defiit ist auch A 1 symmetrisch positiv defiit ud mit Kapitel. folgt Φ A (k) e 1 xt Ax. Mit dem Faltugssatz ist Φ A Φ B (k) Φ A (k) Φ B (k) Φ A+B (k) ud da die Fouriertrasformatio
MehrKapitel 6 Differenzierbarkeit
Kapitel 6 Differezierbarkeit Ihalt 6.1 6.1Die Defiitio 6.2 6.2Die Eigeschafte 6.3 6.3Extremwerte Seite 2 Was heißt differezierbar? Differezierbare Fuktioe sid sid glatte Fuktioe. Wir Wir beschreibe diese
MehrZusammenfassung: Gleichungen und Ungleichungen
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug: Gleichuge ud Ugleichuge Ihaltsverzeichis Polyomgleichuge ud -ugleichuge Bruch-, Wurzel- ud Betragsgleichuge ud ugleichuge 6 Für Eperte 8 Polyomgleichuge ud -ugleichuge
MehrÜbungsaufgaben mit Lösungen. Mathematik I
Fachhochschule Pforzheim - Eletrotechi / Iformatiostechi - Übugsaufgabe mit Lösuge zur Vorlesug Mathemati I Prof. Dr. Mazura ud Prof. Dr. Gohout) für Studete der Fachrichtuge Eletrotechi / Techische Iformati
MehrProbeklausur. (b) Was geschieht, wenn man ein Quantenbit in einem solchen Zustand misst?
Quaterecher Witersemester 5/6 Theoretische Iformatik Uiversität Haover Dr. Matthias Homeister Dipl.-Math. Heig Schoor Probeklausur Hiweis: Diese Probeklausur ist kürzer als die tatsächliche Klausur.. a
MehrLösungen zur Übungsserie 10
Aalysis Herbstsemester 08 Prof Peter Josse Motag, 3 Dezember Lösuge zur Übugsserie 0 Aufgabe,,4,,6,8,9,,,3,4 Aufgabe Sei V der R-Vektorraum der stetige Fuktioe auf dem Itervall [0, ], ud sei d 0 eie gaze
Mehrx = a + b α + β. b) Wir erweitern den Bruch geeignet (Standardtrick: z z ist reell, daher ergibt 1/z = 1/z z/ z = z/(z z) einen reellen Nenner):
Karlsruher Istitut für Techologie (KIT) Istitut für Aalysis Priv-Doz Dr P C Kustma Dr D Frey WS 0/ Höhere Mathematik I für die Fachrichtug Physik Lösugsvorschläge zum 3 Übugsblatt Aufgabe Zuächst zum Supremum:
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik für Iformatiker -- 9 Folge -- 6.1.215 1 Folge: Defiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reihefolge wichtig,
MehrKonvexität und Ungleichungen
Koveität ud Ugleichuge Tag der Mathematik 2003 Holger Stepha Weierstraß Istitut für Agewadte Aalysis ud Stochastik http://www.wias-berli.de/people/stepha = Für mathematisch iteressierte Schüler = Folie
MehrSchätzung der Kovarianzmatrix
Schätzug der Kovariazmatri Aus eiem Esemble vo Beobachtuge { i } ka die Kovariazmatri (Zetralmomete) geschätzt werde: C E{( )( ) } R ˆ 1 k ˆ k ˆ k 1 Schätzwert (edliche Summe): C ( )( ) ud dem Schätzwert:
MehrDie Lösung der Rekursion. mit a, c, d R >0, b N >0 verhält sich so:
Asymptotische Notatio Ladaus asymptotische Notatio O, Ω, o, ω, Θ, wird vorausgesetzt siehe Folie auf webseite oder eischlägige Literatur (z.b. Corme, Leiserso, Rivest) Geometrische Reihe α 0 folgt aus
MehrWörterbuchmethoden und Lempel-Ziv-Codierung
Kapitel 3 Wörterbuchmethode ud Lempel-Ziv-Codierug I diesem Abschitt lere wir allgemei Wörterbuchmethode zur Kompressio ud isbesodere die Lempel-Ziv (LZ))-Codierug kee. Wörterbuchmethode sid ei eifaches
Mehr8. Die Exponentialfunktion und die trigonometrischen Funktionen. 8.1 Definition der Exponentialfunktion
8. Die Expoetialfuktio ud die trigoometrische Fuktioe 8. Defiitio der Expoetialfuktio Fudametallemma: Für jede Folge w mit dem Grezwert w gilt: w lim + = k = 0 k w. k! Defiitio der Expoetialfuktio : k
Mehrn (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 =
Aufgabe 1: (6 Pukte) Zeige Sie für alle N die Formel: 1 2 + 2 3 + 3 4 +... + ( + 1) = ( + 1)( + 2). 3 Lösug: Beweis durch vollstädige Iduktio. Iduktiosafag: Für = 1 gilt: 1 2 = 2 = 1(1 + 1)(1 + 2) 3 Iduktiosschritt:
MehrMathematik III. Vorlesung 81. Eigenschaften des Dachprodukts. Die folgende Aussage beschreibt die universelle Eigenschaft des Dachproduktes.
Prof. Dr. H. Breer Osabrück S 2010/2011 Mathematik III Vorlesug 81 Eigeschafte des Dachprodukts Die folgede Aussage beschreibt die uiverselle Eigeschaft des Dachproduktes. Satz 81.1. Es sei K ei Körper,
MehrVorkurs Mathematik für Informatiker Potenzen und Polynome --
Vorkurs Mathematik für Iformatiker -- Poteze ud Polyome -- Thomas Huckle Stefa Zimmer (Stuttgart) 6.0.06 Vorwort Es solle Arbeitstechike vermittelt werde für das Iformatikstudium Der wesetliche Teil ist
MehrDynamisches Programmieren Stand
Dyamisches Programmiere Stad Stad der Dige: Dyamische Programmierug vermeidet Mehrfachberechug vo Zwischeergebisse Bei Rekursio eisetzbar Häufig eifache bottom-up Implemetierug möglich Das Subset Sum Problem:
MehrWahrscheinlichkeitsrechnung & Statistik - Ergänzung zum Skript
Wahrscheilichkeitsrechug & Statistik - Ergäzug zum Skript Prof. Schweizer 9. Oktober 008 Mitschrift: Adreas Steiger Warug: Wir sid sicher dass diese Notize eie Mege Fehler ethalte. Betrete der Baustelle
MehrMathematische Probleme, SS 2015 Montag 1.6. $Id: convex.tex,v /06/01 09:26:03 hk Exp $
athematische Probleme, 2015 otag 1.6 $Id: cove.te,v 1.19 2015/06/01 09:26:03 hk Ep $ 3 Kovegeometrie 3.2 Die platoische Körper I der letzte itzug habe wir mit de Vorarbeite zur Berechug der platoische
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrNicht-Anwendbarkeit des Master- Theorems
Nicht-Awedbarkeit des Master- Theorems Beispiel: Betrachte die Rekursiosgleichug T () = 2T ( 2 ) + log. Es gilt sicherlich f () = Ω( log b a ) = Ω(), aber icht f () = Ω( log b a+ɛ ). Ma beachte, dass f
MehrHöhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive Komplexe Analysis und Integraltransformationen
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz Dr P C Kustma Dipl-Math M Uhl Sommersemester 009 Höhere Mathematik II für die Fachrichtuge Elektroigeieurwese Physik ud Geodäsie iklusive Komplexe Aalysis
Mehrso spricht man von einer kommutativen Gruppe oder auch abelschen Gruppe.
Defiitioe ud Aussage zu ruppe Michael ortma Eie ruppe ist ei geordetes Paar (, ). Dabei ist eie icht-leere Mege, ist eie Verküpfug (Abbildug), wobei ma i.a. a b oder gar ur ab statt ( a, b) schreibt. Es
MehrÜbungen zur Infinitesimalrechnung 2, H.-C. Im Hof 19. März Blatt 4. Abgabe: 26. März 2010, Nachmittag. e x2 dx + e x2 dx = 2 e x2 dx
Übuge zur Ifiitesimalrechug, H.-C. Im Hof 9. März Blatt 4 Abgabe: 6. März, Nachmittag Aufgabe. Zeige e x dx π. Beweis. Wir bemerke als erstes, dass e x dx e x dx + e x dx e x dx formal sieht ma dies per
MehrZusammenfassung: Folgen und Konvergenz
Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 6 Für Experte 8 Defiitioe ud Beispiele für Folge Defiitio Eie
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
MehrÜbersicht. Datenstrukturen und Algorithmen. Rekursionsgleichungen. Übersicht. Vorlesung 6: Mastertheorem (K4) Joost-Pieter Katoen
Übersicht Datestrukture ud Algorithme Vorlesug 6: (K) Joost-Pieter Katoe Lehrstuhl für Iformatik 2 Software Modelig ad Verificatio Group 1 Substitutiosmethode Rekursiosbäume http://moves.rwth-aache.de/teachig/ss-15/dsal/
MehrAnwendungen der Wahrscheinlichkeit II. Markovketten
Aweduge der Wahrscheilichkeit II 1. Fragestelluge Markovkette Markovkette sid ei häufig verwedetes Modell zur Beschreibug vo Systeme, dere Verhalte durch eie zufällige Übergag vo eiem Systemzustad zu eiem
MehrMathematik 2 für Naturwissenschaften
Has Walser Mathematik für Naturwisseschafte Modul 0 Regressiosgerade ud Korrelatio Has Walser: Modul 0, Regressiosgerade ud Korrelatio ii Ihalt Die Regressiosgerade.... Problemstellug.... Berechug der
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
MehrDynamische Programmierung Matrixkettenprodukt
Dyamische Programmierug Matrixketteprodukt Das Optimalitätsprizip Typische Awedug für dyamisches Programmiere: Optimierugsprobleme Eie optimale Lösug für das Ausgagsproblem setzt sich aus optimale Lösuge
Mehr