Modelle, Version Spaces, Lernen
|
|
- Rudolf Berg
- vor 5 Jahren
- Abrufe
Transkript
1 Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Maschnelles Lernen Modelle, Verson Spaces, Lernen Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer
2 Überblck Problemstellungen: Klassfkaton und Regresson Modelle und Hypothesenraum Verlustfunktonen und Regularserer Unscherhet, Wahrschenlchketen, Bayes sche Regel 2
3 Überblck Problemstellungen: Klassfkaton und Regresson Modelle und Hypothesenraum Verlustfunktonen und Regularserer Unscherhet, Wahrschenlchketen, Bayes sche Regel 3
4 Klassfkaton Engabe: Instanz (Objekt) x X. Objekte oft durch Vektor von Attrbuten repräsentert Instanz st Belegung der Attrbute. x1 x... xm Merkmalsvektor Ausgabe: Klasse y Y; endlche Menge Y. Klasse wrd auch als Zelattrbut bezechnet y x heßt auch (Klassen)Label Klassfkator y 4
5 Klassfkaton: Bespel Engabe: Instanz (Objekt) x X. X = Menge aller möglchen Kombnatonen ener Menge von Medkamenten Attrbute Medkament 1 enthalten? Medkament 6 enthalten? 0 Instanz x Ausgabe: yy { toxsch, ok} / Belegung der Attrbute, Merkmalsvektor Medkamentenkombnaton Klassfkator 5
6 Klassfkaton: Bespel Engabe: Instanz (Objekt) x X. X = Menge aller 16x16 Pxel Btmaps Attrbute Instanz x 0.1 Grauwert Pxel Grauwert Pxel Ausgabe: yy {0,1,2,3,4,5,6,7,8,9}: erkannte Zffer Pxelwer rte Klassfkator "6" 6
7 Klassfkaton: Bespel Engabe: Instanz (Objekt) x X. X Attrbute Wort 1 kommt vor? = Menge aller möglchen Emal-Texte Wort N kommt vor? N Ausgabe: y Y { spam, ok} Instanz x Emal 0 Address Dear Benefcary, 1 Benefcary 0 Frend... 1 Sterlng 0 Scence your Emal address has been pcked onlne n ths years MICROSOFT CONSUMER AWARD as a Wnner of One Hundred and Ffty Fve Thousand Pounds Sterlng Dear Benefcary, We are pleased to notfy you that your Emal address has been pcked onlne n ths second quarter's MICROSOFT CONSUMER AWARD (MCA) as a Wnner of One Hundred and Ffty Fve Thousand Pounds Sterlng Klassfkator Spam 7
8 Klassfkatonslernen Idee: Klassfkator aus Daten lernen Engabe Lernproblem: Tranngsdaten. L ( x, y ),...,( x, y ) x x y ( 1 1 N N x 1... xm Objektrepräsentaton Klassenlabel (, ok) (, ) toxsch (, ) 0 ok 1 1 ( x, y ) ( x, y ) ( x, y ) x1 1 x
9 Klassfkatonslernen Engabe Lernproblem: Tranngsdaten. L x, y ),...,( x, y ) x ( 1 1 N N x 1... xm Ausgabe: Klassfkator (auch als Modell bezechnet). f : X Y, wenn x1 1 x3 0 x6 1 f ( x), sonst 9
10 Klassfkatonslernen Engabe Lernproblem: Tranngsdaten. L x, y ),...,( x, y ) x ( 1 1 N N x 1... xm Ausgabe: Klassfkator (auch als Modell bezechnet). f : X Y, wenn x1 1 x3 0 x6 1 f ( x), sonst Lnearer Klassfkator mt Parametervektor w. f w ( x), sonst T m wx 1 T, wenn wx b 0 wx 10
11 Klassfkatonslernen Engabe Lernproblem: Tranngsdaten. L x, y ),...,( x, y ) x ( 1 1 N N x 1... xm Ausgabe: Klassfkator (auch als Modell bezechnet). f : X Y Verschedene Klassen von Klassfkatoren - Entschedungsbäume. - Generalserte lneare Modelle (Kernel). - -Betrachtete Klassfkatoren wesentlches Unterschedungsmerkmal zwschen Verfahren des ML
12 Klassfkatonslernen Engabe Lernproblem: Tranngsdaten. L x, y ),...,( x, y ) x ( 1 1 N N x 1... xm Alternatve Schrebwese: Tranngsnstanzen: Matrx X x 1... x Tranngslabels: Vektor y1 y... yn N x 11 x N1 x 1m xnm
13 Regresson Engabe: Instanz (Objekt) x X. Objekte oft durch Attrbut-Vektoren repräsentert. Instanz st Belegung der Attrbute. x x1... xm Merkmalsvektor Ausgabe: kontnuerlcher Wert, y z.b Toxztät. We toxsch st Kombnaton? y 13
14 Regressonslernen Engabe: Tranngsdaten. L x, y ),...,( x, y ) x ( 1 1 N N x 1... xm y Ausgabe: Modell, Regressonsmodell. : (,0.05) f X ( x1, y1) Z.B. f w ( x) w T x b (,0.95) (,0.01) (, ) x2 y2 x3 y3 (, ) 14
15 Andere Lernprobleme Ordnale Regresson. Präferenzlernen. Taxonome-Klassfkaton. Klassfkaton und Regresson mt strukturerten Ausgaberäumen. Kollaboratve Vorhersage. 15
16 Andere Lernprobleme Ordnale Regresson. Präferenzlernen. Taxonome-Klassfkaton. Klassfkaton und Regresson mt strukturerten Ausgaberäumen. Mschung aus Klassfkaton und Regresson Kollaboratve Vorhersage. Endlche, dskrete Labels Ordnung 16
17 Andere Lernprobleme Ordnale Regresson. Präferenzlernen. Taxonome-Klassfkaton. Klassfkaton und Regresson mt strukturerten Ausgaberäumen. Kollaboratve Vorhersage. Kene drekten Klassen beobachtet, sondern nur Präferenzen z.b Rehenfolge von Suchresultaten aus Clckstreams lernen 17
18 Andere Lernprobleme Ordnale Regresson. Präferenzlernen. Taxonome-Klassfkaton. Klassfkaton und Regresson mt strukturerten Ausgaberäumen. Herarche von Klassen Kollaboratve Vorhersage. En Objekt hat mehrere Klassenlabels Panther st ->Ter ->Säugeter ->Katze ->Panther 18
19 Andere Lernprobleme Ordnale Regresson. Präferenzlernen. Taxonome-Klassfkaton. Klassfkaton und Regresson mt strukturerten Ausgaberäumen. Kollaboratve Vorhersage. Engabe X und Ausgabe Y strukturerte Räume Bespel: Engabe DNA Ausgabe Protenfaltung Klassenlabel 3D Struktur AAGCTTGCACTGCCGT 19
20 Andere Ausnutzen Lernprobleme von Relatonen zwschen Objekten Bespel: Produktempfehlungen Präferenzlernen. Vorhersage nteressanter Produkte Ordnale Regresson. Taxonome-Klassfkaton. Was hat der Nutzer/haben ähnlche Nutzer vorher gekauft? Klassfkaton und Regresson mt strukturerten Ausgaberäumen. Kollaboratve Vorhersage. 20
21 Überblck Lernprobleme: Klassfkaton und Regresson Modelle und Hypothesenraum Verlustfunktonen und Regularserer Unscherhet, Wahrschenlchketen, Bayes sche Regel 21
22 Klassfkatonslernen Engabe: Tranngsdaten. x L, y ),...,(, y ) x x ( 1 1 N N x 1... xm Ausgabe: Klassfkator. f : X Y f ( x), wenn x 1x 0x 1, sonst We Klassfkator lernen aus Tranngsdaten? Ansatz: Klassfkator, der Tranngsdaten (Beobachtungen) erklärt Suchproblem m Raum aller (betrachteten) Klassfkatoren 22
23 Hypothesenraum Hypothesenraum, Modellraum H: Menge der Klassfkatonsmodelle, de Lernverfahren n Betracht zeht. Hypothesenraum st ener der Frehetsgrade bem maschnellen Lernen, vele Räume gebräuchlch. Hypothesenraum hesst auch Language Bas Bespel: Alle möglchen Konjunktonen von Bedngungen, wenn j J x j v j J {1,...,, m}, v j {0,1} f ( x), sonst We groß st Hypothesenraum (m bnäre Attrbute)? 23
24 Suche nach Hypothese Suche nach Klassfkator Tranngsdaten für Kombnaton toxsch. Hypothesenraum:, wenn j Jx j v j f ( x), sonst Bes spelmbnatone Kom en Medkamente n der Kombnaton x 1 x 2 x 3 x 4 x 5 x 6 y x x x x Ansatz: Hypothese sollte konsstent sen mt Tranngsdaten : f( x ) y Identfzeren aller solchen Hypothesen? Nutze Struktur auf dem Hypothesenraum (generell/spezell) 24
25 Genereller-Als -Ordnung-Ordnung Grundmenge X Hypothesen H spezfsch Immer x 3 x 4 x 1 f 1 f 3 x 2 f 2 f 1 =, wenn x2=1, x6=1 f generell Immer f 2 =, wenn x2=1 f 3 =, wenn x2=1, x3=1 g 2 g f1 f2 g f3 aber ncht f1 f 3 g 25
26 Verson Space Menge aller Hypothesen, de mt den Tranngsdaten konsstent snd, nennen wr den Verson Space: VS { f H ( x, y ) L : f ( x ) y H, L Verson Space begrenzt durch generellste/spezellste Hypothesen, de Daten erklären G { f VS f ' VS : f ' f} Generellste konsstente H, L H, L g S { f VS f ' VS : f f '} H, L H, L g } Hypothesen Spezellste konsstente Hypothesen Verson Space: alles zwschen G und S (kene unendlchen Ketten) VSH, L{ f H fg G, fss : fgg f g fs} 26
27 Verson Space: Beoachtungen VS { f H ( x, y ) L : f ( x H, L Verson Space wrd klener, je mehr Daten vorhanden Verson Space leer: Tranngsmenge wdersprüchlch (es exstert t kene Hypothese n H, de Daten erklärt) Verson Space enelementg: Rchtges Modell gefunden, Oder rchtges Modell st ncht m Hypothesenraum. Mehrere Elemente m Verson Space: Noch ncht fertg. ) y } 27
28 Verson Space: Brute Force Konstrukton Intalsere V auf Menge aller Hypothesen. Für alle Tranngsbespele (x, y): Lösche alle Hypothesen f aus V, de mt x nkonsstent snd, also f (x) y. V st jetzt der Verson Space Bessere Verfahren unter Benutzung von G und S (kene Detals) Sa awade/lan ndwehr/sc cheffer, M aschnelles Lernen 28
29 Bespel: Verson Space Medkamente n der Kombnaton, wenn jj x j v j H: f ( x ) x 1 x 2 x 3 x 4 x 5 x 6 y Welche Hypothesen snd m Verson Space?, sonst n pelbnatonen Bes Kom x x x x L ( x, y ),( x, y ),( x, y ),( x, y ) Sa awade/lan ndwehr/sc cheffer, M aschnelles Lernen 29
30 Bespel: Verson Space x Medkamente n der Kombnaton, wenn jj x j v j H: f ( x ) x 1 x 2 x 3 x 4 x 5 x 6 y Welche Hypothesen snd m Verson Space?, sonst n pelbnatonen Bes Kom x 0x 1x x x x x L ( x, y ),( x, y ),( x, y ),( x, y ) x 0 x1 0 x2 1 x1 0 x x2 1 3 x
31 Verson Space Medkamente n der Kombnaton, wenn j x j v j H: f (x) x 1 x 2 x 3 x 4 x 5 x 6 y sonst Welche Hypothesen snd m Verson Space? Problem:, n pelbnatonen Bes Kom x x x x Alle Elemente des Verson Space erklären de Daten glechermaßen gut. Jedes Element des Verson Space könnte de Daten erzeugt haben / de korrekte Hypothese sen 31
32 Unscherhet In der Praxs errecht man nemals Gewsshet darüber, en korrektes Modell gefunden zu haben. Verson Space-Ansatz problematsch Der Hypothesenraum st mest unendlch groß. Der Verson Space st dann mest auch unendlch groß, oder leer. Alternatve/zusätzlche Konzepte Verlustfunktonen: Grad der Konsstenz mt Tranngsdaten A-Pror-Wahrschenlchket (Pror) über Modelle. Wahrschenlchstes Modell gegeben Daten. 32
33 Überblck Lernprobleme: Klassfkaton und Regresson Modelle und Hypothesenraum Verlustfunktonen und Regularserer Unscherhet, Wahrschenlchketen, Bayes sche Regel 33
34 Verlustfunkton, Optmerungskrterum Alternatve zu Verson Spaces: Lernprobleme werden als Optmerungsprobleme formulert. Verlustfunkton msst, we gut Modell zu Tranngsdaten passt Regularserungsfunkton msst, ob das Modell nach unserem Vorwssen wahrschenlch st. Optmerungskrterum st Summe aus Verlust und Regularserer. Suche Mnmum des Optmerungskrterums: nsgesamt wahrschenlchstes Modell, gegeben Tranngsdaten und Vorwssen. 34
35 Verlustfunkton We schlmm st es, wenn Modell f(x ) vorhersagt obwohl der echte Wert der Zelvarable y st? l( f( x ), y ) Verlust auf den ganzen Tranngsdaten L: N 1 l( f( x ), y ) Bespel: Klassfkatonsprobleme, False Postves und False Negatves glech schlmm. Zero-One Loss: 0, wenn f ( x ) l ( f ( x ), y ) 1, sonst y 35
36 Verlustfunkton We schlmm st es, wenn Modell f(x ) vorhersagt obwohl der echte Wert der Zelvarable y st? Bespel: dagnostsche Klassfkatonsprobleme, übersehene Erkrankungen (False Negatves) schlmmer als False Postves. Kostenmatrx l( f ( x ), y ) f ( x f ( x ) 1 0 ) 1 y y 1 c FN 1 c FP 0 36
37 Verlustfunkton We schlmm st es, wenn Modell f(x ) vorhersagt obwohl der echte Wert der Zelvarable y st? Regresson: Vorhersage möglchst dcht an echtem Wert des Zelattrbutes Quadratscher Fehler l( f ( x ), y ) ( f ( x ) y 2 ) 37
38 Verlustfunkton We schlmm st es, wenn Modell f(x ) vorhersagt obwohl der echte Wert der Zelvarable y st? Verlust l(f(x ), y ). Verlustfunkton st aus der jewelgen Anwendung heraus motvert. Sa awade/lan ndwehr/sc cheffer, M aschnelles Lernen 38
39 Regularserer Verlustfunkton drückt aus, we gut Modell zu Daten passt Regularserer: drückt Annahme darüber aus, ob Modell a pror wahrschenlch st. Unabhängg von den Tranngsdaten. Je höher der Regularserungsterm für en Modell, desto unwahrschenlcher Häufg wrd de Annahme ausgedrückt, dass wenge der Attrbute für en gutes Modell ausrechen. Anzahl der Attrbute, L 0 -Regularserung Betrag der Attrbut-Gewchtungen, L 1 -Regularserung Quadrat der Attrbut-Gewchtungen, L 2 -Regularserung. 39
40 Regularserer: Bespel Hypothesenraum: Konjunkton von Bedngungen f ( x),, wenn sonst x 1 1 x 3 1 x 7 1 Lneares Modell: Lässt sch schreben als, wenn x 1 x 3 x 7 3 f ( x ), sonst Allgemen: äquvalente Darstellung st, wenn w j jx j b f w ( x ),,, mt { 1,0, 1} w j sonst wenn sonst T wx b w: Modellparameter 40
41 Regularserer: Bespel Lnearer Klassfkator f w ( x),, wenn w T x b sonst L 2 -Regularserung: w w w Addert für jedes von null verschedene Gewcht. Optmerungskrterum: Verlust+Regularserer 2 Rˆ ( w, L) l( f ( x ), y ) w Parameter steuert Stärke des Regularserers Durch den Regularserer mplementerte Präferenz des Lerners wrd auch Inductve Bas genannt. 41
42 Optmerungsproblem: Bespel x ˆ ( 2 R( w, L ) l ( f ( x ), ) w y x 1 x 2 x 3 x 4 x 5 x 6 y x x Beste Hypothese für λ =01? 0.1? x x 0x 1x x x 0 x1 0x21 x1 0x x2 1 3 x
43 Optmerungsproblem: Bespel ˆ ( R ˆ( w, L ) 2 x 2 R( w, L ) l ( f ( x ), ) w y x 1 x 2 x 3 x 4 x 5 x 6 y x x Beste Hypothese für λ =01? 0.1? x R ˆ( w, L) 3 x 0x 1x x x 0 x1 0x21 x1 0x R ˆ( w, L) x2 1 3 x
44 Optmerungsproblem Enstellung von? Rechtfertgung für Optmerungskrterum? Mehrere Rechtfertgungen und Herletungen. Wahrschenlchste Hypothese (MAP-Hypothese). Hypothese, de Daten am stärksten komprmert (Mnmum Descrpton Length). Nedrge obere Schranke für Fehler auf zukünftgen Daten abhängg von w. (SRM). Lernen ohne Regularserung st ll-posed Problem; Lösung exstert t manchmal ncht oder hängt extrem stark von mnmalen Änderungen n den Daten ab. 44
45 Überblck Lernprobleme: Klassfkaton und Regresson Modelle und Hypothesenraum Verlustfunktonen und Regularserer Unscherhet, Wahrschenlchketen, Bayes sche Regel 45
46 Unscherhet und Wahrschenlchketen Vele Verfahren des maschnellen Lernens baseren auf probablstschen Überlegungen Modellvorstellung bem Lernen: * Jemand hat echtes f nach A-Pror- Wahrschenlchket ( Pror ) p(f) gezogen. * f st ncht bekannt, aber p(f) reflektert Vorwssen (was snd wahrschenlche Modelle?). Tranngsengaben x werden gezogen. Klassenlabels y werden nach py * ( x, f) gezogen. Fragestellung Lernen: Gegeben L und p(f), was st wahrschenlchstes echte Modell? * Versuche, f (ungefähr) zu rekonstrueren 46
47 Wahrschenlchketstheore Zufallsexperment: defnerter Prozess, n dem en Elementareregns ω erzeugt wrd. Eregnsraum Ω: Menge aller möglchen Elementareregnsse. Eregns A: Telmenge des Eregnsraums. Wahrschenlchketsfunkton p: Funkton, de Wahrschenlchketsmasse auf Eregnsse A vertelt. 47
48 Wahrschenlchketstheore Gültge Wahrschenlchketsfunkton p (Kolmogorow Axome) Wahrschenlchket von Eregns A : Scheres Eregns: p( ) 1, und p( ) 0 0 pa ( ) 1 Für de Wahrschenlchket zweer nkompatbler Eregnsse A, B (d.h. A B) glt: p( AB) p( A) p( B)
49 Wahrschenlchketstheore: Bespel Würfeln g Eregnsraum {1,2,3,4,5,6} Elementareregnsse haben Wsk Eregns gerade Zahl: A {2, 4,6} p({ }) 1/6 Wahrschenlchket des Eregnsses: pa ( ) 1/2 Sa awade/lan ndwehr/sc cheffer, M aschnelles Lernen
50 Zufallsvarable Zufallsvarable X: Abbldung enes elementaren Eregnsses auf enen numerschen Wert X : X : x Wahrschenlchket, dass ZV enen Wert annmmt px ( x) p({ X( ) x}) Be kontnuerlchen ZV oft px ( x ) 0, man betrachtet dann auch Vertelungsfunkton px ( x) p({ X( ) x}) 50
51 Zufallsvarable: Bespel Würfeln mt 2 Würfeln Eregnsraum 1 2 {( 1, 2) {1,2,3,4,5,6}} Elementareregnsse haben Wsk Zufallsvarable: Summe der bede Würfel X ((, )) Wahrschenlchket für Wert der ZV: p( ( X 5)? p({( 1, 2)}) 1/36
52 Zufallsvarable: Bespel Würfeln mt 2 Würfeln Eregnsraum 1 2 {( 1, 2) {1,2,3,4,5,6}} Elementareregnsse haben Wsk Zufallsvarable: Summe der bede Würfel X ((, )) Wahrschenlchket für Wert der ZV: p({( 1, 2)}) 1/36 p ( X 5) p ({(1, 4),(2,3),(3,,, 2),(4,1)}), )}) 4/36
53 Gemensame und bedngte Wahrschenlchketen h hk t Oft gbt es mehrere Zufallsvarablen X,Y,Z,... Gemensame Wahrschenlchket: px ( xy, y) p({ X( ) xy( ) y}) Bedngte Wahrschenlchket px ( xy, y) px ( xy y) py ( y)
54 Gemensame und bedngte Wahrschenlchketen h hk t Zufällgen Punkt auf Fläche auswählen Gemensame Wahrschenlchket Randwahrschenlchket Bedngte Wahrschenlchket py ( y, X x ) j p( X x ) 54 Sa awade/lan ndwehr/scheffer, M aschnelle es Lernen
55 Wchtge Rechenregeln für Wahrschenlchketen h hk t Zufällgen Punkt auf Fläche auswählen Produktregel py ( y, X x ) py ( y X x) p( X x ) j j Summenregel p( X x ) p( X x, Y y ) c 1 p( X x) n N N nj nj c py ( y j, X x ) py ( y j X x) p( X x) N c N j j j p( X x, Y y ) j j 55 j
56 Wchtge Rechenregeln für Wahrschenlchketen h hk t Summenregel Produktregel Sa awade/lan ndwehr/sc cheffer, M aschnelles Lernen 56
57 Unabhänggket von Zufallsvarablen Varablen X, Y unabhängg gdw px ( xy, y) px ( x) py ( y) j j Äquvalente Defnton Unabhänggket: gg px ( xy y) px ( x) und py ( y X x) py ( y) j j j Bedngte Unabhänggket p( X x, Y y Z z ) p( X x Z z ) p( Y y Z z ) k k k
58 Bayessche Regel Bayessche Regel: Bewes enfach: px ( Y ) px ( Y) Defnton bedngte Wahrschenlchket py ( X) p( X) py ( ) pxy (, ) ( ) ( ) py X px py ( ) py ( ) Produktregel Wchtge Grundenscht für das maschnelle Lernen: Erlaubt den Rückschluss auf Modellwahrschenlchketen gegeben Wahrschenlchketen von Beobachtungen
59 Bayessche Regel Modellwahrschenlchket gegeben Daten und Vorwssen pdaten ( ) konstant, unabhängg von Modell p( Modell Daten) p( Daten Modell) p( Modell) p ( Daten ) p( Daten Modell) p( Modell) Lkelhood: we gut erklärt Modell de Daten? Pror: we wahrschenlch st Modell a pror?
60 Maxmum-A-Posteror-Hypothese Wahrschenlchstes Modell gegeben de Daten. f arg max p( f L) MAP f w w arg max f w plf ( ) p ( f ) pl ( ) arg max plf ( ) p ( f ) f w arg mn log PLf ( ) log p( f ) f w w w w w w Anwendung Bayes sche Regel Log-Lkelhood Log-Pror Optmerungskrterum bestehend aus log-lkelhood und log-pror w w Parameter des Modells ( x) f w 60
61 Log-Lkelhood We wahrschenlch snd de Daten gegeben das Modell? log plf ( ) log py (,..., y f,,..., ) x x w 1 N w 1 N Annahme: Datenpunkte snd unabhängg gezogen. log py ( 1,..., yn f, x 1,..., x w N) log pyf (, x ) log pyf (, x ) w w Annahme: spezelle Exponentalvertelung Sa awade/lan ndwehr/sc cheffer, M aschnelles Lernen 61
62 Log-Lkelhood We wahrschenlch snd de Daten gegeben das Modell? log plf ( ) log py (,..., y f,,..., ) x x w 1 N w 1 N Annahme: Datenpunkte snd unabhängg gezogen. log py ( 1,..., yn f, x 1,..., x w N) log pyf (, x ) 1 l f x y pyf (, ) e Z log pyf (, x ) w w Annahme: spezelle Exponentalvertelung Verlustfunkton y 1 y 1 x ( ( ), ) l( f ( x), y) f ( x) 1 0 c w f ( x ) 1 c 0 Normalserer cc, 0 62
63 Log-Lkelhood We wahrschenlch snd de Daten gegeben das Modell? log plf ( w ) log py ( 1,..., yn fw, x1,..., xn) Annahme: Datenpunkte snd unabhängg gezogen. log py ( 1,..., yn f, x 1,..., x w N) log pyf (, x ) log pyf (, x ) w w l( f ( x), y) e log Z Konstanter Faktor l ( f ( x ), y ) const (unabhängg von f ) w Negatve Log-Lkelhood Lk entsprcht Verlustterm! 63
64 Pror: Gaußvertelung, Normalvertelung Vertelung für reelle (oder vektor-wertge) Zufallsvarable x 2 Streut um Mttelwert mt Varanz Dchtefunkton Sa awade/lan ndwehr/sc cheffer, Maschnelles Lernen 64
65 A-Pror-Wahrschenlchket (Pror) Annahme: Modellparameter normalvertelt mt Mttelwert 0 p( f ) ( w 0, w ) 1 w 2 2 e Negatver Log-Pror: 1 const 2 log p ( fw ) w 2 Negatver Log-Pror = Regularserer! 2 Konstanter Faktor (unabhängg von f ) 65
66 A-Posteror-Wahrschenlchket (Posteror) Wahrschenlchstes Modell gegeben Vorwssen und Daten. f arg max p ( f L ) MAP f w w argmn log plf ( ) log p( f ) f w arg mn l ( f ( x ), y ) f w w w 1 (Fole 60 zusammen mt 63 & 65, ) 2 ArgMn über regularserte Verlustfunkton! Rechtfertgung für Optmerungskrterum? Wahrschenlchste Hypothese (MAP-Hypothese). w w 2 66
67 Zusammenfassung Klassfkaton, Regresson, Modelle für Vorhersage. Parametrserung von Modellen (Parametervektor w) Hypothesenraum: Raum aller Modelle. e Verson Space: Modelle, de mt Tranngsdaten konsstent snd. Lernen (Parameterschätzung) aus Tranngsdaten. Optmerungskrterum: Verlust über Tranngsbespele plus Regularserungsterm. Mnmum des Krterums: wahrschenlchstes Modell gegeben Daten und Pror. 67
68 Übungen Erstes Übungsblatt: Ausgabe morgen, Besprechung kommende Woche Se können für enzelne Aufgaben voteren Se müssen für 2/3 aller Aufgaben voteren Sa awade/lan ndwehr/sc cheffer, Maschnelles Lernen 68
Modelle, Version Spaces, Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Maschnelles Lernen Modelle, Verson Spaces, Lernen Chrstoph Sawade/Nels Landwehr Slva Makowsk Tobas Scheffer Überblck Problemstellungen:
MehrModelle, Version Spaces, Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Maschnelles Lernen Modelle, Verson Spaces, Lernen Chrstoph Sawade/Nels Landwehr Domnk Lahmann Tobas Scheffer Überblck Problemstellungen:
MehrModelle, Version Spaces, Lernen
Unverstät Potsdam Insttut ür Inormatk Lehrstuhl Maschnelles Lernen Maschnelles Lernen Modelle Verson Spaces Lernen Tobas Scheer Mchael Brückner Klasskaton Engabe: Instanz Objekt X. Können durch Attrbut-Vektoren
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
MehrBayessches Lernen (3)
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen (3) Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Überblck Graphsche Modelle: Syntax und Semantk Graphsche Modelle m Maschnellen Lernen Inferenz n Graphschen
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Slva Makowsk Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Zusammenfassung: Lernprobleme, Bayes sches Lernen, Evaluerung Chrstoph Sawade/Nels Landwehr/Paul Prasse Slva Makowsk obas Scheffer Überblck
MehrMaschinelles Lernen (Zusammenfassung)
Unverstät Potsdam Insttut für Informatk Lehrstuhl (Zusammenfassung) Chrstoph Sawade /Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Lernprobleme Entschedungsbäume Bayes sches Lernen Lneare
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen
INTELLIGENTE DATENANALYSE IN MATLAB Mathematsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Optmerung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz, Stochastk: Wahrschenlchketstheore,
MehrKapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation
Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrKapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
MehrMASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS. Mathematische Grundlagen
MASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS Matheatsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Opterung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz,
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
MehrEinführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit
Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket
MehrKapitel 2: Klassifikation. Maschinelles Lernen und Neural Computation
Kaptel 2: Klassfkaton Maschnelles Lernen und Neural Computaton 28 En enfacher Fall En Feature, Hstogramme für bede Klassen (z.b. Glukosewert, Dabetes a/nen) Kene perfekte Trennung möglch Entschedung: Schwellwert
MehrÖkonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
MehrModul 1: Einführung und Wahrscheinlichkeitsrechnung
Modul : Enführung und Wahrschenlchketsrechnung Informatonstheore Dozent: Prof. Dr. M. Gross E-mal: grossm@nf.ethz.ch Assstenten: Danel Cottng, Rchard Keser, Martn Wcke, Cyrl Flag, Andrea Francke, Jonas
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrTeil E: Qualitative abhängige Variable in Regressionsmodellen
Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
MehrAn dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrRückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
Mehr2. Wahrscheinlichkeitsrechnung
. Grundlagen der Wahrschenlchketsrechnung. Wahrschenlchketsrechnung Der Wahrschenlchketstheore kommt ene wchtge Rolle als Bndegled zwschen der deskrptven und der nduktven Statstk zu. Aufgabe der nduktven
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
Mehr14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.
14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
Mehr(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y
5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
Mehr1 Finanzmathematik. 1.1 Das Modell. Sei Xt
1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrSequential minimal optimization: A fast Algorithm for Training Support Vector machines
Sequental mnmal optmzaton: A fast Algorthm for Tranng Support Vector machnes By John C. Platt (998) Referat von Joerg Ntschke Fall der ncht-trennbaren Tranngs-Daten (/) In der Realtät kommen lnear ncht-trennbare
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen
Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Collaboratve Flterng Lteratur Benjamn Marln: Collaboratve Flterng A Machne Learnng Perspectve. Thomas Hofmann: Collaboratve Flterng wth P Prvacy va Factor Analyss. Robert
MehrKapitel 4: Wahrscheinlichkeitsrechnung und Kombinatorik
Kaptel 4: Wahrschenlchketsrechnung und Kombnatork 1 4. Wahrschenlchketsrechnung De Wahrschenlchketsrechung stellt Modelle beret zur Beschrebung und Interpretaton solcher zufällger Erschenungen, de statstsche
MehrKapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation
Kaptel 8: Kernel-Methoden SS 009 Maschnelles Lernen und Neural Computaton 50 Ausgangsbass: Perceptron Learnng Rule Δw y = Kf = 0Ksonst K"target" = Kf Rosenblatt (96) Input wrd dazugezählt (abgezogen),
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INELLIGENE DAENANALYSE IN MALAB Matheatsche Grundlagen Lteratur A. Fscher, K. Vetters: Lneare Algebra Ene Enführung für Ingeneure und Naturwssenschaftler. H. Aann, J. Escher: Analyss I-III. S. Boyd, L.
MehrVorlesung 3 Differentialgeometrie in der Physik 13
Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrStatistische Kennzahlen für die Lage
Statstsche Kennzahlen für de Lage Bsher: gernge Informatonsverdchtung durch Vertelungsbeschrebung Jetzt: stärere Zusammenfassung der Daten auf hr Zentrum ls Raabe: Wahrschenlchetsrechnung und Statstsche
MehrEntscheidungstheorie Teil 1. Thomas Kämpke
Entschedungstheore Tel Thomas Kämpke Sete 2 Entschedungstheore Tel Inhalt Kompaktensteg Wahrschenlchketsrechnung Wahrschenlchketsmaß auf Grundraum Enfaches Lotto Stochastsche Unabhänggket Verknüpfung von
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrHUMBOLDT-UNIVERSITÄT ZU BERLIN. Institut für Informatik Lehrstuhl Wissensmanagement. Textklassifikation. Tobias Scheffer Ulf Brefeld
HUMBOLDTUNIVERSITÄT ZU BERLIN Insttut für Informatk Lehrstuhl Wssensmanagement Textklassfkaton Tobas Scheffer Ulf Brefeld Textklassfkaton Textklassfkator: Ordnet enen Text ener Menge von nhaltlchen Kategoren
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
MehrModelle, Daten, Lernprobleme
Universität Potsdam Institut für Informatik Lehrstuhl Modelle, Daten, Lernprobleme Tobias Scheffer Überblick Arten von Lernproblemen: Überwachtes Lernen (Klassifikation, Regression, ordinale Regression,
MehrInhalt dieses Kapitels. Das Klassifikationsproblem, Bewertung von Klassifikatoren. Grundbegriffe, Parameterwahl, Anwendungen
3. Klassfkaton 3.1 Enletung Inhalt deses Kaptels Das Klassfkatonsproblem, Bewertung von Klassfkatoren 3.2 Bayes-Klassfkatoren Optmaler Bayes-Klassfkator, Naver Bayes-Klassfkator, Anwendungen 3.3 Nächste-Nachbarn-Klassfkatoren
MehrStatistik der Extremwertverteilungen
KAPITEL 6 Statstk der Extremwertvertelungen In desem Kaptel beschäftgen wr uns mt statstschen Anwendungen der Extremwertvertelungen. Wr werden zwe verschedene Zugänge zur Modellerung von Extremwerten betrachten.
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrKurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit
BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 8. Übung (08.01.2008) Agenda Agenda Verglech Rasch-Modell vs. 2-parametrsches logstsches Modell nach Brnbaum 2PL-Modelle n Mplus Verglech
MehrZufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert
R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen
MehrZusammenfassung der letzten LVA. Diskrete Mathematik
Zusammenfassung Dskrete Mathematk Chrstna Kohl Georg Moser Oleksandra Panasuk Chrstan Sternagel Vncent van Oostrom Insttut für Informatk @ UIBK Sommersemester 2017 Zusammenfassung der letzten LVA ene Telmenge
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
MehrDer Erweiterungsfaktor k
Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang
Mehr4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
Mehr1.1 Beispiele zur linearen Regression
1.1. BEISPIELE ZUR LINEAREN REGRESSION 0 REGRESSION 1: Multple neare Regresson 1 Enführung n de statstsche Regressonsrechnung 1.1 Bespele zur lnearen Regresson b Bespel Sprengungen. Erschütterung Funkton
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrGauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
MehrSicherheit von Π MAC2
Scherhet von Π MAC2 Satz Scherhet von Π MAC2 Se Π scher. Dann st Π MAC2 ebenfalls scher. Bewes: Se A en Angrefer für Π MAC2 mt Erfolgsws ɛ(n). Wr konstrueren enen Angrefer A für Π. Algorthmus Angrefer
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
MehrÜbungsblatt 7 Lösungsvorschläge
Insttut für Theoretsche Informatk Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 7 Lösungsvorschläge Vorlesung Algorthmentechnk m WS 09/10 Problem 1: Mnmale Schnttbass Approxmatonsalgos relatver Gütegarante
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
Mehr