Neuronale Netze, Deep Learning
|
|
- Melanie Adenauer
- vor 8 Jahren
- Abrufe
Transkript
1 Unverstät Potsam Insttut für Informatk Lehrstuhl Neuronale Netze, Deep Learnng Tobas Scheffer
2 Motvaton Moelle neuronaler Informatonsverarbetung Hoffnung: Bessere Lösungen für Probleme, n enen Computer schlecht sn (z.b. Bl- un Sprachverarbetung) Künstlche Intellgenz als größere Vson Ansatz hat mehrere Populartätswellen erlebt Perceptron: Rosenblatt 960 Verrängt uch SVM, Bayes sche Verfahren Jetzt Stan er Technk Voce Recognton (Google DeepMn), Face Recognton (Deep Face, 04)
3 Deep Face Face Verfcaton: zegen zwe Bler eselbe Person? Mult-Layer-Archtektur lernt Merkmale für e Unterscheung von Personen Höchste Genaugket für Face Ientfcaton 3
4 DNNResearch Von Geoff Hnton gegrünet, 03 von Google gekauft Object Detecton (für Blersuche) Speech Recognton: Neuronale Netze für akustsche Moellerung Spracherkennung für Anro 4
5 Google X Artfcal Bran Larry Pages Vson für Google: allwssene künstlche Intellgenz mt Zugrff auf alle verfügbaren Informatonen Verstehen von Teten Verstehen von Sprache Verstehen von Blern Übersetzen von Teten Verstehen er Informatonsbeürfnsse er Nutzer 5
6 Rekore von Deep Learnng Neuronale Netze sn genaueste bekannte Verfahren für Objektklassfkaton (CIFAR/NORB/PASCAL VOC- Benchmarks) Veoklassfkaton, verscheene Benchmark- Datensätze Sentment-Analyss von Teten (MR-Benchmark) Erkennung von Fußgängern Spracherkennung 6
7 Fee-Forwar-Netzwerke Typsch für Mustererkennungsaufgaben: Im Engaberaum legen Postv- un Negatvbespele (z.b. Btmaps von Gwyneth Paltrow un Jennfer Anston) nenaner vermscht Separerung urch lnearen Klassfkator m Pelraum unmöglch? = Grauwert Pel Grauwert Pel
8 Deep Learnng Schrttwese Transformaton er rohen Engabeaten n höhere Merkmale Ene er Kette: Merkmale, mt enen sch e Klassen separeren lassen Bem Tranng nur Engabeaten un Label gegeben Label Invuenskrmnerene Merkmale Geschts-Tele Gwyneth Paltrow Merkmale er Zwschenebenen ergeben sch als Tel er Lösung enes Optmerungsproblems Lokale Muster Grauwertmatr 8
9 Deep Learnng Blverarbetung Tet Pel Kanten lokale Muster Objekttele Objekte Zechen Wort Wortgruppe Klausel Satz Dokument Sprache Sgnal Spektralban Phon Phonem Wort 9
10 Deep Learnng Ene (ausrechen große) Zwschenebene un ene Ausgabeebene genügen grunsätzlch, um jee belebge Funkton zu appromeren Aber: Mt mehreren Ebenen genügen häufg vel wenger Knoten Berechnungen können mehrfach verwenet weren Bespel: Party-Funkton N Elemente n log(n) Ebenen Oer N Elemente n zwe Ebenen 0
11 Deep Learnng Sn Kernel-Verfahren tef? Nen, ene Anwenung er Kernel-Funkton, ann lneare Funkton Kene Zwschen-Merkmale Sn Entscheungsbäume tef? Nen, alle Entscheungen weren anhan er Engabeattrbute getroffen Es weren kene neuen Merkmale Berechnet Sn Empfehlungsalgorthmen tef? Ja, wenn latente Merkmale berechnet weren Allerngs nur ene Ebene latenter Merkmale
12 Überwachtes, unüberwachtes Lernen Überwachtes Lernen Gesamtes Netzt wr überwacht tranert (Merkmale er Zwschenebenen Tel er Lösung es Optmerungsproblems) Unüberwacht + überwachter Klassfkator oben Ebenen weren sequentell unüberwacht tranert Oberste Ebene wr überwacht tranert Unüberwachtes Pre-Tranng + überwachtes Lernen Ebenen weren sequentell unüberwacht tranert Mt esen Startwerten wr anach gesamtes Netz überwacht tranert Gut be velen ungelabelten, wengen gelabelten Daten
13 Neuronale Informatonsverarbetung Engänge Gewchtete Engangssgnale weren aggregert Aon: Ausgangssgnal: Wahrschenlchket enes Ausgangs-Sgnals Gewchtete Engangssgnale Synaptsche Gewchte: Weren urch Lernprozesse Verstärkt oer abgeschwächt Sgnale n Form von Spkes Verbnungen zu aneren Nervenzellen 3
14 Neuronale Informatonsverarbetung: Moell 3... Engabevektor 3... T h 0 m m Ausgabe (h) Ausgangssgnal Gewchtete Engangssgnale Gewchtsvektor 4
15 Fee-Forwar-Netze Ine h h ( h ) k k k k k0 ( h ) k k 0 k k k0 Ine k... Forwar Propagaton: Engabevektor: 0 Lneares Moell: Jee Enhet hat Parametervektor: Ebene hat Parametermatr: Ausgabe-Ebene h k k k0 k n n n n nn Vereckte Ebenen m Engabe-Ebene 5
16 Fee-Forwar-Netze Ine h h ( h ) k k k k k0 ( h ) k k 0 k k k0 Ine k... Forwar Propagaton: Engabevektor: 0 Lneares Moell: Aktverungsfunkton un Propagaton: ( h ) Ausgabevektor: Ausgabe-Ebene h k k k0 Vereckte Ebenen m Engabe-Ebene 6
17 Fee-Forwar-Netze Ine h h ( h ) k k k k k0 ( h ) k k 0 k k k0 Ine k... Bas Unt Lneares Moell: Konstantes Element wr häufg weggelassen un urch zusätzlche Knoten mt konstanter Aktverung von ersetzt: h h k k [.. n ] k k k k m 7
18 Fee-Forwar-Netze Ine ( h ) k k Ine k... Forwar Propagaton pro Ebene n Vektornotaton: h h h k k k0 ( h ) k k 0 k k k m 8
19 Fee-Forwar-Netze h h ( h ) k k ( h ) k k 0 k k k0 k k k Tranng urch Graentenabsteg, häufg stochastc Graent Fehlerfunkton: Graentenabsteg: Stochastscher Graent, Bsp. E Em ( ) ' Em ( ) ' ( y j j) j m ' y ( ) ( ) ( y ) j m m j j 9
20 Fee-Forwar-Netze: Back Propagaton y... δ Stochastscher Graent, Bsp. Für Gewchte er obersten Ebene: ' y ( ) ( y ) ( y ( ) k k k k k k ( y ( ) ( ) k k k k ( k ) k k ( y ( ) '( ) k k k ( y ) '( h ) k k k k 0 Mt: k ( '( h yk h k k ) )( y ) k k k 0
21 Fee-Forwar-Netze: Back Propagaton Forwar Propagaton y... δ l δ lk δ ( h k h k... ) δ Back Propagaton Für Gewchte er Ebene : Mt ( y ) ( y ) h k k k k k hk k k ( yk k ) h ( y ) (,..., ) k k n l l k k l k hl k hk l lk '( hk) k l l lk (,..., n ) ( y ) h '( h ) k h k k k 0
22 Aktverungsfunkton Jee fferenzerbare, sgmoe Funkton st möglch Bespel: ( h) h e '( h) ( h)( ( h))
23 Back Propagaton: Algorthmus Iterere über alle Tranngsbespele (, y): Forwar Propagaton: Für =0 : Für k= n : ( h ) Back Propagaton: Für k= n : k Für =- : Für k= n : Bs zur Konvergenz h k k k0 '( h )( y ) k k k k ' k k '( h ) k k l l lk k ' k k 3
24 Back Propagaton Fehlerfunkton st ncht konve Jee Permutaton von Gewchten er nneren Knoten enes Mnmums ergbt weer en Mnmum Gelernte Merkmale (Gewchte er nneren Knoten) können ok aber ncht optmal sen Hoffnung: Lokale Optma können trotzem belebg gut sen Bessere Lösung mt mehr Daten Realtät: Back Propagaton funktonert nur für wenge (, mamal ) vereckte Ebenen Tranng tefer Netze enet n lokalem Optmum 4
25 Regularserung L-regularserte Verlustfunkton E T m( ) m ( y j j) j Entsprcht normalverteltem Pror auf Parametern Regularserter Graent: ( E ) m m δ j j Upate: ' δ j Wr auch als Weght Decay bezechnet. Wetere Formen von Regularserung verbretet Early Stoppng (ncht mehr Stan er Technk): Tranng vor Konvergenz abbrechen Unts mt gerngen Gewchten rauswerfen Dropout: Unts bem Tranng zufällg ausblenen Länge er propagerten Vektoren normalseren 5
26 Regularserung: Dropout In kompleen Netzen blen sch urch Co- Aapton von Knoten zu komplee Mechansmen Ncht robust für neue Testaten Dropout: In jeem Tranngsschrtt wr en Antel (Hyperparameter) er Unts ausgeblenet Be er Anwenung es tranerten Netzes weren alle Unts verwenet. Verbessert Robusthet: Jeer Knoten muss n unterschelchen Kombnatonen von aneren Knoten zum Ergebns betragen 6
27 Regularserung: Stochastc Bnary Unts En stochastsch-bnärer Knoten berechnet Aktverung k ( hk) Un propagert mt ener Wahrschenlchket von k enen Wert von Ungefähr äquvalent azu, mt ener festen Wahrschenlchket enen Wert von zu schcken Möglche Implementerung von Dropout Bologsche Neuronen schenen sch so zu verhalten. k 7
28 Back Propagaton: Trcks Cross-Entropy als Verlust für Klassfkaton Stochastc Graent auf klenen Batches Tranngsaten zufällg mschen Lernrate über en Verlauf er Optmerung hnweg snken lassen Gewchte zufällg ntalseren (Nullpunkt kann Sattelpunkt sen) Gewchte urch unsupervse Pre-Tranng ntalseren 8
29 Unsupervse Feature Learnng Auto Encoer: Lerne Ienttätsfunkton Von m Engabeknoten über n vereckten Knoten nach m Ausgabeknoten mt n << m. Iee: vereckte Knoten lernen Repräsentaton, aus enen sch e Daten rekonstrueren lassen m 9
30 Auto Encoer Auto Encoer: Lerne Ienttätsfunkton Zusätzlche Regularserung: vereckte Knoten sollen sparse sen, mestens Aktverung 0 haben. Regularserungsparameter Regularserungsterm n KL( ρ k k Backprop-Upateregel ) log ( )log k 3 3 k '( hk) l llk k k m 30
31 Auto Encoer Bespel: Bnäre Engabevektoren mt ener. Ausgabe Vereckt Engabe Vereckte Ebene lernt Bnärcoe Coe-Wörter können aber belebg permutert sen m 3
32 Convoluton / Faltung Multplkaton enes Flters mt em Ausschntt ener Engabe: Intenstät es Fltersgnals an eser Stelle n n 0 j k, jl kl knln Jees neue Pel st Ergebns ener Konvoluton. Verarbetung von Blern, Auosgnalen Z.B. Detekton von Kanten, bestmmten Frequenzen, Muster, Geschtern 3
33 Convoluton / Faltung Verscheene Detektoren pro Poston Z.B. Kanten verscheener Orenterungen Unterschelch skalerte Detektoren ergeben en Array von Feature Maps 33
34 Auto Encoer Bespel: Engabe un Ausgabe: gemschte Bler Gewchte er 5 # Postonen vereckten Knoten: Netzwert lernt Detektoren für lokale Muster (überwegen Kanten) Euto-Encoer-Tranng mt Back Propagaton funktonert nur mt ener vereckten Ebene PCA = lnearer Auto Encoer m 34
35 Restrcte Boltzmann Machne Engabeebene un ene Ebene vereckter Knoten Bnäre stochastsche Knoten Bas-Unts auf jeer Ebene - log P(Aktverung) ~ Energefunkton Energefunkton: E(, h ) ( ) h 0 0 T T n 0 0 h n 0 nn 0 n h 0 n Bas-Unts 0... k =0 (Bas-Unts ncht verbunen) m 35
36 Restrcte Boltzmann Machne Energefunkton: P(Aktverung) ~ Energefunkton E(, h ) ( ) h 0 0 T P(, ) P( ) 0 0 E(, ) Z e h h 0 0 E(, ) Z e h h P 0 ( h ) e P 0 (, h ) P( h ) 0 E(, h ) Z E(, h ) 0 Z e h e 0 Bas-Unts 0... k Z st Normalserungsfaktor m 36
37 Restrcte Boltzmann Machne Lernen: Mamere log-wahrschenlchket er Engabevektoren. Graent: Energegraent: 0 arg ma log P( ) 0 log p( ) h j p 0 ( h ) E Energegraent für beobachtete Engabe 0 (, h ) j 0 0 E(, h ) 0 p( h, ), h j E(, h ) ( ) h 0 0 T j j h 0 j Margnaler Energegraent k m 37
38 RBM: Samplng von Zustänen RBM generert Zustäne we Bayessches Netz MCMC: Iterere über alle Knoten, abwechseln enen Engaben un vereckten Knoten Zehe Aktverung es Knotens gegeben Aktverung er Nachbarn Nach Burn-In-Phase ergbt e Markov-Kette ene Stchprobe aus er vom Netz moellerten Vertelung 38
39 Restrcte Boltzmann Machne: Lernen Graent: Mt Gewchtungs-Upate: log p( ) 0 E(, ) 0 E(, ) p( ) h 0 p( ) h h h h, h j j j E(, h ) ( ) h 0 0 T j j 0 0 j ' j ( hj hj ) h 0 j Beobachtete Engabe In enem MCMC-Schrtt genererter Engabevektor 39
40 Restrcte Boltzmann Machnes Tranng ener RBM fügt enem Netzwerk ene wetere Ebene hnzu, auf er ene neue Repräsentaton er Tranngsaten gelernt wr Blen e Grunlage tefer Netzwerke Tranng wr teratv, Ebene für Ebene urchgeführt 40
41 Convolutonal Networks Mustererkennung: Objekterkennung, Spracherkennung, Photo Tagger Iee: Detektoren erzeugen Merkmale aus Berech er Engabe Detektoren mt enselben Gewchten weren auf unterschelche Bereche angewenet, ergbt en Fel von Werten enes Merkmals Z.B. Kantenekektor für Kanten enes bestmmten Wnkels wr auf gesamtes Bl angewenet, ergbt Kantenbl 4
42 Convolutonal Networks Knoten mt gekoppelten Gewchten (entsche Funkton) weren auf überlappene Bereche er Engabe angewant. 3 Gleche Gewchte (,,,, )
43 Convolutonal Networks Knoten mt gekoppelten Gewchten (entsche Funkton) weren auf überlappene Bereche er Engabe angewant. Parallel angeornete Layer mt unterschelchen Fltern (,,,, )
44 Convolutonal Networks Für Blverarbetung: Pro Flter ergbt sch en Array von Knoten mt gekoppelten Gewchten 44
45 Convolutonal Networks Bespel: Kantenetektoren für 8 Rchtungen 5 Skalerungen (Fenstergrößen) 45
46 Convolutonal Networks MaPoolng-Layer: Tele jees Flter-Array n ncht-überlappene Bereche Lefere für jeen Berech as Mamum zurück MaPoolng-Layer lesten A-Hoc- Dmensonsreukton 46
47 Convolutonal Networks Bespel: DeepFace Engabe: 3 Farbkanäle 5 5 Pel 3 Flterbänke pro Kanal, Pel Brete MaPoolng 6 Flterbänke, 9 9 Pel Brete 3 lokal verknüpfte Layer Dskrmnatv tranerte Layer 47
48 Tefe Autoencoer Ebene für Ebene wenger Dmensonen Tranere Restrcte Boltzmann Machne ebenenwese z.b. 0 Knoten 3... z.b. 00 Knoten... z.b. 000 Knoten m 48
49 Tefe Autoencoer... m... Autoencoer wr ann aufgeklappt un mt Backpropagaton weter tranert Nchtlneare, tefe Form von PCA m 49
50 Tefe Autoencoer: Bespel D-Vsualserung enes Korpus von Dokumenten TF-Vektor wr auf 500 Dmensonen 50 Dmensonen Dmensonen abgeblet Enheten 3 50 Enheten Enheten... Worthäufgketen von velen Wörtern 50
51 GPU-Tranng Grafkkarten egnen sch zur Parallelserung es Tranngs neuronaler Netze Matrmultplkaton, Faltungen, elementwese Operatonen GPU-Software CUDA: NVIDIA C-API OPENCL: ncht NVIDIA-spezfsch PyCUDA: Python-API PyOPENCL: ncht NVIDIA-spezfsch 5
Neuronale Netze, Deep Learning
Unverstät Potsam Insttut für Informat Lehrstuhl Neuronale Netze, Deep Learnng Tobas Scheffer Ohne e rchtgen Mermale sn manche Lernprobleme unmöglch Motorra? Motorra 2 Ohne e rchtgen Mermale sn manche Lernprobleme
MehrZweck. Radiometrische Kalibrierung. Traditioneller Ansatz. Kalibrierung ohne Kalibrierkörper
Raometrsche Kalbrerung Tratoneller Ansatz Kalbrerung aus mehreren Blern Behanlung von übersteuerten Blern Zweck Das Antwortverhalten es Systems Kamera Framegrabber st ncht mmer lnear Grauwerte sn ncht
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
MehrMikroökonomik. 5.5 Preisstrategien
Mkroökonomk 5.5 Presstrategen 5.5. Presskrmnerung Arten von Presskrmnerung nach Pgou: ersten Graes: Kunen zahlen für jee Enhet hren Reservatonsres zweten Graes: Kunen zahlen ro Enhet n Abhänggket von er
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
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:
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
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,
Mehr2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.
. Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
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
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
MehrGruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
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),
Mehr13.Selbstinduktion; Induktivität
13Sebstndukton; Induktvtät 131 Sebstndukton be En- und Ausschatvorgängen Versuch 1: Be geschossenem Schater S wrd der Wderstand R 1 so groß gewäht, dass de Gühämpchen G 1 und G 2 gech he euchten Somt snd
MehrPolygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.
Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener
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
MehrWechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t + " I ) = 0 $ " I
Wechselstrom Dr. F. Raemy Wechselspannung und Wechselstrom können stets we folgt dargestellt werden : U t = U 0 cos (! t + " U ) ; I ( t) = I 0 cos (! t + " I ) Wderstand m Wechselstromkres Phasenverschebung:!"
MehrIonenselektive Elektroden (Potentiometrie)
III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,
MehrBildverarbeitung Herbstsemester 2012. Bildspeicherung
Bldverarbetung Herbstsemester 2012 Bldspecherung 1 Inhalt Bldformate n der Überscht Coderung m Überblck Huffman-Coderung Datenredukton m Überblck Unterabtastung Skalare Quantserung 2 Lernzele De wchtgsten
MehrFree Riding in Joint Audits A Game-Theoretic Analysis
. wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre
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
MehrStandortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung
Standortplanung Postonerung von enem Notfallhubschrauber n Südtrol Postonerung von enem Feuerwehrhaus Zentrallagerpostonerung 1 2 Postonerung von enem Notfallhubschrauber n Südtrol Zu bekannten Ensatzorten
MehrGeld- und Finanzmärkte
Gel- un Fnanzmärkte Prof. Dr. Volker Clausen akroökonomk 1 Sommersemester 2008 Fole 1 Gel- un Fnanzmärkte 4.1 De Gelnachfrage 4.2 De Bestmmung es Znssatzes I 4.3 De Bestmmung es Znssatzes II 4.4 Zwe alternatve
Mehr12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2
1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:
Mehrbinäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:
Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,
Mehr1 - Prüfungsvorbereitungsseminar
1 - Prüfungsvorberetungssemnar Kaptel 1 Grundlagen der Buchführung Inventur Inventar Blanz Inventur st de Tätgket des mengenmäßgen Erfassens und Bewertens aller Vermögenstele und Schulden zu enem bestmmten
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrMulti-Layer Networks and Learning Algorithms
Mult-Layer Networks and Learnng Algorthms 16.12.03 Referent: Alexander Perzylo Betreuer: Martn Bauer Hauptsemnar: Machne Learnng 2 Überblck Mult-Layer Perceptron und Back-Propagaton Hopfeld Netze (Hebb-Regel)
Mehr1.1 Grundbegriffe und Grundgesetze 29
1.1 Grundbegrffe und Grundgesetze 9 mt dem udrtschen Temperturkoeffzenten 0 (Enhet: K - ) T 1 d 0. (1.60) 0 dt T 93 K Betrchtet mn nun den elektrschen Wderstnd enes von enem homogenen elektrschen Feld
MehrNeuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .
Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll
MehrFür jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
MehrEinführung in die Finanzmathematik
1 Themen Enführung n de Fnanzmathematk 1. Znsen- und Znsesznsrechnung 2. Rentenrechnung 3. Schuldentlgung 2 Defntonen Kaptal Betrag n ener bestmmten Währungsenhet, der zu enem gegebenen Zetpunkt fällg
Mehr3.1 Gleichstrom und Gleichspannung. 3 Messung elektrischer Größen. Gleichstrom. 3.1 Gleichstrom und Gleichspannung
. Glechstrom und Glechspannung Glechstrom essung elektrscher Größen. Glechstrom und Glechspannung. Wechselstrom und Wechselspannung. essung von mpedanzen. essverstärker.5 Darstellung des etverlaufs elektrscher
MehrNernstscher Verteilungssatz
Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.
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,
MehrKreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik)
Kredtpunkte-Klausur zur Lehrveranstaltung Projektmanagement (nkl. Netzplantechnk) Themensteller: Unv.-Prof. Dr. St. Zelewsk m Haupttermn des Wntersemesters 010/11 Btte kreuzen Se das gewählte Thema an:
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
MehrAnwendungsmöglichkeiten von Lernverfahren
Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen
MehrIm Wöhlerdiagramm wird die Lebensdauer (Lastwechsel oder Laufzeit) eines Bauteils in Abhängigkeit von der Belastung dargestellt.
Webull & Wöhler 0 CRGRAPH Wöhlerdagramm Im Wöhlerdagramm wrd de Lebesdauer ( oder Laufzet) ees Bautels Abhägget vo der Belastug dargestellt. Kurzetfestget Beaspruchug Zetfestget auerfestget 0 5 3 4 6 0
MehrMethoden der innerbetrieblichen Leistungsverrechnung
Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
MehrNullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
MehrIch habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.
Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet
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
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
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.
MehrKlassifikation mit dem Perceptron von Rosenblatt. Vom Perceptron zum Multilagen-Perceptron. Error-Backpropagation Lernregel
Neuronale Verfahren zur Funktonsaromaton Klassfkaton mt em Percetron von Rosenblatt Vom Percetron zum Multlagen-Percetron Error-Backroagaton ernregel Raale Bassfunktonen-Netze PD Dr Martn Stetter, Semens
Mehr4 Digitale Filter und Bildoperationen
Dgtale Flter und Bldoperatonen 51 4 Dgtale Flter und Bldoperatonen Blder welche durch ene Kamera augenommen wurden snd otmals ncht drekt ür ene nacholgende Bldanalyse geegnet. Gründe daür snd bespelswese
MehrPraktikum Physikalische Chemie I (C-2) Versuch Nr. 6
Praktkum Physkalsche Cheme I (C-2) Versuch Nr. 6 Konduktometrsche Ttratonen von Säuren und Basen sowe Fällungsttratonen Praktkumsaufgaben 1. Ttreren Se konduktometrsch Schwefelsäure mt Natronlauge und
Mehrd da B A Die gesamte Erscheinung der magnetischen Feldlinien bezeichnet man als magnetischen Fluss. = 1 V s = 1 Wb
S N De amte Erschenng der magnetschen Feldlnen bezechnet man als magnetschen Flss. = V s = Wb Kraftflssdchte oder magnetsche ndkton B. B d da B = Wb/m = T Für homogene Magnetfelder, we se m nneren von
MehrEinbau-/Betriebsanleitung Stahl-PE-Übergang Typ PESS / Typ PESVS Originalbetriebsanleitung Für künftige Verwendung aufbewahren!
Franz Schuck GmbH Enbau-/Betrebsanletung Stahl-PE-Übergang Typ PESS / Typ PESVS Orgnalbetrebsanletung Für künftge Verwendung aufbewahren! Enletung Dese Anletung st für das Beden-, Instandhaltungs- und
MehrDynamisches Programmieren
Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.
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
MehrFranzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny
eseproben aus dem Buch "n mt en zur Elektrotechnk" Franzs Verlag, 85586 Pong ISBN 978--77-4046-8 Autor des Buches: eonhard Stny Autor deser eseprobe: eonhard Stny 005/08, alle echte vorbehalten. De Formaterung
MehrERP Cloud Tutorial. E-Commerce ECM ERP SFA EDI. Backup. Preise erfassen. www.comarch-cloud.de
ERP Cloud SFA ECM Backup E-Commerce ERP EDI Prese erfassen www.comarch-cloud.de Inhaltsverzechns 1 Zel des s 3 2 Enführung: Welche Arten von Presen gbt es? 3 3 Beschaffungsprese erfassen 3 3.1 Vordefnerte
MehrEntscheidungsprobleme der Marktforschung (1)
Prof. Dr. Danel Baer. Enführung 2. Informatonsbedarf 3. Datengewnnung 2. Informatonsbedarf Entschedungsprobleme der () Informatonsbedarf Art Qualtät Menge Informatonsbeschaffung Methodk Umfang Häufgket
MehrZinseszinsformel (Abschnitt 1.2) Begriffe und Symbole der Zinsrechnung. Die vier Fragestellungen der Zinseszinsrechnung 4. Investition & Finanzierung
Znsesznsformel (Abschntt 1.2) 3 Investton & Fnanzerung 1. Fnanzmathematk Unv.-Prof. Dr. Dr. Andreas Löffler (AL@wacc.de) t Z t K t Znsesznsformel 0 1.000 K 0 1 100 1.100 K 1 = K 0 + K 0 = K 0 (1 + ) 2
MehrW i r m a c h e n d a s F e n s t e r
Komfort W r m a c h e n d a s F e n s t e r vertrauen vertrauen Set der Gründung von ROLF Fensterbau m Jahr 1980 snd de Ansprüche an moderne Kunststofffenster deutlch gestegen. Heute stehen neben Scherhet
Mehr1.1 Das Prinzip von No Arbitrage
Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No
MehrExperimentalphysik II TU Dortmund SS2012 Shaukat. TU - Dortmund. de Kapitel 8
Epermentalphysk II TU Dortmun SS0 Shaukat. Khan @ TU - Dortmun. e Kaptel 8 8.4 Beugung Lcht wr an Kanten aus sener ursprünglchen Rchtung abgelenkt. Im Snne es Huygensschen Prnzps kann man sch an ener Kante,
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
MehrNäherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen
Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:
MehrBeispiel für die Berechnung des Wärmedurchgangskoeffizienten eines zusammengesetzten Bauteiles nach DIN EN ISO 6946
Pro Dr-Ing hena Krawietz Beispiel ür ie Berechnung es Wärmeurchgangskoeizienten eines zusammengetzten Bauteiles nach DIN EN ISO 6946 DIN EN ISO 6946: Bauteile - Wärmeurchlasswierstan un Wärmeurchgangskoeizient
Mehr1 BWL 4 Tutorium V vom 15.05.02
1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)
MehrBackup- und Restore-Systeme implementieren. Technische Berufsschule Zürich IT Seite 1
Modul 143 Backup- und Restore-Systeme mplementeren Technsche Berufsschule Zürch IT Sete 1 Warum Backup? (Enge Zahlen aus Untersuchungen) Wert von 100 MByte Daten bs CHF 1 500 000 Pro Vorfall entstehen
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
Mehr3. Textprobe Makroökonomik (Auszug aus Kapitel 9)
3. extprobe Makroökonomk (Auszug aus Kaptel 9. abelle zum keynesanschen Grunmoell Enogene Varable +Reallohn Exogene Störungen Gelmengenerhöhung M > Kretfnanzerte Staatsausgabenerhöhung >, = Steuerfnanzerte
Mehr"Zukunft der Arbeit" Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft
"Zukunft der Arbet" Arbeten bs 70 - Utope - oder bald Realtät? De Arbetnehmer der Zukunft Saldo - das Wrtschaftsmagazn Gestaltung: Astrd Petermann Moderaton: Volker Obermayr Sendedatum: 7. Dezember 2012
MehrUniversität Karlsruhe (TH)
Unverstät Karlsruhe (TH) Forschungsunverstät gegründet 825 Parallele Algorthmen I Augaben und Lösungen Pro. Dr. Walter F. Tchy Dr. Vctor Pankratus Davd Meder Augabe () Gegeben se en N-elementger Zahlenvektor
MehrDie Ausgangssituation... 14 Das Beispiel-Szenario... 14
E/A Cockpt Für Se als Executve Starten Se E/A Cockpt........................................................... 2 Ihre E/A Cockpt Statusüberscht................................................... 2 Ändern
MehrFähigkeitsuntersuchungen beim Lotpastendruck
Fakultät Elektrotechnk und Informatonstechnk Insttut für Aufbau- und Verbndungstechnk der Elektronk Fähgketsuntersuchungen bem Lotpastendruck Dr.-Ing. H. Wohlrabe Ottobrunn, 2. Februar 2009 Qualtätsmerkmale
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
MehrPhysik für Bauingenieure
Fachbereich Physik Prof. Dr. Ruolf Feile Dipl. Phys. Markus Domschke Sommersemester 00 4. 8. Juni 00 Physik für Bauingenieure Übungsblatt 9 Gruppenübungen. Konensator Zwei quaratische Metallplatten mit
MehrI, U : Momentanwerte für Strom und Spannung I 0, U 0 : Scheitelwerte für Strom und Spannung
Wechselsrom B r A B sn( sn( Wrd de eerschlefe über enen Wdersand kurzgeschlossen fleß en Srom: sn( sn(, : Momenanwere für Srom und Spannung, : Scheelwere für Srom und Spannung ~ sn( sn( Effekvwere für
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
Mehr3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale
3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche
MehrFlußnetzwerke - Strukturbildung in der natürlichen Umwelt -
Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
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
Mehr14 Überlagerung einfacher Belastungsfälle
85 De bsher betrachteten speellen Belastungsfälle treten n der Technk. Allg. ncht n rener orm auf, sondern überlagern sch. Da de auftretenden Verformungen klen snd und en lnearer Zusammenhang wschen Verformung
MehrFür wen ist dieses Buch? Was ist dieses Buch? Besonderheiten. Neu in dieser Auflage
Für wen st deses Bch? Das Taschenbch der Elektrotechnk rchtet sch an Stdentnnen nd Stdenten an nverstäten nd Fachhochschlen n den Berechen Elektrotechnk Nachrchtentechnk Technsche Informatk allgemene Ingenerwssenschaften
MehrNetzsicherheit I, WS 2008/2009 Übung 3. Prof. Dr. Jörg Schwenk 27.10.2008
Netzscherhet I, WS 2008/2009 Übung Prof. Dr. Jörg Schwenk 27.10.2008 1 Das GSM Protokoll ufgabe 1 In der Vorlesung haben Se gelernt, we sch de Moble Staton (MS) gegenüber dem Home Envroment (HE) mt Hlfe
Mehr4. Fraktale und chaotische Prozesse (korrigiert am )
Geophysk 4. Fraktale un chaotsche Prozesse (korrgert am 8.5.) Wr beobachten Prozesse, e sch, auch wenn wr hre Vergangenhet vollstäng kennen würen, ncht vorhersagen lassen. De räumlchen oer zetlchen Strukturen,
MehrWie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?
We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de
Mehrmit der Anfangsbedingung y(a) = y0
Numersce Lösung von Dfferentalglecungen De n den naturwssenscaftlc-tecnscen Anwendungen auftretenden Dfferentalglecungen snd n den wengsten Fällen eplzt lösbar. Man st desalb auf Näerungsverfaren angewesen.
MehrWärmeübertragung. Grundsätzlich sind drei verschiedene Möglichkeiten der Wärmeübertragung möglich: Wärmeleitung, Konvektion und Strahlung:
ämeübetgung Unte ämeübetgung vesteht mn sämtlche Eschenungen, e enen äumlchen nspot von äme umfssen. De ämeübegng efolgt mme ufgun enes empetugefälles, un zw mme von e höheen zu neeen empetu (.Huptstz).
MehrWie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?
We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de
MehrUnter der Drehgruppe verstehen wir diegruppe der homogenen linearen Transformationen
Darstellunstheore der SO() und SU() Powtschnk Alexander. Defnton Darstellun Ene Darstellun ener Gruppe G st homomorphe Abbldun von deser Gruppe auf ene Gruppe nchtsnulärer lnearer Operatoren auf enem Vektorraum
MehrBSc GG01: Einführung in die Geodäsie WS 2015/16. Prinzipien der Positionsbestimmung Satellitengestützte Positionsbestimmung
BSc GG0: Enführung n e Geoäse WS 05/6 Prnzpen er Postonsbestmmung Stelltengestützte Postonsbestmmung Folen un Frgen zur Lernkontrolle Lmbert Wnnnger, Geoätsches Insttut, TU Dresen Geoäse, Vermessung, Geomtk,
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
MehrIT- und Fachwissen: Was zusammengehört, muss wieder zusammenwachsen.
IT- und achwssen: Was zusammengehört, muss weder zusammenwachsen. Dr. Günther Menhold, regercht 2011 Inhalt 1. Manuelle Informatonsverarbetung en ntegraler Bestandtel der fachlchen Arbet 2. Abspaltung
MehrKapitel 5. Symmetrien und Erhaltungsgrößen. 5.1 Symmetrietransformationen
Kaptel 5 Symmetren un Erhaltungsgrößen 5.1 Symmetretransformatonen Betrachte en mechansches System mt en Koornaten q 1,... q f un er Lagrangefunkton L(q 1,... q f, q 1,... q f, t). Nun soll ene Transformaton
MehrDie Schnittstellenmatrix Autor: Jürgen P. Bläsing
QUALITY-APPs Applkatonen für das Qaltätsmanagement Prozessmanagement De Schnttstellenmatrx Ator: Jürgen P. Bläsng Schnttstellen (Übergangsstellen, Verbndngsstellen) n betreblchen Prozessen ergeben sch
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
MehrNormalisierung. 8. Expressionsdaten: Normalisierung. Normalisierung
ormalserung 8. Expressonsaten: ormalserung 1. Bologsche Frage. Expermentelles Desgn 3. Mcroarray-Experment 4. Blanalyse 5. ormalserung 6. Statstsche Analyse 7. Bologsche Verfkaton an Interpretaton Globale
MehrLösungen der Aufgaben zu Kapitel 2
Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n
Mehr