Neuronale Netze/ Soft Computing. Teil 1
|
|
- Ingelore Weber
- vor 8 Jahren
- Abrufe
Transkript
1 Neuronale Netze/ Soft Computing Teil 1 BiTS, Wintersemester 2004/2005 Dr. Stefan Kooths KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 1
2 Gliederung 1. Einführung und Einordnung 2. Neuronale Netze 1: Grundlagen 3. Neuronale Netze 2: Konzeption und Anwendung 4. Neuro-Fuzzy-Systeme 5. Genetische Algorithmen 6. Zusammenfassung und Ausblick KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 2
3 Gliederung 1. Einführung und Einordnung 2. Neuronale Netze 1: Grundlagen 3. Neuronale Netze 2: Konzeption und Anwendung 4. Neuro-Fuzzy-Systeme 5. Genetische Algorithmen 6. Zusammenfassung und Ausblick KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 3
4 Einordnung: NN/SC EUS bzw. Business Intelligence Diplom: EUS Entscheidungslehre/ Simulation von Entscheidungen Wissensbasierte Systeme/Expertensysteme Künstliche Intelligenz Neuronale Netze BA/MA: BI Management Support Systems Knowledge-Based Systems Soft Computing Case Studies Prüfungsleistung: Projektarbeit KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 4
5 Einordnung in die BI-relevanten KI-Gebiete Wissensbasierte Systeme (Expertensysteme) Soft Computing Multiagentensysteme (verteile Intelligenz) Kennzeichnung Trennung von Wissensbasis und Problemlösungsstrategie Erklärung der gefundenen Lösung Lernfähigkeit und Toleranz gegenüber unscharfem, ungewissem und unvollständigem Wissen Emergente Problemlösung durch Kooperation vieler kontextbezogener, autonomer und flexibler Module Teilgebiete -logikbasiert - regelbasiert -framebasiert - modellbasiert - fallbasiert - statistisch jeweils für Zwecke der Diagnose, Simulation und Konstruktion - Fuzzy Logic -Neuronale Netze - Genetische Algorithmen (- Probabilistisches Schließen) - Agentendesign - Kommunikation - Kooperation und Konfliktlösungen KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 5
6 Soft Computing: Kennzeichnung Lernfähigkeit und Toleranz gegenüber Ungenauigkeit, Unschärfe, Unsicherheit und Datenfehlern Ziel: handhabbare, robuste und kostengünstige Softwarelösungen, die nicht notwendigerweise perfekt sind, aber unter den gegebenen Bedingungen als befriedigend gelten können natürliche Vorbilder (aber: kein Nachbau, sondern Inspiration) 50 % Wissenschaft und 50 % Kunst (= Können = Erfahrung)! KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 6
7 Soft Computing: Teilgebiete (Basistechnologien) Neuronale Netze Informationsverarbeitung orientiert am biologischen Vorbild Gehirn Behandlung komplexer, nicht-linearer Systeme zur Mustererkennung Fuzzy Logik multivalente (graduelle) Verallgemeinerung der Mengenlehre Repräsentation von approximativem (Experten-) Wissen Weiterentwicklung: Computing with Words Genetische Algorithmen evolutionäre Problemlösungsheuristik Problemdarstellung in Chromosomenform, Lösungssuche durch Vererbung, Mutation und Auslese KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 7
8 Soft Computing im KI-Kontext: Überschneidungen und Hybridansätze Unschärfe Lernfähigkeit explizites Wissen Genetische Algorithmen Neuronale Netze Fuzzy Logik Expertensysteme Neuro-Fuzzy-Systeme (Hybridbeispiel) Agentendesign Multiagentensysteme KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 8
9 Literatur Backhaus, K. u.a.: Multivariate Analysemethoden; 10. Aufl., Springer- Verlag, Berlin u.a.o [Kap. 12] Badiru, A. B. / Cheung, J. Y.: Fuzzy Engineering Expert Sytems with Neural Network Applications; John Wiley & Sons [Ch. 8,9] Callan, R.: Neuronale Netze im Klartext; Pearson Studium, München Lange, C.: Neuronale Netze in der wirtschaftswissenschaftlichen Prognose und Modellgenerierung; Physica-Verlag, Heidelberg Luger, G. F.: Artificial Intelligence: Structures and Strategies for Complex Problem Solving, 5th Ed., Addison-Wesley, Upper Saddle River [Ch. 11,12] Kooths, S.: Erfahrungsregeln und Konjunkturdynamik Makromodelle mit Neuro-Fuzzy-generierten Erwartungen; Peter Lang Europäischer Verlag der Wissenschaften, Frankfurt/M. u.a.o [Kap. 2] McCord Nelson, M. / Illingworth, W. T.: A Practical Guide to Neural Nets; Addison-Wesley, New York u.a.o Rehkugler, H. / Zimmermann, H. G. (Hrsg.): Neuronale Netze in der Ökonomie Grundlagen und finanzwirtschaftliche Anwendungen; Verlag Vahlen, München Turban, E. / Aronson, J. E. / Liang, T.-P.: Decision Support Systems and Intelligent Systems, 7th Ed., Prentice Hall, Upper Saddle River [Ch. 12] KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 9
10 Weblinks Einführung in Neuronale Netze (Uni Münster) nnscript/startseite.html Soft Computing Home Page Neurocomputing KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 10
11 Gliederung 1. Einführung und Einordnung 2. Neuronale Netze 1: Grundlagen 3. Neuronale Netze 2: Konzeption und Anwendung 4. Neuro-Fuzzy-Systeme 5. Genetische Algorithmen 6. Zusammenfassung und Ausblick KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 11
12 (Künstliche) Neuronale Netze Verwandte Begriffe Konnektionismus Parallel Distributed Processing Subsymbolisches Paradigma Grundidee Verbindung vieler, relativ einfach aufgebauter Einheiten (Neuronen) Leistungsfähigkeit ergibt sich aus Zusammenschaltung und Parallelverarbeitung im Verbund Wissenserwerb und -repräsentation Lernen anhand von Beispielen (Training) Kodierung des Wissens liegt in impliziter Form vor (unterhalb der für Menschen verständlichen Symbolebene) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 12
13 (Künstliche) Neuronale Netze Verwandte Begriffe Konnektionismus Parallel Distributed Processing Subsymbolisches Paradigma Grundidee Verbindung vieler, relativ einfach aufgebauter Einheiten (Neuronen) Leistungsfähigkeit ergibt sich aus Zusammenschaltung und Parallelverarbeitung im Verbund Wissenserwerb und -repräsentation Lernen anhand von Beispielen (Training) Kodierung des Wissens liegt in impliziter Form vor (unterhalb der für Menschen verständlichen Symbolebene) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 13
14 Haupteinsatzgebiete/-eigenschaften universelle, beliebig-dimensionale Funktionsapproximation Schätzverfahren (Alternative zu statistischen Regressionsanalysen) Mustererkennung Fehlertoleranz gegenüber Daten gegenüber eigener Struktur liegen Daten nur bruchstückhaft vor oder wird ein Teil des Netzes zerstört, so leidet nur die Güte des Ergebnisses, nicht die Fähigkeit des Netzes, überhaupt eine (Näherungs-) Lösung erarbeiten zu können Voraussetzung: Repräsentative Trainingsbeispiele für die abzubildenden Zusammenhänge KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 14
15 Natürliches Vorbild: Menschliches Gehirn Motivation Identifizierung von Ähnlichkeiten (Mustererkennung, Unschärfe- und Fehlertoleranz) Generalisierungsfähigkeit (Einschätzung bislang unbekannter Situationen und Ableitung geeigneter Verhaltensweisen) Lernfähigkeit (Anpassung an neue Umweltzustände durch Erfahrungsbildung) Aufbau 10 bis 100 Mrd. (relativ langsame) Neuronen bis zu Verbindungen von einem Neuron zu anderen Neuronen Gewicht: 1375 g (Männer), 1245 g (Frauen) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 15
16 Menschliches Nervensystem Nervensystem des Menschen (Gesamtheit des Nervengewebes) animal (Kommunikation mit der Außenwelt) bewußte Steuerung vegetativ (Regelung des inneren Betriebs des Organismus) unbewußte Steuerung Peripheres Nervensystem (PNS) Signalübermittlung zwischen Rezeptoren und ZNS... ZNS und Effektoren Zentrales Nervensystem (ZNS) Signalintegration und -verarbeitung Rückenmark Signalweiterleitung zum Gehirn Gehirn eigentliche Signalverarbeitung (Informationsverarbeitung) Gliazellen (90%) und Neuronen (10%) Stützung, Isolation, Versorgung und...? KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 16
17 SOR-Modell INPUT (Problem) Informations - Verarbeitung OUTPUT (Entscheidung) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 17
18 Biologische Nervenzelle Dendriten (Zellfortsätze) Soma (Zellkörper) Kern Ausläufer von Axonen anderer Neuronen Synapse (Zellverbindung) Axon (Nervenfaser) Axonverzweigungen 5 bis 100 Mikrometer KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 18
19 Signalfluss in einem natürlichen Neuron eingehende Impulse von anderen Neuronen exitatorische Synapse Erregung/Hemmung Reizpegel des Neurons (elektr. Polarisation) Schwellenwertüberschreitung? ja "Feuern" des Neurons (Entladung) Ausgangssignal elektrisch chemisch (Ionenaustausch) elektrisch inhibitorische Synapse KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 19
20 Vernetzung und synaptische Plastizität Signalübermittlung Gesamtlänge der Neuronenverbindungen: 500 Millionen Meter KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 20
21 Informationsverarbeitung, Wissensrepräsentation und -akquisition Informationsverarbeitung Signalübermittlung Beeinflussung der neuronalen Aktivitätsniveaus Wissensrepräsentation Signale bzw. Aktivitätsniveaus tragen für sich genommen keine sinnhafte Bedeutung implizite Abbildung symbolischer Informationen durch das (eigenorganisierte) Aktivierungsmuster einer Gruppe von Neuronen Wissen steckt im Netzaufbau (Anzahl und Verbindungen der Neuronen) sowie in den Verbindungsgewichten Wissensakquisition Trainingsprozesse (Lernen aus Fehlern) Anpassung der Gewichte, Ändern der Topologie KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 21
22 Einsatzmodi Recallmodus (Arbeitsmodus) Einsatz des erworbenen Wissens Trainingsmodus Wissenserwerb aus Trainingsbeispielen KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 22
23 Formale Neuronen (Processing Units) Eigenschaften verfügen über Ein- und Ausgänge empfangen Signale aggregieren diese zu einem Nettosignal generieren aus dem Nettosignal einen eigenen Signalwert senden diesen Signalwert an nachgelagerte Neuronen Arten Inputneuronen (Signalempfang von der Außenwelt) vgl. natürliche Rezeptorzellen innere/verdeckte Neuronen (Signalverarbeitung und - verteilung) interne Repräsentation der Domäne Outputneuronen (Signalweitergabe an die Außenwelt) vgl. natürliche Effektorzellen KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 23
24 Schematischer Aufbau formaler Neuronen Informationsfluss im Recallmodus Eingangssignale (Neuroneninputs) = Ausgangssignale vorgelagerter Neuronen in 2 in 1 in 3 Gewichte g j,1 g j,2 g j,3 Ausgabefunktion Propagierungsfunktion Σ Nettoinput Aktivierungsfunktion Aktivierungswert Ausgangssignal (Neuronenoutput) out j out j Eingangssignale für nachgelagerte Neuronen "Ausläufer von Axonen anderer Neuronen" "Synapsen" "Dendriten" "Zellkörper" "Axonverzweigungen" Entsprechungen im biologischen Vorbild KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 24
25 Interne Funktionen eines Neurons Propagierungsfunktion: netin = f(g 1 in 1,,g n in n ) bestimmt Nettoinput netin durch Summation der gewichteten Eingangssignale Aktivierungsfunktion: Z = g(z -1,netin) bestimmt Aktivierungswert Z des Neurons aus (optional: bisheriger Aktivierung und) Nettoinput Ausgabefunktion: out = a(z) bestimmt Ausgabewert out aus Aktivierungswert Vereinfachung: out = a(netin) Transferfunktion als Zusammenfassung von Aktivierungs- und Ausgabefunktion Aktivierungsfunktion als Identität (Z = netin) beachte: uneinheitliche Terminologie Propagierungsfunktion = Integrationsfunktion Transferfunktion = Aktivierungsfunktion = Ausgabefunktion KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 25
26 Vereinfachtes formales Neuronenschema Σ Transferfunktion (a) Eingangssignale (Neuroneninputs) = Ausgangssignale vorgelagerter Neuronen Ausgangssignal (Neuronenoutput) Eingangssignale für nachgelagerte Neuronen g j,1 in 2 in 1 Gewichte g j,2 netin gj,3 in 3 Propagierungsfunktion (f) = Nettoinput Aktivierungswert out out j out j KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 26
27 Bestimmung des Nettoinputs hier: netin = net in = x KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 27
28 Transferfunktionen Halbraum-aktiv Schwellenwertfunktion sigmoide Funktion Schwellwertfunktion logistische Funktion lokal aktiv trianguläre Funktion Gauß-Funktion trianguläre Funktion Gauss-Funktion entscheidend: nicht-lineare Funktionstypen KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 28
29 Komponenten/Eigenschaften eines Neuronalen Netzes Neuronen (Menge von einfachen Verarbeitungseinheiten) Propagierungsfunktion Aktivierungsfunktion Ausgabefunktion Transferfunktion Konnektivitätsmuster (Struktur der Neuronenverbindungen) Festlegung des Signalflusses (Regel zum Propagieren von Signalen durch das Netzwerk) Lernregel zum Anpassen der Gewichte KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 29
30 Systematisierung Neuronaler Netze (Netztypen) 1 Neuronentyp Topologie Lernverfahren Funktion/Aufgabe (Lerngegenstand) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 30
31 Systematisierung Neuronaler Netze (Netztypen) 2 Neuronentyp Bestimmung des Aktivierungszustands Z=g(Z -1,netin) Z=g(netin) Z = netin Funktionstyp der Ausgabefunktion halbraum-aktiv lokal aktiv (Radiale Basisfunktionen) Topologie Lernverfahren Funktion/Aufgabe (Lerngegenstand) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 31
32 Systematisierung Neuronaler Netze (Netztypen) 3 Neuronentyp Topologie Anzahl der Neuronen Anordnung der Neuronen geschichtet ungeschichtet Konnektivitätsmuster Signalfluss ohne Rückkopplung (feedfoward) mit Rückkopplung (feedback) Lernverfahren Funktion/Aufgabe (Lerngegenstand) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 32
33 Netztopologien 1: Feedforward-Netze (Netze ohne Rückkopplung) geschichtet (ebenenweise verbunden) Ausgabeschicht (output layer) verdeckte Schicht (hidden layer) Eingabeschicht (input layer) allgemein (Existenz von Shortcuts) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 33
34 Netztopologien 2: Rekurrente Netze (Netze mit Rückkopplung) direkte Rückkopplung (direct feedback) Tendenz zu Grenzzuständen bezüglich der Aktivierung einzelner Neuronen indirekte Rückkopplung (indirect feedback) Aufmerksamkeitssteuerung auf bestimme Eingabemerkmale durch das Netz KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 34
35 Netztopologien 3: Netze mit Rückkopplungen (Forts.) laterale Kopplung oftmals als winnertake-all Netze genutzt (laterale Hemmung) vollständig verbundene Netze Hopfield-Netztyp KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 35
36 Zwei- bzw. dreischichtiges Feedforward-Netzes Eingabeschicht verborgene Schicht Ausgabeschicht (1. Schicht) (2. Schicht) (3. Schicht) g 2 1,1 N N 1 1 N N 1 2 N 2 3 N N 1 3 N 2 4 N 3 2 N 2 5 g 3 2,5 Informationsfluss im Recallmodus KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 36
37 Konnektivitätsmuster in Matrixnotation KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 37
38 Demo 1 Problemkomplexität und Netzdesign Komplexe Problemstellung (nicht linear-trennbar) Bedeutung der Nichtlinearität der Transferfunktion Bedeutung der verdeckten Schicht OR- und XOR-Operator im Vergleich OR-Operator (inklusives Oder) XOR-Operator (exklusives Oder) y y wahr (1) 1 1 wahr (1) 1 0 falsch (0) 0 1 falsch (0) 0 1 falsch (0) wahr (1) x falsch (0) wahr (1) x KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 38
39 Demo 1 Lösungsbaustein: Perceptrons Erfinder: Frank Rosenblatt (Anfang der 1960er) binäre Transferfunktion mit Schwellwert θ falls netin < θ, dann out = 0 sonst out = 1 führt lineare Trennung des Eingaberaumes durch KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 39
40 Demo 1 OR-Operator x Neuronales Netz 1. Schicht 2. Schicht 0,5 Transferfunktionen 1. Schicht 2. Schicht a(netin) a(netin) 1 0,1 y 0,5 netin netin 0,1 Schwellenwert KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 40
41 Demo 1 XOR-Operator x y Neuronales Netz 1. Schicht 2. Schicht 3. Schicht ,1 0, ,1 1. Schicht a(netin) Transferfunktionen netin 2. und 3. Schicht a(netin) 1 netin 0,1 Schwellenwert ohne verdeckte Schicht geht es nicht Transferfunktion in der verdeckten Schicht muss nicht-linear sein (sonst äquivalent zu zweischichtigem Netz) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 41
42 Demo 1 Grafische Interpretation von Perceptrons 1 einstufige (= zweischichtige) Perceptron-Netze n = 2 n = 3 KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 42
43 Demo 1 Grafische Interpretation von Perceptrons 2 zwei-stufige (dreischichtige) Perceptron-Netze drei-stufige (vierschichtige) Perceptron-Netze KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 43
44 Demo 2 Funktionsapproximation Problemformulierung: f(x) = sin(x+5)+1 Approximation auf dem Interval [0;9] Neuronale Netzlösung Topologie: Feedforward-Netz Neuronentyp hidden: logistisch sonst: Identität Technischer Trick: Bias-Neuron Schwellwertkodierung (hidden und output layer) Skalierungsfaktor (hidden layer) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 44
45 Demo 2 Netzmodell (ohne Bias-Neuronen) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 45
46 Systematisierung Neuronaler Netze (Netztypen) 4 Neuronentyp Topologie Lernverfahren überwacht (supervised) korrigierend (mit Lehrer ) verstärkend (mit Bewerter, reinforcement learning) unüberwacht (unsupervised) kooperativ wettbewerblich (winner-take-all) Funktion/Aufgabe (Lerngegenstand) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 46
47 Allgemeine Aspekte neuronaler Lernverfahren Recall- vs. Trainingsphase Recall: gegeben x und gegeben G, finde y Training: gegeben x und gegeben y, finde G mit: x: Inputvektor y: Outputvektor G: Menge der Netzgewichte Generalisierungsfähigkeit vs. Overlearning Auswahl der Trainingsmenge P Rechtzeitiger Abbruch des Trainings Trainingsmusterpaar für überwachtes Lernen Eingabemuster: x(p) (Soll-) Ausgabemuster: y(p) für Trainingsmuster p KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 47
48 Lernzyklus Schritt 1 Auswahl eines Trainingsmusters p[x(p),y(p)] Anlegen des Eingabemusters an die Inputschicht Schritt 2 Verarbeitung des ausgewählten Trainingsmusters zum Netzoutput out Schritt 3 Soll-Ist-Vergleich: Netzoutput vs. Ausgabemuster des Trainingsbeispiels (out(p) vs. y(p)) Ermittlung des Fehlermaßes E(p) Schritt 4 Berechnung der durch das Fehlermaß des Trainingsbeispiels induzierten Änderung der Netzgewichte g(p) (Anwendung der Lernregel) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 48
49 Trainingsepochen und -modus Trainingsepoche Vollständige Präsentation aller Trainingsbeispiele aus der Trainingsmenge P Trainingsmodus Batch-Modus (epochales Lernen) Kumulation der induzierten Gewichtsänderungen über die gesamte Epoche Änderung der tatsächlichen Netzgewichte am Ende einer Epoche Online-Modus (musterweises Lernen) Änderung der tatsächlichen Netzgewichte nach jedem Trainingsbeispiel KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 49
50 Lernziel Minimierung des Netzfehlers E = 0,5 [out(p) y(p)] 2 unter Beibehaltung der Generalisierungsfähigkeit KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 50
51 Lernphase Initialisierung der Netzgewichte Epochendurchlauf bis Abbruchkriterium erfüllt vorgegebene Epochenanzahl Unterschreiten der Güteschwelle Anstieg des Testmengenfehlers evtl. Pruning der Netzgewichte mit Validierungsdaten Performancetest des Netzes mit Generalisierungsdaten KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 51
52 Musterkategorien Modellierungsdaten Trainingsdaten Testmengen- bzw. Validierungsdaten Generalisierungsdaten KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 52
53 Hebbsche Lernregel: Einfache Form D. O. Hebb (1949) Wenn zwei Neuronen gleichzeitig aktiviert sind, so verstärkt sich die zwischen ihnen geschaltete Verbindung, andernfalls baut sie sich ab. einfache Form mit: µ = Lernrate Einfluss der Lernrate niedrig langsames Lernen hoch Gefahr des Vergessens KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 53
54 Hebbsche Lernregel und Klassische Konditionierung (Pawlowsche Hunde) vorher nachher 1. Schicht 2. Schicht 1. Schicht 2. Schicht Futter Futter Klingel 1. Schicht 2. Schicht Speichelfluss Lernprozess Klingel 1. Schicht 2. Schicht Speichelfluss Futter Klingel Speichelfluss Futter Klingel Speichelfluss neue Bahnung (Synapsenverstärkung) durch Training KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 54
55 Hebbsche Lernregel: Allgemeine Form Problem der einfachen Hebb-Regel Gewichte wachsen im laufenden Lernprozess immer weiter (keine Stabilisierung) Lösung (allgemeine Form der Hebbschen Lernregel) Berücksichtigung eines Zielwertes (target) für das Neuron, zu dem das jeweils betrachtete Gewicht gehört Berücksichtigung des bisherigen Niveaus des Gewichtes Spezielle Lernregeln Spezifizierung der Funktionen ϕ und ψ (sprich: Phi und Psi) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 55
56 Delta-Regel (Widrow-Hoff-Regel) Widrow/Hoff (1960) Abhängigkeit der Gewichtsänderung vom Fehlersignal des Neurons, zu dem das Gewicht gehört Spezifikationen für ϕ und ψ Delta-Regel KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 56
57 Generalisierte Delta-Regel (Error-Backpropagation-Algorithmus) Problem der Delta-Regel Wie kommt man zu einem Fehlersignal für die verdeckten Neuronen? Lösung: Generalisierte Delta-Regel! (s. nächster Gp.) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 57
58 Systematisierung Neuronaler Netze (Netztypen) 5 Neuronentyp Topologie Lernverfahren Funktion/Aufgabe (Lerngegenstand) heteroassoziativ autoassoziativ KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 58
59 Lerngegenstand und Lernverfahren Neuronale Netze autoassoziativ Eingabemuster = Ausgabemuster Neuronenbeziehung? wettbewerblich Input-Output- Beziehung? heteroassoziativ Eingabemuster Ausgabemuster Lerngegenstand korrigierend ("mit Lehrer") überwacht Fehlermaß? verstärkend ("mit Bewerter") externe Ergebniskontrolle? kooperativ unüberwacht Lernverfahren KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 59
60 Vereinfachungen gegenüber dem biologischen Vorbild Wesentlich geringere Zahl von Neuronen Viel geringere Zahl von Verbindungen Nur ein Parameter für die Stärke der synaptischen Kopplung (Vernachlässigung zeitlicher Phänomene und des Einflusses verschiedener Neurotransmitter) Keine genauere Modellierung der zeitlichen Vorgänge der Nervenleitung Konzentration auf homogene Netzwerke Keine Berücksichtigung chemischer Einwirkungen benachbarter Neuronen Biologisch unplausible Lernregeln KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 Teil 1 60
Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und
Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Ausgaben Aktivierungsfunktionen: Schwellwertfunktion
MehrGliederung. Biologische Motivation Künstliche neuronale Netzwerke. Anwendungsbeispiele Zusammenfassung. Das Perzeptron
Neuronale Netzwerke Gliederung Biologische Motivation Künstliche neuronale Netzwerke Das Perzeptron Aufbau Lernen und Verallgemeinern Anwendung Testergebnis Anwendungsbeispiele Zusammenfassung Biologische
MehrEinführung in neuronale Netze
Einführung in neuronale Netze Florian Wenzel Neurorobotik Institut für Informatik Humboldt-Universität zu Berlin 1. Mai 2012 1 / 20 Überblick 1 Motivation 2 Das Neuron 3 Aufbau des Netzes 4 Neuronale Netze
MehrEinführung in die Fuzzy Logic
Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]
MehrNeuronale Netze (I) Biologisches Neuronales Netz
Neuronale Netze (I) Biologisches Neuronales Netz Im menschlichen Gehirn ist ein Neuron mit bis zu 20.000 anderen Neuronen verbunden. Milliarden von Neuronen beteiligen sich simultan an der Verarbeitung
MehrJan Parthey, Christin Seifert. 22. Mai 2003
Simulation Rekursiver Auto-Assoziativer Speicher (RAAM) durch Erweiterung eines klassischen Backpropagation-Simulators Jan Parthey, Christin Seifert jpar@hrz.tu-chemnitz.de, sech@hrz.tu-chemnitz.de 22.
MehrWas bisher geschah. Lernen: überwachtes Lernen. biologisches Vorbild neuronaler Netze: unüberwachtes Lernen
Was bisher geschah Lernen: überwachtes Lernen korrigierendes Lernen bestärkendes Lernen unüberwachtes Lernen biologisches Vorbild neuronaler Netze: Neuron (Zellkörper, Synapsen, Axon) und Funktionsweise
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrElektrische Logigsystem mit Rückführung
Mathias Arbeiter 23. Juni 2006 Betreuer: Herr Bojarski Elektrische Logigsystem mit Rückführung Von Triggern, Registern und Zählern Inhaltsverzeichnis 1 Trigger 3 1.1 RS-Trigger ohne Takt......................................
Mehr100 % weniger Maschinen Störungen deshalb = 100 % mehr Maschinen Effizienzen
neuer, revolutionärer Flaschen Strom als übergeordnetes Linien Automatisierungs System inklusive aller Maschinen für einen gesamten Linien Abschnitt zwischen zwei Maschinen Ihr Projekt: zwei vorhandene
MehrKünstliches binäres Neuron
Künstliches binäres Neuron G.Döben-Henisch Fachbereich Informatik und Ingenieurwissenschaften FH Frankfurt am Main University of Applied Sciences D-60318 Frankfurt am Main Germany Email: doeben at fb2.fh-frankfurt.de
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
Mehr1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung
1 Einleitung 1.1 Motivation und Zielsetzung der Untersuchung Obgleich Tourenplanungsprobleme zu den am häufigsten untersuchten Problemstellungen des Operations Research zählen, konzentriert sich der Großteil
MehrAufbau und Beschreibung Neuronaler Netzwerke
Aufbau und Beschreibung r 1 Inhalt Biologisches Vorbild Mathematisches Modell Grundmodelle 2 Biologisches Vorbild Das Neuron Grundkomponenten: Zellkörper (Soma) Zellkern (Nukleus) Dendriten Nervenfaser
MehrZellulare Neuronale Netzwerke
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Zellulare Neuronale Netzwerke Florian Bilstein Dresden, 13.06.2012 Gliederung 1.
MehrQM: Prüfen -1- KN16.08.2010
QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,
MehrOutlook. sysplus.ch outlook - mail-grundlagen Seite 1/8. Mail-Grundlagen. Posteingang
sysplus.ch outlook - mail-grundlagen Seite 1/8 Outlook Mail-Grundlagen Posteingang Es gibt verschiedene Möglichkeiten, um zum Posteingang zu gelangen. Man kann links im Outlook-Fenster auf die Schaltfläche
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrFormeln. Signatur. aussagenlogische Formeln: Aussagenlogische Signatur
Signatur Formeln Am Beispiel der Aussagenlogik erklären wir schrittweise wichtige Elemente eines logischen Systems. Zunächst benötigt ein logisches System ein Vokabular, d.h. eine Menge von Namen, die
MehrAGROPLUS Buchhaltung. Daten-Server und Sicherheitskopie. Version vom 21.10.2013b
AGROPLUS Buchhaltung Daten-Server und Sicherheitskopie Version vom 21.10.2013b 3a) Der Daten-Server Modus und der Tresor Der Daten-Server ist eine Betriebsart welche dem Nutzer eine grosse Flexibilität
MehrLehrer: Einschreibemethoden
Lehrer: Einschreibemethoden Einschreibemethoden Für die Einschreibung in Ihren Kurs gibt es unterschiedliche Methoden. Sie können die Schüler über die Liste eingeschriebene Nutzer Ihrem Kurs zuweisen oder
Mehr2 Evaluierung von Retrievalsystemen
2. Evaluierung von Retrievalsystemen Relevanz 2 Evaluierung von Retrievalsystemen Die Evaluierung von Verfahren und Systemen spielt im IR eine wichtige Rolle. Gemäß der Richtlinien für IR der GI gilt es,...
MehrFuzzy Logik und Genetische Algorithmen für adaptive Prozesskontrolle
Fuzzy Logik und Genetische Algorithmen für adaptive Prozesskontrolle Umgang mit unsicherem Wissen VAK 03-711.08 Oliver Ahlbrecht 8. Dezember 2005 Struktur 1. Einleitung 2. Beispiel Cart-Pole 3. Warum Hybride
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen
Mehr3 TECHNISCHER HINTERGRUND
Techniken und Voraussetzungen 3 TECHNISCHER HINTERGRUND 3.1 Was bedeutet Feldbus-Technik? Die Feldbus-Technik wird zur Datenübertragung zwischen Sensoren / Aktoren und Automatisierungsgeräten, z.b. Speicher-Programmierbaren-
MehrProjektmanagement. Thema. Name der bzw. des Vortragenden. Vorname Nachname E-Mail@stud.fh-heilbronn.de Sommersemester 2004
Thema Name der bzw. des Vortragenden 1 Dauer Dauer 25 30 Minuten Auf keinen Fall überziehen!!! 2 3 Minuten pro Folie Also maximal 10 15 Folien Vorher üben und die Zeit stoppen! Nicht zu lange mit der Einleitung
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Training des XOR-Problems mit einem Künstlichen Neuronalen Netz (KNN) in JavaNNS 11.04.2011 2_CI2_Deckblatt_XORbinaer_JNNS_2
Mehr1 Einleitung. Lernziele. automatische Antworten bei Abwesenheit senden. Einstellungen für automatische Antworten Lerndauer. 4 Minuten.
1 Einleitung Lernziele automatische Antworten bei Abwesenheit senden Einstellungen für automatische Antworten Lerndauer 4 Minuten Seite 1 von 18 2 Antworten bei Abwesenheit senden» Outlook kann während
MehrKohonennetze Selbstorganisierende Karten
Kohonennetze Selbstorganisierende Karten Julian Rith, Simon Regnet, Falk Kniffka Seminar: Umgebungsexploration und Wegeplanung mit Robotern Kohonennetze: Neuronale Netze In Dendriten werden die ankommenden
MehrSurvival of the Fittest Wie statistische Modelle an Daten angepasst werden
Tag der Mathematik 2009 Survival of the Fittest Wie statistische Modelle an Daten angepasst werden Thomas Kneib Fakultät für Mathematik und Naturwissenschaften Carl von Ossietzky Universität Oldenburg
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
MehrDer VALUEpilot NEU! Ihr Ass im Ärmel
Der VALUEpilot NEU! m Ihr Ass im Ärmel Steckbrief Name: VALUEpilot Beruf: Wertermittler Hobbys: Mathematik und Statistik Alter: 4 Jahre Abrufe pro Monat: stark steigend Wohnort: Neuss Stärken: schnell,
MehrSkalierung des Ausgangssignals
Skalierung des Ausgangssignals Definition der Messkette Zur Bestimmung einer unbekannten Messgröße, wie z.b. Kraft, Drehmoment oder Beschleunigung, werden Sensoren eingesetzt. Sensoren stehen am Anfang
Mehr2. Psychologische Fragen. Nicht genannt.
Checkliste für die Beurteilung psychologischer Gutachten durch Fachfremde Gliederung eines Gutachtens 1. Nennung des Auftraggebers und Fragestellung des Auftraggebers. 2. Psychologische Fragen. Nicht genannt.
MehrMean Time Between Failures (MTBF)
Mean Time Between Failures (MTBF) Hintergrundinformation zur MTBF Was steht hier? Die Mean Time Between Failure (MTBF) ist ein statistischer Mittelwert für den störungsfreien Betrieb eines elektronischen
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrZwischenablage (Bilder, Texte,...)
Zwischenablage was ist das? Informationen über. die Bedeutung der Windows-Zwischenablage Kopieren und Einfügen mit der Zwischenablage Vermeiden von Fehlern beim Arbeiten mit der Zwischenablage Bei diesen
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 27. Aussagenlogik: Logisches Schliessen und Resolution Malte Helmert Universität Basel 28. April 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26.
MehrKapitel LF: IV. IV. Neuronale Netze
Kapitel LF: IV IV. Neuronale Netze Perzeptron-Lernalgorithmus Gradientenabstiegmethode Multilayer-Perzeptrons und ackpropagation Self-Organizing Feature Maps Neuronales Gas LF: IV-39 Machine Learning c
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Unüberwachtes Lernen: Adaptive Vektor Quantisierung und Kohonen Netze Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überwachtes Lernen Alle bis lang betrachteten Netzwerke
MehrHautkrebsscreening. 49 Prozent meinen, Hautkrebs sei kein Thema, das sie besorgt. Thema Hautkrebs. Ist Hautkrebs für Sie ein Thema, das Sie besorgt?
Hautkrebsscreening Datenbasis: 1.004 gesetzlich Krankenversicherte ab 1 Jahren Erhebungszeitraum:. bis 4. April 01 statistische Fehlertoleranz: +/- Prozentpunkte Auftraggeber: DDG Hautkrebs ist ein Thema,
MehrFragebogen für eine qualitative/quantitative Befragung zur Mediencommunity 2.0 aus Sicht der Lernenden
Fragebogen für eine qualitative/quantitative Befragung zur Mediencommunity 2.0 aus Sicht der Lernenden Vor dem eigentlichen Fragebogen muss eine kurze Erläuterung zu den Zielen und zum Ablauf des Projektes
MehrII. Zum Jugendbegleiter-Programm
II. Zum Jugendbegleiter-Programm A. Zu den Jugendbegleiter/inne/n 1. Einsatz von Jugendbegleiter/inne/n Seit Beginn des Schuljahres 2007/2008 setzen die 501 Modellschulen 7.068 Jugendbegleiter/innen ein.
MehrStatuten in leichter Sprache
Statuten in leichter Sprache Zweck vom Verein Artikel 1: Zivil-Gesetz-Buch Es gibt einen Verein der selbstbestimmung.ch heisst. Der Verein ist so aufgebaut, wie es im Zivil-Gesetz-Buch steht. Im Zivil-Gesetz-Buch
MehrWLAN Konfiguration. Michael Bukreus 2014. Seite 1
WLAN Konfiguration Michael Bukreus 2014 Seite 1 Inhalt Begriffe...3 Was braucht man für PureContest...4 Netzwerkkonfiguration...5 Sicherheit...6 Beispielkonfiguration...7 Screenshots Master Accesspoint...8
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrGEVITAS Farben-Reaktionstest
GEVITAS Farben-Reaktionstest GEVITAS Farben-Reaktionstest Inhalt 1. Allgemeines... 1 2. Funktionsweise der Tests... 2 3. Die Ruhetaste und die Auslösetaste... 2 4. Starten der App Hauptmenü... 3 5. Auswahl
MehrDie 7 wichtigsten Erfolgsfaktoren für die Einführung von Zielvereinbarungen und deren Ergebnissicherung
DR. BETTINA DILCHER Management Consultants Network Die 7 wichtigsten Erfolgsfaktoren für die Einführung von Zielvereinbarungen und deren Ergebnissicherung Leonhardtstr. 7, 14057 Berlin, USt.-ID: DE 225920389
MehrPsychologie im Arbeitsschutz
Fachvortrag zur Arbeitsschutztagung 2014 zum Thema: Psychologie im Arbeitsschutz von Dipl. Ing. Mirco Pretzel 23. Januar 2014 Quelle: Dt. Kaltwalzmuseum Hagen-Hohenlimburg 1. Einleitung Was hat mit moderner
Mehrratgeber Urlaub - Dein gutes Recht
Viele Arbeitgeber wollen jetzt die Urlaubsplanung für 2011 vorgelegt bekommen. Dabei kommt es immer wieder zu Streitereien unter den Kollegen. Aber auch zwischen Arbeitnehmern und Arbeitgebern kann es
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
MehrMarkus Demary / Michael Voigtländer
Forschungsberichte aus dem Institut der deutschen Wirtschaft Köln Nr. 50 Markus Demary / Michael Voigtländer Immobilien 2025 Auswirkungen des demografischen Wandels auf die Wohn- und Büroimmobilienmärkte
MehrPVS Grobkonzept: Strukturelle und funktionale Erweiterungen bei der Verwaltung der Arbeitszeit und der organisatorischen Zuordnung
PVS Grobkonzept: Strukturelle und funktionale Erweiterungen bei der Verwaltung der Arbeitszeit und der organisatorischen Zuordnung Bearbeiter: Klopfer, Klopfer Software GmbH Version: 31.10.2010 Abkürzungen
MehrSimulink: Einführende Beispiele
Simulink: Einführende Beispiele Simulink ist eine grafische Oberfläche zur Ergänzung von Matlab, mit der Modelle mathematischer, physikalischer bzw. technischer Systeme aus Blöcken mittels plug-and-play
MehrÜbertragung und Gegenübertragung im systemischen Rahmen
Übertragen kann jeder. Gegenübertragung ist eine Kunst. Die kann man kultivieren. Übertragung und Gegenübertragung im systemischen Rahmen Subversive Wendungen im Coaching Ulrike Rheinberger (gegen)übertragung:verwandte
MehrBürokaufmann/Bürokauffrau
Bürokaufmann/Bürokauffrau Hinweise zur Abschlussprüfung Seite 1 von 5 1. Vorwort Ihre Abschlussprüfung steht kurz bevor. Mit dem Ende der Ausbildung beginnt für Sie auch ein weiterer Lesind bei den Betrieben
MehrAM 53/2012. Amtliche Mitteilungen 53/2012
AM 53/2012 Amtliche Mitteilungen 53/2012 Dritte Ordnung zur Änderung der Prüfungsordnung für den Bachelor-Studiengang Wirtschaftsmathematik der Mathematisch-Naturwissenschaftlichen Fakultät der Universität
MehrSichere E-Mail Anleitung Zertifikate / Schlüssel für Kunden der Sparkasse Germersheim-Kandel. Sichere E-Mail. der
Sichere E-Mail der Nutzung von Zertifikaten / Schlüsseln zur sicheren Kommunikation per E-Mail mit der Sparkasse Germersheim-Kandel Inhalt: 1. Voraussetzungen... 2 2. Registrierungsprozess... 2 3. Empfang
MehrDer Einsatz künstlicher neuronaler Netze in der industriellen Feuerversicherung
Tobias Nagel Der Einsatz künstlicher neuronaler Netze in der industriellen Feuerversicherung PETER LANG Frankfurt am Main Berlin Bern Bruxelles New York- Oxford Wien Inhaltsverzeichnis Inhaltsverzeichnis
MehrPflegedossier für die kreisfreie Stadt Frankfurt (Oder)
Pflegedossier für die kreisfreie Stadt Frankfurt (Oder) Regionalbüros für Fachkräftesicherung - Fachkräftemonitoring - EUROPÄISCHE UNION Europäischer Sozialfonds Dieses Projekt wird durch das Ministerium
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrInformationen zur Prüfung Geprüfter Handelsfachwirt (IHK)/Geprüfte Handelsfachwirtin (IHK)
Informationen zur Prüfung Geprüfter Handelsfachwirt (IHK)/Geprüfte Handelsfachwirtin (IHK) Die Prüfung zum Geprüften Handelsfachwirt (IHK)/zur Geprüften Handelsfachwirtin (IHK) ist eine öffentlich-rechtliche
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrKapitel LF: IV. Multilayer-Perzeptrons und Backpropagation. Multilayer-Perzeptrons und Backpropagation. LF: IV Machine Learning c STEIN 2005-06
Kapitel LF: IV IV. Neuronale Netze Perzeptron-Lernalgorithmus Gradientenabstiegmethode Multilayer-Perzeptrons und ackpropagation Self-Organizing Feature Maps Neuronales Gas 39 Multilayer-Perzeptrons und
MehrWORKSHOP METHODEN ZUR TEST- UND FRAGEBOGENKONSTRUKTION UND VERFAHREN DER DATENAUSWERTUNG. Prof. Dr. Nadine Spörer
WORKSHOP METHODEN ZUR TEST- UND FRAGEBOGENKONSTRUKTION UND VERFAHREN DER DATENAUSWERTUNG Prof. Dr. Nadine Spörer Gliederung Messmodelle: Status- und Prozessdiagnostik Schulleistungstests und Fragebögen
MehrBeweisbar sichere Verschlüsselung
Beweisbar sichere Verschlüsselung ITS-Wahlpflichtvorlesung Dr. Bodo Möller Ruhr-Universität Bochum Horst-Görtz-Institut für IT-Sicherheit Lehrstuhl für Kommunikationssicherheit bmoeller@crypto.rub.de 6
MehrStammdatenanlage über den Einrichtungsassistenten
Stammdatenanlage über den Einrichtungsassistenten Schritt für Schritt zur fertig eingerichteten Hotelverwaltung mit dem Einrichtungsassistenten Bitte bereiten Sie sich, bevor Sie starten, mit der Checkliste
MehrAUSBILDUNG eines OBEDIENCE HUNDES
Beginners, CH (Box, Carré), 15 m entfernt Beginners, CH ab 2017 FCI - 1 (Box, Carré), 15 m entfernt mit Platz, 15 m FCI - 2 FCI - 3 mit Platz und Abrufen, 23 m Voransenden in einen Kreis, dann in ein Viereck
MehrASVZweb_08/ Schreibhilfe
ASVZweb_08/ Schreibhilfe Version 2 060908 David Trmal Die Schreibhilfe soll dich bei der Erstellung deiner Seiten unterstützen. Wir wollen nicht durch zahlreiche Regeln einschränken, sondern eine Wegleitung
MehrNeuronale Netze, Fuzzy Control, Genetische Algorithmen. Prof. Jürgen Sauer. 5. Aufgabenblatt: Neural Network Toolbox 1
Neuronale Netze, Fuzzy Control, Genetische Algorithmen Prof. Jürgen Sauer 5. Aufgabenblatt: Neural Network Toolbox 1 A. Mit Hilfe der GUI vom Neural Network erstelle die in den folgenden Aufgaben geforderten
MehrWie wirksam wird Ihr Controlling kommuniziert?
Unternehmenssteuerung auf dem Prüfstand Wie wirksam wird Ihr Controlling kommuniziert? Performance durch strategiekonforme und wirksame Controllingkommunikation steigern INHALT Editorial Seite 3 Wurden
MehrFAQ 04/2015. Auswirkung der ISO 14119 auf 3SE53/3SF13 Positionsschalter. https://support.industry.siemens.com/cs/ww/de/view/109475921
FAQ 04/2015 Auswirkung der ISO 14119 auf 3SE53/3SF13 Positionsschalter mit https://support.industry.siemens.com/cs/ww/de/view/109475921 Dieser Beitrag stammt aus dem Siemens Industry Online Support. Es
MehrNachhaltige Arbeits- und Bürowelten. Roundtable Wien 28.02.2012 Stefan Rief
Nachhaltige Arbeits- und Bürowelten Roundtable Wien 28.02.2012 Stefan Rief Roundtable Wien Drei Trendcluster als Treiber des Wandels Veränderung von Gesellschaften und Lebensstilen Etablierung nachhaltiger
MehrSMS/ MMS Multimedia Center
SMS/ MMS Multimedia Center der BEYOND THE NET GmbH BEYOND THE NET GmbH Seite 1 Unser Multimedia Center ist eine WEB basierende Anwendung, die es ermöglicht von einer Zentrale aus, viele Mitarbeiter zu
MehrDie richtigen Partner finden, Ressourcen finden und zusammenführen
Kongress Kinder.Stiften.Zukunft Workshop Willst Du mit mir gehen? Die richtigen Partner finden, Ressourcen finden und zusammenführen Dr. Christof Eichert Unsere Ziele: Ein gemeinsames Verständnis für die
MehrNeuronale Netze mit mehreren Schichten
Neuronale Netze mit mehreren Schichten Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Neuronale Netze mit mehreren
MehrMathematik. UND/ODER Verknüpfung. Ungleichungen. Betrag. Intervall. Umgebung
Mathematik UND/ODER Verknüpfung Ungleichungen Betrag Intervall Umgebung Stefan Gärtner 004 Gr Mathematik UND/ODER Seite UND Verknüpfung Kommentar Aussage Symbolform Die Aussagen Hans kann schwimmen p und
MehrElternzeit Was ist das?
Elternzeit Was ist das? Wenn Eltern sich nach der Geburt ihres Kindes ausschließlich um ihr Kind kümmern möchten, können sie bei ihrem Arbeitgeber Elternzeit beantragen. Während der Elternzeit ruht das
MehrPrint2CAD 2017, 8th Generation. Netzwerkversionen
Installation der Netzwerkversion Kazmierczak Software Print2CAD 2017, 8th Generation Print2CAD 2017, 8th Generation Netzwerkversionen Einführung Installationshinweise Die Programme von Kazmierczak Software
MehrEmployer Branding: Ist es wirklich Liebe?
https://klardenker.kpmg.de/employer-branding-ist-es-wirklich-liebe/ Employer Branding: Ist es wirklich Liebe? KEYFACTS - Nachwuchs nicht nur an Karriere interessiert - Markenpolitik spielt Rolle im Recruiting
MehrDiese Prozesse und noch viele andere Tricks werden in der Digitalfotografie mit Hilfe von Bildbearbeitungsprogrammen, wie z. B. Gimp, bewältigt.
Workflows mit Gimp Workflows sind Arbeitsabläufe, in denen man ein rohes Bildmaterial in ein ansehnliches Foto verwandelt. Denn das, was die Kamera sieht, entspricht selten unseren Vorstellungen eines
MehrVolksbank BraWo Führungsgrundsätze
Volksbank BraWo Führungsgrundsätze Präambel Die Führungsgrundsätze wurden gemeinsam von Mitarbeitern und Führungskräften aus allen Bereichen der Bank entwickelt. Dabei war allen Beteiligten klar, dass
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrEnigmail Konfiguration
Enigmail Konfiguration 11.06.2006 Steffen.Teubner@Arcor.de Enigmail ist in der Grundkonfiguration so eingestellt, dass alles funktioniert ohne weitere Einstellungen vornehmen zu müssen. Für alle, die es
Mehrteamsync Kurzanleitung
1 teamsync Kurzanleitung Version 4.0-19. November 2012 2 1 Einleitung Mit teamsync können Sie die Produkte teamspace und projectfacts mit Microsoft Outlook synchronisieren.laden Sie sich teamsync hier
Mehr!(0) + o 1("). Es ist damit möglich, dass mehrere Familien geschlossener Orbits gleichzeitig abzweigen.
Bifurkationen an geschlossenen Orbits 5.4 167 der Schnittabbldung konstruiert. Die Periode T (") der zugehörigen periodischen Lösungen ergibt sich aus =! + o 1 (") beziehungsweise Es ist also t 0 = T (")
MehrAnschlussnutzungsvertrag Strom (ab Mittelspannung)
Anschlussnutzungsvertrag Strom (ab Mittelspannung) Zwischen Stadtwerke Schwedt GmbH Heinersdorfer Damm 55-57 16303 Schwedt/Oder (nachfolgend Netzbetreiber), und Name/Firma des Anschlussnutzers: Straße:
MehrWeiterbildungen 2014/15
Weiterbildungen 2014/15 Kurs 1 Das Konzept Lebensqualität In den letzten Jahren hat sich die Lebensqualität im Behinderten-, Alten-, Sozial- und Gesundheitswesen als übergreifendes Konzept etabliert. Aber
MehrLeitfaden. zur Einführung neuer Studiengänge
Leitfaden zur Einführung neuer Studiengänge Entstehung des Leitfadens Einführung neuer Studiengänge Die Grundlagen des Leitfadens wurden auf der Basis des bisherigen Verfahrens in einer Workshopreihe des
MehrHören eines der wichtigsten Sinnesorgane
Amplifon AG Sihlbruggstrasse 109 CH-6340 Baar Hören eines der wichtigsten Sinnesorgane Nicht sehen trennt uns von den Dingen. Nicht hören trennt uns von den Menschen!, lautet ein berühmter Ausspruch von
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrNeuronale Netze in der Robotik
Seminarvortrag Neuronale Netze in der Robotik Datum: 18.01.2002 Vortragende: Elke von Lienen Matrikelnummer: 302489 Studiengang: Informatik Inhaltsverzeichnis Einleitung 3 Biologisches Vorbild 4 Künstliche
MehrVersuch 3. Frequenzgang eines Verstärkers
Versuch 3 Frequenzgang eines Verstärkers 1. Grundlagen Ein Verstärker ist eine aktive Schaltung, mit der die Amplitude eines Signals vergößert werden kann. Man spricht hier von Verstärkung v und definiert
MehrNutzung von GiS BasePac 8 im Netzwerk
Allgemeines Grundsätzlich kann das GiS BasePac Programm in allen Netzwerken eingesetzt werden, die Verbindungen als Laufwerk zu lassen (alle WINDOWS Versionen). Die GiS Software unterstützt nur den Zugriff
MehrVoraussetzungen für die Nutzung der Format Rechenzentrumslösung (Hosting)
Voraussetzungen für die Nutzung der Format Rechenzentrumslösung (Hosting) Firma: Seite 1 von 6 1 Ansprechpartner 1.1 Ansprechpartner EDV: Name: Name: Tel: Tel: E-Mail: E-Mail: 1.2 Ansprechpartner fachlich
MehrSimulation neuronaler Netzwerke mit TIKAPP
Überblick Michael Hanke Sebastian Krüger Institut für Psychologie Martin-Luther-Universität Halle-Wittenberg Forschungskolloquium, SS 2004 Überblick Fragen 1 Was sind neuronale Netze? 2 Was ist TIKAPP?
MehrTechnische Information zum Verlustwinkel-optimierten Lautsprecherkabel compact 6 M
Technische Information zum Verlustwinkel-optimierten Lautsprecherkabel compact 6 M Einleitung Die wissenschaftlich fundierte Ergründung von Klangunterschieden bei Lautsprecherkabeln hat in den letzten
MehrHinweise zum elektronischen Meldeformular
Paul-Ehrlich-Institut Postfach 63207 Langen Jochen Halbauer Referat Pharmakovigilanz 2 Tel. +49 (0) 6103 77 3114 Fax +49 (0) 6103 77 1268 E-Mail pharmakovigilanz2@pei.de 22.06.2015 Hinweise zum elektronischen
Mehr