Reinforcement Learning

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Reinforcement Learning"

Transkript

1 Effiziente Darstellung von Daten Reinforcement Learning 02. Juli 2004 Jan Schlößin

2 Einordnung Was ist Reinforcement Learning? Einführung - Prinzip der Agent Eigenschaften das Ziel Q-Learning warum Q-Learning Q-Learning Algorithmus Nicht deterministische Umgebungen Allgemeinere Lernfunktionen Quellenverzeichnis

3 Einordnung Was ist Reinforcement Learning? Was ist Reinforcement Learning? ist ein Lernparadigma zwischem überwachtem (supervised) und unüberwachtem (datengetrieben) Lernen nutzt auch ein Rückkopplungssignal Signal ist aber nur unspezifische Bewertung der Leistung Learning with critic instead of learning with teacher. lässt sich unter bestimmten Gesichtspunkten in die Klasse des temporal difference learning einordnen

4 Einführung - Prinzip der Agent Ziel: Lerne Aktionen auszuwählen, die das langfristige Reinforcement R maximieren.

5 Einführung - Prinzip Eigenschaften Eigenschaften Rückkopplung ist zeitlich verzögert der Agent kennt das Reinforcement nicht im voraus er muss eine Aktion erst ausführen bevor er bewerten kann, ob sie gut ist oder nicht im Allgemeinen kennt der Agent seine Umgebung nicht vollständig der Agent lernt sein gesamtes Leben lang

6 Einführung - Prinzip das Ziel der Agent verfolgt eine Policy, die zum gewünschten Ergebnis führt nach jedem Schritt bekommt er ein Reinforcement und befindet in einem neuen Zustand durch Gamma kleiner 1 wird forciert, dass sich der Agent möglichts früh aufs Ziel zubewegt andere Möglichkeiten für R denkbar eine optimale Policy lässt den Agenten genau die Aktionen ausführen, die das langfristige Reinforcement maximiert

7 Q-Learning warum Q-Learning warum Q-Learning im Allgemeinen kennt der Agent weder die Reinforcement-Funktion noch die Zustandsübergangsfunktion in der Praxis sind diese Funktionen schwer anzugeben Q(s,a) ist eine Funktion die den besten Reward liefert, der von s mit a erreicht werden kann wenn Q bekannt ist, wird trotzdem eine optimale Policy verfolgt, die ohne Backtracking auskommt

8 Q-Learning Q-Learning Algorithmus Q-Learning Algorithmus Vorraussetung: Funktion lässt sich als Tabelle darstellen Prinzip: nach jedem Schritt wird der zu erwartende Reward verringert für den letzten Zustand aktualisiert For each s, a initialize the table entry Q(s,a) to zero. Observe the current state s Do forever: - Select an action a and execute it - Receive immediate reward r - Observe the new state s - Update the table entry for Q(s,a) as follows: - s := s

9 Q-Learning Q-Learning Algorithmus Konvergenz des Algorithmus Unter folgenden Umständen wird die Funktion nach obigem Algorithmus gegen Q konvergieren. die Auswahl einer Aktion a geschieht nur auf Grund des aktuellen Zustands (DMP) die Werte der Rückkopplung sind begrenzt die Auswahl einer Aktion a führt dazu, dass jedes Zustand-Aktionen-Paar unendlich oft erreicht wird

10 Q-Learning Q-Learning Algorithmus Experimentierstrategie Um alle Zustände öfter zu erreichen, wird eine Strategie benötigt, die nicht immer den gleichen Pfad wählt. Auch wenn dieser der Beste zu seien scheint. die Warscheinlichkeit, dass eine Aktion a im Zustand s gewählt wird, hängt vom Verhältnis seines zu erwartenen Rewards und deren aller anderen Aktionen ab die Experimentierfreudigkeit kann mit der Zeit abnehmen

11 Nicht deterministische Umgebungen Nicht deterministische Umgebungen in der Praxis liefern Sensoren verrauschte Daten die Rückkopplung könnte sich an eine veränderte Umgebung anpassen es ist sinnvoll diese Effekte als nicht deterministische Funktion zu simulieren mathematisch lässt sich dies mittels Erwartungswert realisieren um die Lernfunktion weiterhin konvergieren zu lassen, wird eine Trägheit beim Update eingeführt

12 Allgemeinere Lernfunktionen Allgemeinere Lernfunktionen eine Einschränkung der Lernfunktion stellt die Verwendung einer Zuordnungstabelle dar für kontinuierliche Umgebungen erweisen sich künstliche neuronale Netze als brauchbar diese lassen sich mittels der Rewards und einem back propagation Algortihmus lernen

13 Quellenverzeichnis Folien unter: jschloes/ Quellen: Machine Learning Tom M. Mitchel Neuroinformatik Horst-Michael Gross tic tac toe http: //listserv.ac.il/ dvorkind/tictactoe/main_doc.htm

Reinforcement Learning

Reinforcement Learning Reinforcement Learning Ziel: Lernen von Bewertungsfunktionen durch Feedback (Reinforcement) der Umwelt (z.b. Spiel gewonnen/verloren). Anwendungen: Spiele: Tic-Tac-Toe: MENACE (Michie 1963) Backgammon:

Mehr

Reinforcement Learning

Reinforcement Learning Ziel: Lernen von Bewertungsfunktionen durch Feedback (Reinforcement) der Umwelt (z.b. Spiel gewonnen/verloren). Anwendungen: Spiele: Tic-Tac-Toe: MENACE (Michie 1963) Backgammon: TD-Gammon (Tesauro 1995)

Mehr

3. Das Reinforcement Lernproblem

3. Das Reinforcement Lernproblem 3. Das Reinforcement Lernproblem 1. Agierender Agent in der Umgebung 2. Discounted Rewards 3. Markov Eigenschaft des Zustandssignals 4. Markov sche Entscheidung 5. Werte-Funktionen und Bellman sche Optimalität

Mehr

Monte Carlo Methoden

Monte Carlo Methoden Monte Carlo Methoden im Verstärkungslernen [Spink] Bryan Spink 2003 Ketill Gunnarsson [ ketill@inf.fu-berlin.de ], Seminar zum Verstärkungslernen, Freie Universität Berlin [ www.inf.fu-berlin.de ] Einleitung

Mehr

Reinforcement Learning

Reinforcement Learning Reinforcement Learning 1. Allgemein Reinforcement Learning 2. Neuronales Netz als Bewertungsfunktion 3. Neuronales Netz als Reinforcement Learning Nils-Olaf Bösch 1 Allgemein Reinforcement Learning Unterschied

Mehr

8. Reinforcement Learning

8. Reinforcement Learning 8. Reinforcement Learning Einführung 8. Reinforcement Learning Wie können Agenten ohne Trainingsbeispiele lernen? Auch kennt der Agent zu Beginn nicht die Auswirkungen seiner Handlungen. Stattdessen erhält

Mehr

Kybernetik Einführung

Kybernetik Einführung Kybernetik Einführung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 24. 04. 2012 Einführung Was ist Kybernetik? Der Begriff Kybernetik wurde im 1948

Mehr

Übersicht. 20. Verstärkungslernen

Übersicht. 20. Verstärkungslernen Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen VI Lernen 18. Lernen aus Beobachtungen 19. Lernen in neuronalen & Bayes

Mehr

Kapitel 7 und Kapitel 8: Gleichgewichte in gemischten Strategien. Einleitung. Übersicht Teil 2 2. Übersicht 3

Kapitel 7 und Kapitel 8: Gleichgewichte in gemischten Strategien. Einleitung. Übersicht Teil 2 2. Übersicht 3 Übersicht Teil 2 Kaitel 7 und Kaitel 8: Gleichgewichte in gemischten Strategien Übersicht Teil 2 2 Übersicht Einleitung Was ist eine gemischte Strategie? Nutzen aus gemischten Strategien Reaktionsfunktionen

Mehr

RL und Funktionsapproximation

RL und Funktionsapproximation RL und Funktionsapproximation Bisher sind haben wir die Funktionen V oder Q als Tabellen gespeichert. Im Allgemeinen sind die Zustandsräume und die Zahl der möglichen Aktionen sehr groß. Deshalb besteht

Mehr

Seminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen

Seminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen Seminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen Michael Groß mdgrosse@sbox.tugraz.at 20. Januar 2003 0-0 Matrixspiel Matrix Game, Strategic Game, Spiel in strategischer Form.

Mehr

Seminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen

Seminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen Seminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen Michael Gross mdgrosse@sbox.tugraz.at 20. Januar 2003 1 Spieltheorie 1.1 Matrix Game Definition 1.1 Ein Matrix Game, Strategic

Mehr

Grundlagen der Künstlichen Intelligenz

Grundlagen der Künstlichen Intelligenz Grundlagen der Künstlichen Intelligenz 2. Agenten, Umgebungen und Lösungsverfahren Malte Helmert Universität Basel 4. März 2013 Rationale Agenten Heterogene Einsatzgebiete KI-Systeme erfüllen sehr unterschiedliche

Mehr

Temporal Difference Learning

Temporal Difference Learning Temporal Difference Learning Das Temporal Difference (TD) Lernen ist eine bedeutende Entwicklung im Reinforcement Lernen. Im TD Lernen werden Ideen der Monte Carlo (MC) und dynamische Programmierung (DP)

Mehr

Monte Carlo Methoden

Monte Carlo Methoden Monte Carlo Methoden Lernverfahren zur Berechnung von Wertefunktionen und Policies werden vorgestellt. Vollständige Kenntnis der Dynamik wird nicht vorausgesetzt (im Gegensatz zu den Verfahren der DP).

Mehr

Einsatz von Reinforcement Learning in der Modellfahrzeugnavigation

Einsatz von Reinforcement Learning in der Modellfahrzeugnavigation Einsatz von Reinforcement Learning in der Modellfahrzeugnavigation von Manuel Trittel Informatik HAW Hamburg Vortrag im Rahmen der Veranstaltung AW1 im Masterstudiengang, 02.12.2008 der Anwendung Themeneinordnung

Mehr

Intelligente Agenten

Intelligente Agenten Intelligente Agenten Einige einfache Überlegungen zu Agenten und deren Interaktionsmöglichkeiten mit ihrer Umgebung. Agent benutzt: Sensoren Aktuatoren (Aktoren; Effektoren) zum Beobachten/Mess seiner

Mehr

mit Musterlösungen Prof. Dr. Gerd Stumme, Dipl.-Inform. Christoph Schmitz 11. Juni 2007

mit Musterlösungen Prof. Dr. Gerd Stumme, Dipl.-Inform. Christoph Schmitz 11. Juni 2007 6. Übung zur Vorlesung Datenbanken im Sommersemester 2007 mit Musterlösungen Prof. Dr. Gerd Stumme, Dipl.-Inform. Christoph Schmitz 11. Juni 2007 Aufgabe 1: Rekursion Betrachten Sie die folgende Tabelle

Mehr

Reinforcement Learning

Reinforcement Learning Reinforcement Learning Viktor Seifert Seminar: Knowledge Engineering und Lernen in Spielen SS06 Prof. Johannes Fürnkranz Übersicht 1. Definition 2. Allgemeiner Lösungsansatz 3. Temporal Difference Learning

Mehr

Aufgabenblatt 4: Der Trade-off zwischen Bankenwettbewerb und Bankenstabilität

Aufgabenblatt 4: Der Trade-off zwischen Bankenwettbewerb und Bankenstabilität Aufgabenblatt 4: Der Trade-off zwischen Bankenwettbewerb und Bankenstabilität Prof. Dr. Isabel Schnabel The Economics of Banking Johannes Gutenberg-Universität Mainz Wintersemester 2009/2010 1 Aufgabe

Mehr

Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche. Suche in Spielbäumen. KI SS2011: Suche in Spielbäumen 1/20

Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche. Suche in Spielbäumen. KI SS2011: Suche in Spielbäumen 1/20 Suche in Spielbäumen Suche in Spielbäumen KI SS2011: Suche in Spielbäumen 1/20 Spiele in der KI Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche Einschränkung von Spielen auf: 2 Spieler:

Mehr

Modul N5 - Routing. Informatik erleben. Anwendung: http, smtp. Transport: TCP, UDP. Segment. Vermittlung: IP. Datagramm. Sicherung: Ethernet, PPP

Modul N5 - Routing. Informatik erleben. Anwendung: http, smtp. Transport: TCP, UDP. Segment. Vermittlung: IP. Datagramm. Sicherung: Ethernet, PPP N-Netze Modul - Routing eitrahmen 0 Minuten ielgruppe Sekundarstufe II Inhaltliche Voraussetzung keine, N4 von Vorteil Lehrziel Kennen lernen eines Routing-lgorithmus, sowie der Netzwerkschichten http://www.sxc.hu

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

Grundlagen der Künstlichen Intelligenz

Grundlagen der Künstlichen Intelligenz Grundlagen der Künstlichen Intelligenz 3. Einführung: Rationale Agenten Malte Helmert Universität Basel 2. März 2015 Einführung: Überblick Kapitelüberblick Einführung: 1. Was ist Künstliche Intelligenz?

Mehr

Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke

Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,

Mehr

Ihr Unternehmen wird beraten

Ihr Unternehmen wird beraten Ihr Unternehmen wird beraten Mit dem Rechtsanwalt werden auf Grundlage einer kompetenten rechtlichen Bewertung wirtschaftlich vernünftige Lösungen für die spezifischen Fragestellungen der Mandanten erarbeitet.

Mehr

Punktbeschriftung in Dynamischen Karten

Punktbeschriftung in Dynamischen Karten Vorlesung Algorithmische Kartografie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 28.05.2015 1 Übungen Nachtrag 1) Überlegen Sie sich, wie man den

Mehr

Reinforcement Learning

Reinforcement Learning Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Reinforcement Learning Uwe Dick Inhalt Problemstellungen Beispiele Markov Decision Processes Planen vollständige MDPs Lernen unbekannte

Mehr

Anhand des bereits hergeleiteten Models erstellen wir nun mit der Formel

Anhand des bereits hergeleiteten Models erstellen wir nun mit der Formel Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung

Mehr

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse

Mehr

Gemeinsame Erklärung zur inter-kulturellen Öffnung und zur kultur-sensiblen Arbeit für und mit Menschen mit Behinderung und Migrations-Hintergrund.

Gemeinsame Erklärung zur inter-kulturellen Öffnung und zur kultur-sensiblen Arbeit für und mit Menschen mit Behinderung und Migrations-Hintergrund. Gemeinsame Erklärung zur inter-kulturellen Öffnung und zur kultur-sensiblen Arbeit für und mit Menschen mit Behinderung und Migrations-Hintergrund. Das ist eine Erklärung in Leichter Sprache. In einer

Mehr

Deterministische Turing-Maschinen (DTM) F3 03/04 p.46/395

Deterministische Turing-Maschinen (DTM) F3 03/04 p.46/395 Deterministische Turing-Maschinen (DTM) F3 03/04 p.46/395 Turing-Machine Wir suchen ein Modell zur formalen Definition der Berechenbarkeit von Funktionen und deren Zeit- und Platzbedarf. Verschiedene Modelle

Mehr

Projektmanagement. Project organisation and resource management. Siegmar Alber, Luca Debiasi 16.11.2009

Projektmanagement. Project organisation and resource management. Siegmar Alber, Luca Debiasi 16.11.2009 Project organisation and resource management Siegmar Alber Luca Debiasi 16.11.2009 1 2 3 4 5 Free market Regulated market 6 Head of project management Projekt soll organisiert werden von: effektiven Managern

Mehr

Kapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen

Kapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen Kapitel ML: I I. Einführung Beispiele für Lernaufgaben Spezifikation von Lernproblemen ML: I-8 Introduction c STEIN/LETTMANN 2005-2010 Beispiele für Lernaufgaben Autoeinkaufsberater Welche Kriterien liegen

Mehr

Hochschule Rhein-Main. Sommersemester 2015

Hochschule Rhein-Main. Sommersemester 2015 von Vorlesung Hochschule Rhein-Main Sommersemester 2015 Dr. Roland Stamm 4. Mai 2015 von Diskontfaktoren: Legt man heute (in t) 1 Einheit bis T an, und erhält dafür in T insgesamt x zurück (mit Zinseszins,

Mehr

RS-Flip Flop, D-Flip Flop, J-K-Flip Flop, Zählschaltungen

RS-Flip Flop, D-Flip Flop, J-K-Flip Flop, Zählschaltungen Elektronik Praktikum / Digitaler Teil Name: Jens Wiechula, Philipp Fischer Leitung: Prof. Dr. U. Lynen Protokoll: Philipp Fischer Versuch: 3 Datum: 24.06.01 RS-Flip Flop, D-Flip Flop, J-K-Flip Flop, Zählschaltungen

Mehr

Zins- Immunisierungsstrategien oder

Zins- Immunisierungsstrategien oder Zins- Immunisierungsstrategien oder Wie sichert man eine Million? Hermann Kautschitsch Institut für Mathematik Universität Klagenfurt Problemstellung Sicherung einer Investition gegenüber unvermutet auftretenden

Mehr

Universität Duisburg-Essen Informationssysteme Prof. Dr.-Ing. N. Fuhr. Praktikum Datenbanken / DB2 Woche 8: Trigger, SQL-PL

Universität Duisburg-Essen Informationssysteme Prof. Dr.-Ing. N. Fuhr. Praktikum Datenbanken / DB2 Woche 8: Trigger, SQL-PL Betreuer: Sascha Kriewel, Tobias Tuttas Raum: LF 230 Bearbeitung: 26., 27. und 29. Juni 2006 Datum Team (Account) Vorbereitung Präsenz Aktuelle Informationen, Ansprechpartner und Material unter: http://www.is.inf.uni-due.de/courses/dbp_ss07/index.html

Mehr

Kybernetik Braitenberg Vehikel

Kybernetik Braitenberg Vehikel Kybernetik Braitenberg Vehikel Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uniulm.de 29. 05. 2012 Was ist Kybernetik? environment agent Kybernetik ermöglicht,

Mehr

Was sind Jahres- und Zielvereinbarungsgespräche?

Was sind Jahres- und Zielvereinbarungsgespräche? 6 Was sind Jahres- und Zielvereinbarungsgespräche? Mit dem Jahresgespräch und der Zielvereinbarung stehen Ihnen zwei sehr wirkungsvolle Instrumente zur Verfügung, um Ihre Mitarbeiter zu führen und zu motivieren

Mehr

Informationsblatt Induktionsbeweis

Informationsblatt 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

Mehr

Meilenstein 3 - Abschlusspräsentation

Meilenstein 3 - Abschlusspräsentation WPF Künstliche Intelligenz logische Agenten & Roboter Fachhochschule Köln Campus GM Meilenstein 3 - Abschlusspräsentation Gruppe Blau - Straub, Wilzopolski, Kaymak 1 Agenda 1. Agent Aktuatoren Sensoren

Mehr

Keine Kompromisse. Optimaler Schutz für Desktops und Laptops CLIENT SECURITY

Keine Kompromisse. Optimaler Schutz für Desktops und Laptops CLIENT SECURITY Keine Kompromisse Optimaler Schutz für Desktops und Laptops CLIENT SECURITY Aktuelle Software ist der Schlüssel zur Sicherheit 83 % [1] der Top-Ten-Malware hätten mit aktueller Software vermieden werden

Mehr

Plug-n-Play-Lösungen für Ihren Internetauftritt

Plug-n-Play-Lösungen für Ihren Internetauftritt Plug-n-Play-Lösungen für Ihren Internetauftritt Das Internet bietet unendlich viele Möglichkeiten um sich zu präsentieren, Unternehmen zu gründen und Geld zu verdienen. Fast ohne Aufwand kann jeder dort

Mehr

Der VALUEpilot NEU! Ihr Ass im Ärmel

Der 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,

Mehr

Die Finite Elemente Methode (FEM) gibt es seit über 50 Jahren

Die Finite Elemente Methode (FEM) gibt es seit über 50 Jahren Die Finite Elemente Methode (FEM) gibt es seit über 50 Jahren Aber es gibt bis heute kein Regelwerk oder allgemein gültige Vorschriften/Normen für die Anwendung von FEM-Analysen! Es gibt nur sehr vereinzelt

Mehr

Tutorium zur Mikroökonomie II WS 02/03 Universität Mannheim Tri Vi Dang. Aufgabenblatt 3 (KW 44) (30.10.02)

Tutorium zur Mikroökonomie II WS 02/03 Universität Mannheim Tri Vi Dang. Aufgabenblatt 3 (KW 44) (30.10.02) Tutorium zur Mikroökonomie II WS 02/03 Universität Mannheim Tri Vi Dang Aufgabenblatt 3 (KW 44) (30.10.02) Aufgabe 1: Preisdiskriminierung dritten Grades (20 Punkte) Ein innovativer Uni-Absolvent plant,

Mehr

Viele Bilder auf der FA-Homepage

Viele Bilder auf der FA-Homepage Viele Bilder auf der FA-Homepage Standardmäßig lassen sich auf einer FA-Homepage nur 2 Bilder mit zugehörigem Text unterbringen. Sollen es mehr Bilder sein, muss man diese als von einer im Internet

Mehr

Simulink: Einführende Beispiele

Simulink: 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

Mehr

AutoSPARQL. Let Users Query Your Knowledge Base

AutoSPARQL. Let Users Query Your Knowledge Base AutoSPARQL Let Users Query Your Knowledge Base Christian Olczak Seminar aus maschinellem Lernen WS 11/12 Fachgebiet Knowledge Engineering Dr. Heiko Paulheim / Frederik Janssen 07.02.2012 Fachbereich Informatik

Mehr

Gratwanderung zwischen Ökonomie und Qualität

Gratwanderung zwischen Ökonomie und Qualität 1 Die wahrscheinlichen Entwicklungen Strategien im Gesundheitswesen Gratwanderung zwischen Ökonomie und Qualität ASDI Meeting Nov. 2011 Dr. Ernest Pichlbauer Weihburggasse 26 A 1010 Wien www.hpi-sag.com

Mehr

Kapitel 14: Unvollständige Informationen

Kapitel 14: Unvollständige Informationen Kapitel 14: Unvollständige Informationen Hauptidee: Für das Erreichen einer effizienten Allokation auf Wettbewerbsmärkten ist es notwendig, dass jeder Marktteilnehmer dieselben Informationen hat. Informationsasymmetrie

Mehr

Mechanismus Design Auktionen

Mechanismus Design Auktionen Mechanismus Design Auktionen Universität Hohenheim Alexander Staus Mechanismus Design Universität Hohenheim 1/25 Welche Auktionen kennen Sie? traditionelle Auktionshäuser ebay Immobilien Fahrräder Blumen

Mehr

Branch-and-Bound. Wir betrachten allgemein Probleme, deren Suchraum durch Bäume dargestellt werden kann. Innerhalb des Suchraums suchen wir

Branch-and-Bound. Wir betrachten allgemein Probleme, deren Suchraum durch Bäume dargestellt werden kann. Innerhalb des Suchraums suchen wir Effiziente Algorithmen Lösen NP-vollständiger Probleme 289 Branch-and-Bound Wir betrachten allgemein Probleme, deren Suchraum durch Bäume dargestellt werden kann. Innerhalb des Suchraums suchen wir 1.

Mehr

Datenbankentwurf. 4.2 Logischer Entwurf. Kapitel 4. ER-Modell. Umsetzung. Entwurfsdokumentation. relationales Modell. Verbesserung

Datenbankentwurf. 4.2 Logischer Entwurf. Kapitel 4. ER-Modell. Umsetzung. Entwurfsdokumentation. relationales Modell. Verbesserung 4.2 Logischer Entwurf Datenbankentwurf 4.2 Logischer Entwurf 2002 Prof. Dr. Rainer Manthey Informationssysteme Logischer Entwurf: Einordnung Entwurfsdokumentation logische Strukturen "auf dem Papier" konzeptueller

Mehr

Aufgaben. 2.1. Leiten Sie die Formeln (9) und (10) her! Vorbetrachtungen. Der High-Fall

Aufgaben. 2.1. Leiten Sie die Formeln (9) und (10) her! Vorbetrachtungen. Der High-Fall Aufgaben 2.1. Leiten Sie die Formeln (9) und (10) her! Vorbetrachtungen I. Die open-collector-gatter auf der "in"-seite dürfen erst einen High erkennen, wenn alle open-collector-gatter der "out"-seite

Mehr

Konzentration auf das. Wesentliche.

Konzentration auf das. Wesentliche. Konzentration auf das Wesentliche. Machen Sie Ihre Kanzleiarbeit effizienter. 2 Sehr geehrte Leserin, sehr geehrter Leser, die Grundlagen Ihres Erfolges als Rechtsanwalt sind Ihre Expertise und Ihre Mandantenorientierung.

Mehr

Vergleichsarbeiten in 3. Grundschulklassen. Mathematik. Aufgabenheft 1

Vergleichsarbeiten in 3. Grundschulklassen. Mathematik. Aufgabenheft 1 Vergleichsarbeiten in 3. Grundschulklassen Mathematik Aufgabenheft 1 Name: Klasse: Herausgeber: Projekt VERA (Vergleichsarbeiten in 3. Grundschulklassen) Universität Koblenz-Landau Campus Landau Fortstraße

Mehr

Praktikum. Elektromagnetische Verträglichkeit

Praktikum. Elektromagnetische Verträglichkeit Praktikum Elektromagnetische Verträglichkeit Versuch 1 Stromoberschwingungen und Flicker Gruppe 7 Versuchsdurchführung am 24.05.2006 Blattzahl (inkl. Deckblatt): 20 Seite 1 von 20 Inhaltsverzeichnis 1.

Mehr

Dame oder Tiger (Nach dem leider schon lange vergriffenen Buch von Raymond Smullyan)

Dame oder Tiger (Nach dem leider schon lange vergriffenen Buch von Raymond Smullyan) Dame oder Tiger? 1 Dame oder Tiger (Nach dem leider schon lange vergriffenen Buch von Raymond Smullyan) Der König eines nicht näher bestimmten Landes hat zwölf Gefangene und möchte aus Platzmangel einige

Mehr

PROSEMINAR ONLINE ALGORITHMEN

PROSEMINAR ONLINE ALGORITHMEN PROSEMINAR ONLINE ALGORITHMEN im Wintersemester 2000/2001 Prof. Dr. Rolf Klein, Dr. Elmar Langetepe, Dipl. Inform. Thomas Kamphans (Betreuer) Vortrag vom 15.11.2000 von Jan Schmitt Thema : Finden eines

Mehr

Wasser sparen. Klimaprojekt 2015/2016 KBS Schwyz Sven Suter MAB Möbelfabrik Betschart AG Fabian Trummer login Berufsbildung AG Klasse E1C

Wasser sparen. Klimaprojekt 2015/2016 KBS Schwyz Sven Suter MAB Möbelfabrik Betschart AG Fabian Trummer login Berufsbildung AG Klasse E1C Klimaprojekt 2015/2016 KBS Schwyz Sven Suter MAB Möbelfabrik Betschart AG Fabian Trummer login Berufsbildung AG Klasse E1C Inhaltsverzeichnis 1. Zusammenfassung... 3 2. Einleitung... 3 3. Hauptteil...

Mehr

SCHALTEN ABER SCHLAU das GROẞe energieeffizienzspiel. spielregel

SCHALTEN ABER SCHLAU das GROẞe energieeffizienzspiel. spielregel SCHALTEN ABER SCHLAU das GROẞe energieeffizienzspiel spielregel INHALT spielziel 03 Spielvorbereitung 04 Spielregel 06 Fragen und Antworten 09 Varianten 10 spielziel 03 spielziel Jeder Spieler verfolgt

Mehr

Black Jack - Kartenzählen

Black Jack - Kartenzählen Black Jack - Kartenzählen Michael Gabler 24.01.2012 Literatur: N. Richard Werthamer: Risk and Reward - The Science of Casino Blackjack, Springer Black Jack - Kartenzählen 1 Wie zähle ich Karten? Historisches

Mehr

Übung 2 Erfolgsrechnung

Übung 2 Erfolgsrechnung Controlling in deutschen Unternehmen Übung 2 Erfolgsrechnung Dipl.-Kfm. Florian Böckling, MBA Dipl.-Kfm. Franz Zinser, MBA Lehrstuhl für Controlling Prof. Dr. Louis Velthuis Johannes Gutenberg-Universität

Mehr

Was ich dich - mein Leben - schon immer fragen wollte! Bild: Strichcode Liebe Mein liebes Leben, alle reden immer von der gro en Liebe Kannst du mir erklären, was Liebe überhaupt ist? Woran erkenne ich

Mehr

Elternzeit Was ist das?

Elternzeit 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

Mehr

Kapitel 4 Die Datenbank Kuchenbestellung Seite 1

Kapitel 4 Die Datenbank Kuchenbestellung Seite 1 Kapitel 4 Die Datenbank Kuchenbestellung Seite 1 4 Die Datenbank Kuchenbestellung In diesem Kapitel werde ich die Theorie aus Kapitel 2 Die Datenbank Buchausleihe an Hand einer weiteren Datenbank Kuchenbestellung

Mehr

International Finance. Bearbeiten Sie alle sechs Aufgaben A1-A6 und eine der zwei Aufgaben B1-B2!

International Finance. Bearbeiten Sie alle sechs Aufgaben A1-A6 und eine der zwei Aufgaben B1-B2! Kursprüfung International Finance Schwerpunktmodul Finanzmärkte 6 Kreditpunkte, Bearbeitungsdauer: 90 Minuten WS 2012/13, 13.2.2013 Prof. Dr. Lutz Arnold Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.:

Mehr

Netzwerk- Konfiguration. für Anfänger

Netzwerk- Konfiguration. für Anfänger Netzwerk- Konfiguration für Anfänger 1 Vorstellung Christian Bockermann Informatikstudent an der Universität Dortmund Freiberuflich in den Bereichen Software- Entwicklung und Netzwerk-Sicherheit tätig

Mehr

Gliederung. Biologische Motivation Künstliche neuronale Netzwerke. Anwendungsbeispiele Zusammenfassung. Das Perzeptron

Gliederung. 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

Mehr

Das Mathematik-Abitur im Saarland

Das Mathematik-Abitur im Saarland Informationen zum Abitur Das Mathematik-Abitur im Saarland Sie können Mathematik im Abitur entweder als grundlegenden Kurs (G-Kurs) oder als erhöhten Kurs (E-Kurs) wählen. Die Bearbeitungszeit für die

Mehr

TEILWEISE ASYNCHRONE ALGORITHMEN

TEILWEISE ASYNCHRONE ALGORITHMEN TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner

Mehr

Optimierendes Lernen (Reinforcement Learning) - Adaptive Verfahren für dynamische Optimierungsprobleme. VE 1: Einführung

Optimierendes Lernen (Reinforcement Learning) - Adaptive Verfahren für dynamische Optimierungsprobleme. VE 1: Einführung Optimierendes Lernen (Reinforcement Learning) - Adaptive Verfahren für dynamische Optimierungsprobleme VE 1: Einführung Prof. Dr. Martin Riedmiller Machine Learning Lab Albert-Ludwigs-Universitaet Freiburg

Mehr

Modul 2 Nur eine Unterschrift, nur ein Klick?! Verträge- Rechte und Pflichten

Modul 2 Nur eine Unterschrift, nur ein Klick?! Verträge- Rechte und Pflichten Modul 2 Nur eine Unterschrift, nur ein Klick?! Verträge- Rechte und Pflichten Baustein: V14 Raten ohne Ende? Ziel: Sensibilisierung für die Folgen der Nichteinhaltung von Verträgen und die daraus entstehenden

Mehr

Einführung in die Robotik Analog-Digital und Digital-Analog Wandler

Einführung in die Robotik Analog-Digital und Digital-Analog Wandler Einführung in die Robotik Analog-Digital und Digital-Analog Wandler Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 73 / 5 2453 mohamed.oubbati@uni-ulm.de 3.. 22 Analog-Digital (A/D) Wandler Digital

Mehr

Was man über das Perlenfinden wissen sollte...

Was man über das Perlenfinden wissen sollte... FG FINANZ-SERVICE Aktiengesellschaft Was man über das Perlenfinden wissen sollte... überreicht von: Wer blickt da noch durch? Deshalb ist unabhängige Beratung für Sie so wichtig Wenn Sie schon einmal mit

Mehr

Installation OMNIKEY 3121 USB

Installation OMNIKEY 3121 USB Installation OMNIKEY 3121 USB Vorbereitungen Installation PC/SC Treiber CT-API Treiber Einstellungen in Starke Praxis Testen des Kartenlesegeräts Vorbereitungen Bevor Sie Änderungen am System vornehmen,

Mehr

In der Gruppe ist die Motivation größer. Auch die zeitliche Begrenzung macht es etwas leichter. schon

In der Gruppe ist die Motivation größer. Auch die zeitliche Begrenzung macht es etwas leichter. schon TEIL I: Leseverstehen LESETEXT Jung, vernetzt und ohne Smartphone Es ist ein Experiment: eine Woche lang ohne Smartphone auskommen. Die Teilnehmer: Schüler aus Braunschweig. Sind die Jugendlichen wirklich

Mehr

Reasoning and decision-making under uncertainty

Reasoning and decision-making under uncertainty Reasoning and decision-making under uncertainty 9. Vorlesung Actions, interventions and complex decisions Sebastian Ptock AG Sociable Agents Rückblick: Decision-Making A decision leads to states with values,

Mehr

E-Mobilität: umdenken in Richtung Zukunft.

E-Mobilität: umdenken in Richtung Zukunft. E-Mobilität: umdenken in Richtung Zukunft. www.mainova.de Energiewende: be schleunigter Wandel. Steigende Kraftstoffpreise, zunehmende CO 2 -Emissionen: Innovative Mobilitätskonzepte und alternative Antriebe

Mehr

Überblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus

Überblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus Überblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus Einleitung Ein Online-Algorithmus muss Ausgaben berechnen, ohne zukünftige Eingaben zu kennen. Für die Bewertung von

Mehr

10. Public-Key Kryptographie

10. Public-Key Kryptographie Stefan Lucks 10. PK-Krypto 274 orlesung Kryptographie (SS06) 10. Public-Key Kryptographie Analyse der Sicherheit von PK Kryptosystemen: Angreifer kennt öffentlichen Schlüssel Chosen Plaintext Angriffe

Mehr

Übersicht. Künstliche Intelligenz: 21. Verstärkungslernen Frank Puppe 1

Übersicht. Künstliche Intelligenz: 21. Verstärkungslernen Frank Puppe 1 Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlussfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen VI Lernen 18. Lernen aus Beobachtungen 19. Wissen beim Lernen 20. Statistische

Mehr

Ein Franchiseprojekt der

Ein Franchiseprojekt der Ein Franchiseprojekt der DeBeGe Unternehmensberatung GmbH Geschäftsführer: Reinhard Bucher Kastanienweg 5 04416 Markkleeberg Das Franchise-Konzept Erstinformationen für Franchise-Interessenten Die DeBeGe

Mehr

Schmerz warnt uns! Der Kopfschmerztyp Migräne. Was sind typische Merkmale des Migränekopfschmerzes?

Schmerz warnt uns! Der Kopfschmerztyp Migräne. Was sind typische Merkmale des Migränekopfschmerzes? Check it out! - Trainingswoche 1 - Schmerz warnt uns! Schmerz hat eine Warnfunktion! Durch Schmerz bemerkst du, dass mit deinem Körper etwas nicht in Ordnung ist, dass du dich zum Beispiel verletzt hast

Mehr

V π (s) ist der Erwartungswert, der bei Start in s und Arbeit gemäß π insgesamt erreicht wird:

V π (s) ist der Erwartungswert, der bei Start in s und Arbeit gemäß π insgesamt erreicht wird: Moderne Methoden der KI: Maschinelles Lernen Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Sommer-Semester 2007 Verstärkungs-Lernen (Reinforcement Learning) Literatur: R.S.Sutton, A.G.Barto Reinforcement

Mehr

IPv6: Fragen, Antworten & Diskussion

IPv6: Fragen, Antworten & Diskussion IPv6: Fragen, Antworten & Diskussion 40. DFN-Betriebstagung 09.-10. März 2003 IPv6-Forum Tina Strauf (JOIN) 1 Werden die IPv4-Adressen tatsächlich bald ausgehen? Prognosen reichen von 2005-2020 2,4 von

Mehr

Moni KielNET-Mailbox

Moni KielNET-Mailbox Bedienungsanleitung Moni -Mailbox Die geht für Sie ran! Wann Sie wollen, wo immer Sie sind! im Festnetz Herzlichen Glückwunsch zu Moni Ihrer persönlichen -Mailbox! Wir haben Ihre persönliche -Mailbox eingerichtet.

Mehr

32. Algorithmus der Woche Kreise zeichnen mit Turbo Programmoptimierung: Wie kann man die Zahl der Rechenoperationen minimieren?

32. Algorithmus der Woche Kreise zeichnen mit Turbo Programmoptimierung: Wie kann man die Zahl der Rechenoperationen minimieren? 32. Algorithmus der Woche Kreise zeichnen mit Turbo Programmoptimierung: Wie kann man die Zahl der Rechenoperationen minimieren? Autor Leif Kobbelt, RWTH Aachen Dominik Sibbing, RWTH Aachen Hast Du schon

Mehr

Wenn Russland kein Gas mehr liefert

Wenn Russland kein Gas mehr liefert Ergänzen Sie die fehlenden Begriffe aus der Liste. abhängig Abhängigkeit bekommen betroffen bezahlen Gasspeicher Gasverbrauch gering hätte helfen importieren liefert 0:02 Pläne politischen Projekte Prozent

Mehr

Anmerkungen zu RFID und der V3.5

Anmerkungen zu RFID und der V3.5 Anmerkungen zu RFID und der V3.5 Dr. Andreas Bohne-Lang der Universität Heidelberg Theodor-Kutzer-Ufer 1-3, D-68135 Mannheim 24.10.2006 Unsere RFID-Komponenten Selbstverbucher Die Bibliothek Buchrüchgabe-

Mehr

14 Entscheidungsmuster Grenzkosten Deckungsbeitrag

14 Entscheidungsmuster Grenzkosten Deckungsbeitrag GRUNDLAGEN WIRTSCHAFT 14 Entscheidungsmuster Grenzkosten Deckungsbeitrag Wirtschaften ist Entscheiden und Handeln von Menschen. 2011.10 Prof. Dr. Friedrich Wilke Entscheidungsmuster 14 Grenzkosten 1 Entscheidungsprozess

Mehr

Tipps für Patienten: Individuelle Gesundheitsleistungen (IGeL)

Tipps für Patienten: Individuelle Gesundheitsleistungen (IGeL) Tipps für Patienten: Individuelle Gesundheitsleistungen (IGeL) Christoph Storch wollte eigentlich nur eine Beratung zu einer Lesebrille von seinem Augenarzt haben. Ich wollte wissen, ob ich auch mit den

Mehr

facebook wie geht das eigentlich? Und was ist überhaupt Social media?

facebook wie geht das eigentlich? Und was ist überhaupt Social media? facebook wie geht das eigentlich? Und was ist überhaupt Social media? Fachtag Facebook& Co. für Multiplikator_innen (Aufbereitung der Präsentation für die Homepage, der ursprüngliche Vortrag wurde mit

Mehr

Beweisbar sichere Verschlüsselung

Beweisbar 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

Mehr

Fachhochschule Deggendorf Platzziffer:...

Fachhochschule Deggendorf Platzziffer:... Sommersemester 2008 Zahl der Blätter: 9 Fachbereich: Betriebswirtschaft WI Bachelor Hilfsmittel: alles ohne Computer Zeit: 90 Minuten 1 Betrachten Sie die drei markierten Zeilen. 1. Angenommen Sie hätten

Mehr

Lohnt es sich, Krankenversicherungsbeiträge vorauszuzahlen?

Lohnt es sich, Krankenversicherungsbeiträge vorauszuzahlen? MUSTERFALL Lohnt es sich, Krankenversicherungsbeiträge vorauszuzahlen? von Dipl.-Kfm. Dirk Klinkenberg, Rösrath, www.instrumenta.de Steuerlich kann es vorteilhaft sein, die Beiträge zur Kranken- und zur

Mehr

Unterscheidung: Workflowsystem vs. Informationssystem

Unterscheidung: Workflowsystem vs. Informationssystem 1. Vorwort 1.1. Gemeinsamkeiten Unterscheidung: Workflowsystem vs. Die Überschneidungsfläche zwischen Workflowsystem und ist die Domäne, also dass es darum geht, Varianten eines Dokuments schrittweise

Mehr

Darum geht es in diesem Heft

Darum geht es in diesem Heft Die Hilfe für Menschen mit Demenz von der Allianz für Menschen mit Demenz in Leichter Sprache Darum geht es in diesem Heft Viele Menschen in Deutschland haben Demenz. Das ist eine Krankheit vom Gehirn.

Mehr