Simulation neuronaler Netze
|
|
- Michael Acker
- vor 8 Jahren
- Abrufe
Transkript
1 Simulation neuronaler Netze von Professor Dr. Andreas Zeil Universität Tübingen R. Oldenbourg Verlag München Wien
2 Inhaltsverzeichnis Teil I: Einführung und Neurobiologische Grundlagen 21 Kapitel 1 Einleitung und Motivation Was sind Neuronale Netze? Geschwindigkeitsvergleich Gehirn - Rechner Schritt-Regel Vergleich Konnektionismus - klassische Künstliche Intelligenz (KI) Eigenschaften neuronaler Netze Geschichte neuronaler Netze Frühe Anfänge ( ) Erste Blütezeit ( ) Die stillen Jahre ( ) Die Renaissance neuronaler Netze (1985-heute) Bemerkungen zum vorliegenden Buch 34 Kapitel 2 Biologische Neuronen Aufbau einer Nervenzelle Zellmembran von Nervenfasern Fortpflanzung des Nervensignals entlang des Axons Myelinhülle Weiterleitung des Nervensignals über eine Synapse Neurotransmitter Einige Zahlen und Formeln über Neuronen Vereinfachte Modellierung von Neuronen bei der Simulation 51 Kapitel 3 Kleine Verbände von Nervenzellen Die Meeresschnecke Aplysia Steuerung des Herzschlags und Blutdrucks von Aplysia Steuerung des Kiemenreflexes von Aplysia 57 Kapitel 4 Gehirn des Menschen Struktur des Gehirns Sensorische Nervenleitung Sinneswahrnehmungen Motorische Nervenleitung Das autonome Nervensystem 64
3 Inhaltsverzeichnis 4.6 Weg der visuellen Information ins Sehfeld Augendominanz-Spalten des primären Sehfeldes Bereiche der Großhirnrinde Aufteilung in funktioneil differenzierte Bereiche Lage funktioneil verschiedener Bereiche des Cortex Verstehen und Produktion von Sprache und Schrift 67 Teil II Konnektionistische Modelle 69 Kapitel 5 Konzepte des Konnektionismus Zellen als stark idealisierte Neuronen Bestandteile neuronaler Netze Zelltypen nach Position im Netzwerk Beispiel eines Netzes: XOR-Netzwerk mit 4 Zellen Aktivierangszustand Ausgabefunktion Arten von Verbindungsnetzwerken Netze ohne Rückkopplung (feedforward-netze) Netze mit Rückkopplungen Hinweise zur Matrixschreibweise Ersetzung der Schwellenwerte durch ein "on"-neuron Propagierungsregel und Aktivierungsfunktion Lernregel Theoretisch mögliche Arten des Lernens Hebbsche Lernregel Delta-Regel Backpropagation-Regel 85 Kapitel 6 Komponenten neuronaler Modelle Dynamische Eigenschaften der Modelle Synchrone Aktivierung Asynchrone Aktivierung Weiteres über Aktivierungsfunktionen Lineare Aktivierungsfunktionen Schrittfunktion Sigmoide Aktivierungsfunktionen Lernen in Neuronalen Netzen Überwachtes Lernen Probleme und Fragen überwachter Lernverfahren Bestärkendes Lernen (reinforcement learning) Unüberwachtes Lernen (unsupervised learning) 95
4 Kapitel 7 Perzeptron Schema des Perzeptrons Neuronen des Perzeptrons Lineare Trennbarkeit (linear separability) Zweistufige Perzeptrons Dreistufige Perzeptrons Lernverfahren des Perzeptrons 103 Kapitel 8 Backpropagation Prinzip des Lernverfahrens Backpropagation Prinzip der Gradientenverfahren neuronaler Netze Herleitung der Delta-Regel Herleitung der Backpropagation-Regel Probleme des Lernverfahrens Backpropagation Symmetry Breaking Lokale Minima der Fehlerfläche Flache Plateaus Oszillationen in steilen Schluchten Verlassen guter Minima Wahl der Schrittweite Wahl des Dynamikbereichs 114 Kapitel 9 Modifikationen von Backpropagation Momentum-Term Fiat-Spot Elimination WeightDecay Manhattan-Training Normierung des Gradienten SuperSAB: eigene Schrittweite für jedes Gewicht Delta-Bar-Delta-Regel Verallgemeinerung auf Sigma-Pi-Zellen Second-Order Backpropagation Quickprop Resilient Propagation (Rprop) 124 Kapitel 10 Backpercolation (Perc) Prinzip des Lernverfahrens Backpercolation Backpropagation als Grundlage für Backpercolation Der Aktivierungsfehler im Backpercolation-Netzwerk Nachrichten an die Vorgänger zur Änderung der Aktivierung Adaption der Gewichte in Backpercolation 133
5 Inhaltsverzeichnis 10.6 Lernrate und Fehlerverstärkung Initialwerte der Gewichte für Backpercolation Verallgemeinerung von Backpercolation für "Shortcut Connections" Kapitel 11 Jordan-Netze und Elman-Netze Repräsentation von Zeit in neuronalen Netzen Jordan-Netze Elman-Netze Hierarchische Elman-Netze Lernverfahren der partiell rekurrenten Netze 143 Kapitel 12 Gradientenverfahren für rekurrente Netze Backpropagation Through Time (BPTT) Real-Time Recurrent Learning (RTRL) Kombination von BPTT und RTRL Rekurrentes Backpropagation Zeitabhängiges rekurrentes Backpropagation 158 Kapitel 13 Cascade-Correlation Learning Architecture Das Moving-Target-Problem Der Cascade-Correlation-Algorithmus Vergleich von Cascade-Correlation mit anderen Verfahren Diskussion von Cascade-Correlation Die Rekurrente Cascade-Correlation-Architektur Training der Rekurrenten Cascade-Correlation-Architektur 169 Kapitel 14 Lernende Vektorquantisierung (LVQ) LVQ LVQ LVQ OLVQ Bemerkungen zu den LVQ-Algorithmen 177 Kapitel 15 Selbstorganisierende Karten (SOM) Prinzip der selbstorganisierenden Karten Lernverfahren der selbstorganisierenden Karten Hinweise zur Verwendung der selbstorganisierenden Karte 186 Kapitel 16 Counterpropagation Eigenschaften des Lernverfahrens Counterpropagation Counterpropagation-Netz Training der Kohonen-Schicht Normalisierung der Eingabe 192
6 Veränderung der Gewichte Initialisierung der Gewichtsvektoren Interpolativer Modus Statistische Eigenschaften des trainierten Netzes Training der Grossberg-Schicht Vollständiges Counterpropagation-Netz 196 Kapitel 17 Hopfield-Netze Binäre Hopfield-Netze Stabilität von Hopfield-Netzen Kontinuierliche Hopfield-Netze Anwendung von Hopfield-Netzen: Traveling Salesman Problem Abbildung des TSPauf ein Netzwerk 202 Kapitel 18 Boltzmann-Maschine Die Boltzmann-Maschine als Lösung von Hopfield-Netz-Problemen Energie und Aktivierungsfunktion der Boltzmann-Maschine Ein Lernverfahren für Boltzmann-Maschinen Herleitung des Lernverfahrens der Boltzmann-Maschine Veranschaulichung des Simulated Annealing 214 Kapitel 19 Bidirektionaler Assoziativspeicher (BAM) Eigenschaften und Struktur des BAM Einfachste Version des BAM Auffinden gespeicherter Assoziationen des BAM Kodierung der Assoziationen des BAM Stabilität und Speicherkapazität des BAM Nicht-homogenes und kontinuierliches BAM AdaptivesBAM Diskussion des BAM 222 Kapitel 20 Radiale-Basisfunktionen-Netze (RBF-Netze) Idee der RBF-Netze Interpolation mit Zentrumsfunktionen Interpolation mit Zentrumsfunktionen und Polynomen Approximation mit Zentrumsfunktionen Variationsrechnung zur Lösung des RBF-Approximationsproblems Erweiterung und Abbildung auf neuronale Netze Erweiterung auf mehrwertige Funktionen Erweiterung um linearen Anteil Hyper-Basisfunktionen-Netze(HBF-Netze) Iteratives Nachtraining der RBF- und HBF-Netze 236
7 10 Inhaltsverzeichnis 20.9 Wahl der Zentren und Radien in RBF-Netzen 239 Kapitel 21 Probabilistische Neuronale Netze (PNN) Die Bayes-Strategie zur Mustererkennung Architektur der Probabilistischen Neuronalen Netze Lernverfahren des PNN Geschwindigkeit und Generalisierungsleistung Bewertung der Eigenschaften der PNNs 250 Kapitel 22 Adaptive Resonance Theory (ART) ART-1: Klassifikation binärer Eingabemuster Überblick über die ART-1 Architektur ART-1 Comparison Layer ART-1 Recognition Layer Verstärkungsfaktoren und Reset Arbeitsweise von ART Leistungsüberlegungen Theoreme über ART ART-2: Ein ART-Netzwerk für kontinuierliche Eingaben Überblick über ART Theorie von ART ART-2 Erkennungsschicht ART-2 Lernregeln ART-2 Reset-Kontrolle ART-2 Gewichtsinitialisierung Wahl der Parameter bei ART ART-2A: Eine optimierte Version von ART ART-3: Modellierung der Neurotransmitter von Synapsen ARTMAP: Überwachtes Lernen mit ART-Netzen ARTMAP Netzarchitektur ARTMAP Klassifikation Mathematische Beschreibung von ARTMAP FuzzyART FuzzyART Algorithmus Geometrische Interpretation von Fuzzy ART 282 Kapitel 23 Neocognitron Netzwerkstruktur des Neocognitrons S-Zellen C-Zellen Prozeß der Mustererkennung durch das Neocognitron 287
8 Prinzip der Erkennung deformierter Muster Ein-/Ausgabecharakteristika einer S-Zelle Unüberwachtes Lernen des Neocognitrons Funktion der C-Zellen Überwachtes Lernen des Neocognitrons Neocognitron mit Selective-Attention-Mechanismus 296 Kapitel 24 Time-Delay-Netze (TDNN) Überblick über Time-Delay-Netze Aufbau von Time-Delay-Netzen Backpropagation für TDNNs Herleitung von Backpropagation für TDNNs Beschleunigung des Backpropagation-Algorithmus für TDNNs Hierarchische TDNNs Multi-State TDNNs TDNN-Architekturen für mehrere Sprecher Automatische Strukturoptimierung von MS-TDNNs 316 Kapitel 25 Verfahren zur Minimierung von Netzen Verschiedene Ansätze zur Verkleinerung von Netzen WeightDecay Löschen der betragsmäßig kleinsten Gewichte Optimal Brain Damage (OBD) Optimal Brain Surgeon (OBS) Skelettierung Kostenfunktion für die Gewichte verdeckter Zellen Kostenfunktion für die Ausgaben verdeckter Neuronen Vergleich der Verfahren zur Minimierung von Netzen 333 Kapitel 26 Adaptive Logische Netze (ALN) Idee der Adaptiven Logischen Netze Aufbau eines Adaptiven Logischen Netzwerks Generalisierung in Adaptiven Logischen Netzen Lernverfahren für Adaptive Logische Netze Topologieänderung während des Lernens Lazy Evaluation und Simulationsgeschwindigkeit bei ALNs Verarbeitung kontinuierlicher Eingabemuster 342
9 12 Inhaltsverzeichnis Teil III Simulationstechnik Neuronaler Netze 347 Kapitel 27 Software-Simulatoren neuronaler Netze NeuralWorks Professional H/Plus BrainMaker Nestor Development System ANSimundANSpec NEURO-Compiler NEUROtools SENN Die PDP-Simulatoren RCS (Rochester Connectionist Simulator) Neural Shell LVQ-PAKundSOM-PAK Pygmalion SNNS (Stuttgarter Neuronale Netze Simulator) SESAME NeuroGraph UCLA-SFINX PlaNet Aspirin/MIGRAINES FAST VieNet Xerion GENESIS MUME MONNET Galatea ICSIM 379 Kapitel 28 Der Stuttgarter Neuronale Netze Simulator (SNNS) Stuttgarter Neuronale Netze Simulator Geschichte des SNNS Struktur von SNNS Unterstützte Architekturen und Leistung Simulatorkern von SNNS Graphikoberfläche von SNNS D-Visualisierung von Netzen Der Netzwerk-Editor D-Netzwerk- Visualisierung Netzwerkbeschreibungssprache Nessus 389
10 Die Sprache Nessus Beispielprogramm Nessus-Compiler Werkzeuge zur Analyse von Netzen Von SNNS unterstützte konnektionistische Modelle Parallele Simulatorkerne für den Parallelrechner MasPar MP Batch-Version und Laufzeitversion Einige Anwendungen von SNNS Projektmitarbeiter und Bezugsquelle 397 Kapitel 29 Visualisierungstechniken neuronaler Netze Wozu Visualisierungstechniken neuronaler Netze? Techniken zur Visualisierung der Netztopologie Zweidimensionale Visualisierung der Netzstruktur Dreidimensionale Projektion der Netzstruktur Stereo-3D-Visualisierung der Netzstruktur Techniken zur Visualisierung von Gewichten Techniken zur Visualisierung des zeitlichen Verhaltens von Netzen Fehlerkurven des Lernfehlers Trajektorien der Ausgaben bei rekurrenten Netzen Techniken zur Visualisierung selbstorganisierender Karten Selbstorganisierende Karten als Gitternetze Vektor-Lagekarten 408 Kapitel 30 Leistungsmessung Neuronaler Netze Einführung, Problemstellung Unterscheidung: Lernverfahren, Netzsimulatoren, Neurocomputer Das Chaos der Maßeinheiten Was will man überhaupt messen? Leistungsmessung von Lernverfahren Verschiedenartigkeit der Lernverfahren Vergleich der Lernverfahren für mehrstufige Feedforward-Netze Benchmarks für Lernverfahren Leistungsmessung von Netzwerksimulatoren Problem unterschiedlicher Hardware und Software Unterschiedliche Implementierung der Lernverfahren Weitere Einflußfaktoren auf die Messungen Leistungsmessung bei Parallelrechnern und Neurocomputern Leistungsmessung neuronaler Netze auf SIMD-Parallelrechnern Leistungsmessung neuronaler Netze auf MIMD-Parallelrechnern Leistungsmessung neuronaler Netze auf Neuro-Chips 428
11 14 Inhaltsverzeichnis Leistungsmessung neuronaler Netze auf VLSI-Neurocomputern Mangelnde Vergleichbarkeit der Implementierungen 430 Kapitel 31 Simulation Neuronaler Netze auf SIMD-Parallelrechnern Arten der Parallelität in vorwärtsgerichteten neuronalen Netzen Massiv parallele SIMD-Rechner Connection Machine CM MasPar MP MasPar MP AMTDAP Implementierungen von Backpropagation auf SIMD-Rechnern Kantenparallele, Gitterbasierte Implementierung Listenbasierte Implementierung Trainingsmuster-parallele Implementierungen Matrix-Algebra-basierte Implementierungen Die Implementierung von Zhang Erste parallele Implementierung für die MasPar MP Zweite Knoten- und Trainingsmuster-parallele Implementierung Eine kantenparallele Implementierung für die MasPar MP Vergleich der parallelen Implementierungen auf SIMD-Rechnern 449 Kapitel 32 Neurocomputer-Architekturen Kriterien für Neurocomputer-Architekturen Koprozessoren für neuronale Netze HNC ANZA Plus TI ODYSSEY SAICSIGMA NeuraLogixADS COKOS Nestor/Intel NilOOO Recognition Accelerator Neurocomputer aus Standardbausteinen TRW Mark ffl TRW Mark IV ICSIRAP (Ring Array Processor) Fujitsu Neurocomputer MUSIC-System der ETH Zürich (1992) VLSI-Neurocomputer HNCSNAP Adaptive Solutions CNAPS Siemens SYNAPSE Connectionist Network Supercomputer CNS-1 470
12 Ein Simulatorkern von SNNS auf dem Neurocomputer CNAPS 472 Kapitel 33 VLSI-Neuro-Chips Klassifikation von Neuro-Chips Digitale VLSI-Chips für neuronale Netze Adaptive Solutions CNAPS-1064 Chip Siemens MA Nestor/Intel NilOOO ICSI CNS-1 Torrent NeuraLogix NLX WSI-Neurocomputer von Hitachi Analoge VLSI-Chips für neuronale Netze AT&TChips BellcoreChip Intel ETANN (N10) Weitere analoge VLSI-Neuro-Chips 491 Teil IV Anwendungen neuronaler Netze 493 Kapitel 34 Prognose des Intensitätsverlaufs eines NH3-Lasers Trainings- und Testdaten des Laser-Prognoseproblems Auswahl einer Netzwerkarchitektur Ergebnisse der Prognose der Laserintensität 498 Kapitel 35 Ähnlichkeitsanalyse biologisch aktiver Moleküle Einführung und Motivation Wichtige Eigenschaften selbstorganisierender Karten Abbildung der 3D-Oberfläche von Molekülen auf einen 2D-Torus Selbstorganisierende Karten auf Parallelen SIMD-Computern Selbstorganisierende Oberflächen (self-organizing surfaces, SOS) Dynamische Änderung der Netzwerktopologie Abbildung von Moleküloberflächen auf die Oberfläche einer Kugel 508 Kapitel 36 Bahnregelung in Ringbeschleunigern und Speicherringen Problemstellung Mathematische Beschreibung des Problems der Bahnkorrektur Bahnkorrektur mit neuronalen Netzen Implementierung mit SNNS Bewertung der Ergebnisse 517 Kapitel 37 Texturanalyse mit neuronalen Netzen Texturen und Texturmerkmale 520
13 16 Inhaltsverzeichnis 37.2 Texturanalyse mit neuronalen Netzen Verbesserungen des Verfahrens Qualitätskontrolle von Natursteinplatten Bewertung 530 Kapitel 38 Prognose der Sekundärstruktur von Proteinen Einführung Der Ansatz von Quian und Sejnowski Partiell rekurrente Netze zur Vorhersage der Proteinstruktur Vergleich der Verfahren 539 Kapitel 39 Steuerung autonomer Fahrzeuge mit neuronalen Netzen ALVTNN Erste Version von ALVTNN Zweite Version von ALVTNN VTTAund OSCAR Erste Version des neuronalen Reglers von OSCAR Zweite Version des neuronalen Reglers von OSCAR Ergebnisse der Simulationen und der Testfahrten mit OSCAR 551 TeilV Ausblick 555 Kapitel 40 Ausblick Weitere aktuelle Forschungsthemen Komplexitätstheorie neuronaler Netze Hierarchischer Aufbau neuronaler Netze Neuronale Regler (Neural Control) Neuronale Netze und Fuzzy-Logik Neuronale Netze und Evolutionsalgorithmen Weitere aktuelle Anwendungsbereiche neuronaler Netze Neuronale Netze in der Robotik Spracherkennung mit neuronalen Netzen Gesichtserkennung mit neuronalen Netzen Ausblick 573 Literatur 575 Stichwortverzeichnis 609
Adaptive 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
MehrAndreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg
Andreas Scherer Neuronale Netze Grundlagen und Anwendungen vieweg Inhaltsverzeichnis Vorwort 1 1 Einführung 3 1.1 Was ist ein neuronales Netz? 3 1.2 Eigenschaften neuronaler Netze 5 1.2.1 Allgemeine Merkmale
MehrWas 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
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.
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.
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
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
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
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
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
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
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
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
MehrRegressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose
Informatik Philipp von der Born Regressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose Bachelorarbeit Universität Bremen Studiengang Informatik Regressionsanalyse zur
MehrRegelungs- und Systemtechnik 1. Kapitel 1: Einführung
Regelungs- und Systemtechnik 1 Kapitel 1: Einführung Prof. Dr.-Ing. Pu Li Fachgebiet Simulation und Optimale Prozesse (SOP) Luft- und Raumfahrtindustrie Zu regelnde Größen: Position Geschwindigkeit Beschleunigung
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
Mehr1 Part-of-Speech Tagging
2. Übung zur Vorlesung NLP Analyse des Wissensrohstoes Text im Sommersemester 2008 Dr. Andreas Hotho, Dipl.-Inform. Dominik Benz, Wi.-Inf. Beate Krause 28. Mai 2008 1 Part-of-Speech Tagging 1.1 Grundlagen
MehrWie findet das Navi den Weg?
0.05.0 Verwandte Fragestellungen Problemstellungen aus der Praxis Prof. Dr. Paul Rawiel Gliederung des Vortrags Speicherung von Kartendaten zur Navigation Kriterien für die Navigation Finden des kürzesten
MehrSoftcomputing Biologische Prinzipien in der Informatik. Neuronale Netze. Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003
Softcomputing Biologische Prinzipien in der Informatik Neuronale Netze Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003 Überblick Motivation Biologische Grundlagen und ihre Umsetzung
Mehr6.4 Neuronale Netze zur Verarbeitung von Zeitreihen
6.4 Neuronale Netze zur Verarbeitung von Zeitreihen Aufgabe: Erlernen einer Zeitreihe x(t + 1) = f(x(t), x(t 1), x(t 2),...) Idee: Verzögerungskette am Eingang eines neuronalen Netzwerks, z.b. eines m-h-1
MehrGrowing neural Gas Strukturen lernen. Torsten Siedel 23.05.2012
Growing neural Gas Strukturen lernen Torsten Siedel 23.05.2012 Inhalt 1. Prozess der Selbstorganisation 2. Lernen - momentan oder statistisch? 3. Vektorbasierte Neuronale Netze 4. Klassifizierung der Lernverfahren
MehrMachine Learning - Maschinen besser als das menschliche Gehirn?
Machine Learning - Maschinen besser als das menschliche Gehirn? Seminar Big Data Science Tobias Stähle 23. Mai 2014 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der
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?
MehrSystems für den HDS 4500
Entwicklung eines remote-monitoring monitoring Systems für den HDS 4500 Jens-André Paffenholz, Ingo Neumann und Hansjörg Kutterer Geodätisches Institut Leibniz Universität Hannover Session: Laserscanning
MehrPassung von Partnern: Der Einfluss von Persönlichkeitsmerkmalen auf Beziehungsqualitäten
Geisteswissenschaft Maxi Kirchner Passung von Partnern: Der Einfluss von Persönlichkeitsmerkmalen auf Beziehungsqualitäten Unter Verwendung der Studie "Personality and Social Network Effects on Romantic
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
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
MehrKreditwürdigkeitsprüfung mit Hilfe von Verfahren. der Mustererkennung. von. Dr. Rudolf Heno. Abstrü-' i. :A Sachgebiete:
Kreditwürdigkeitsprüfung mit Hilfe von Verfahren der Mustererkennung von Dr. Rudolf Heno! TECHNISCHE HOCHSCHULE DARMSTADT Fochbereich 1 G e s o m t b i b 1 i o t h e k B e t i i e b v. w i r \s c h o 11
Mehrweitere Modelle und Methoden
weitere Modelle und Methoden LVQ-Netze, competetive learning, counterpropagation, motorische karten, adaptive resonance theory LVQ Struktur Lernende Vektor-Quantisierung Input-Raum mit Distanz-Funktion
MehrInhaltsverzeichnis. 4 Lagrange-Funktion und Dualität... 63 4.1 Lagrange-FunktionmitGleichheitsrestriktionen... 63
1 Einleitung... 1 1.1 Optimierungstypen.............................................. 3 1.2 Motivation und Grundbegriffe der Optimierung........................... 4 1.3 Allgemeine Form des Optimierungsproblems............................
MehrLogistik: Rundreisen und Touren
Logistik: Rundreisen und Touren 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Von Universitätsprofessor Dr. Wolfgang
MehrMethoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien
Methoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien Katharina Witowski katharina.witowski@dynamore.de Übersicht Beispiel Allgemeines zum LS-OPT Viewer Visualisierung von Simulationsergebnissen
MehrEinführung in die Mathematik für Volks- und Betriebswirte
Einführung in die Mathematik für Volks- und Betriebswirte Von Prof. Dr. Heinrich Bader und Prof. Dr. Siegbert Fröhlich Mit 45 A bbildungen 8. A uflage R. Oldenbourg Verlag München Wien INHALTSVERZEICHNIS
MehrSOFT COMPUTING TOOLS FÜR DIE ANALYSE KOMPLEXER BETRIEBLICHER PROBLEME
SOFT COMPUTING TOOLS FÜR DIE ANALYSE KOMPLEXER BETRIEBLICHER PROBLEME Christina Klüver COBASC-Research Group www.cobasc.de Universität Duisburg-Essen VERFAHREN Zellularautomaten Evolutionäre Algorithmen
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,]
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
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.
MehrUniversität zu Köln Seminar: Künstliche Intelligenz II Dozent: Claes Neuefeind SS 2012. Neuronale Netze. Von Deasy Sukarya & Tania Bellini
Universität zu Köln Seminar: Künstliche Intelligenz II Dozent: Claes Neuefeind SS 2012 Neuronale Netze Von Deasy Sukarya & Tania Bellini Einführung Symbolische vs. Sub-symbolische KI Symbolische KI: Fokussierung
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
MehrComputational Intelligence I Künstliche Neuronale Netze
Computational Intelligence I Künstliche Neuronale Nete Universität Dortmund, Informatik I Otto-Hahn-Str. 6, 44227 Dortmund lars.hildebrand@uni-dortmund.de Inhalt der Vorlesung 0. Organisatorisches & Vorbemerkungen.
MehrSoftware Defined Networking. und seine Anwendbarkeit für die Steuerung von Videodaten im Internet
und seine Anwendbarkeit für die Steuerung von Videodaten im Internet FACHBEREICH FB5 Stefan Königs ISE Seminar 22.10.2012 1 Agenda o Einführung o Software Defined Networking o Ansatz/Prinzip o o Vergleich
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
MehrVorlesungen: Abschaffen oder besser verpacken?
Vorlesungen: Abschaffen oder besser verpacken? Gabi Reinmann Vortrag auf dem Symposium zur Lehre: Zukunft von Großveranstaltungen am 1. November 2011 von 9-13h Überblick 1. Teil: Hintergrundüberlegungen
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Abi-Retter-Strategien: Texterörterung. Das komplette Material finden Sie hier:
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Das komplette Material finden Sie hier: Download bei School-Scout.de Thema: TMD: 47047 Kurzvorstellung des Materials: Teil der Abi-Retter-Strategie-Serie:
MehrSicherheit bei lernenden Robotern
15. Januar 2009 Sicherheitsbegriff Herangehensweisen Beschreibung des Begriffs Sicherheit Sicherheit ist... Schutz vor Bedrohung und Schaden Zuverlässigkeit Safety: Schutz der Umgebung (accident prevention)
MehrMathematisch-algorithmische Grundlagen für Big Data
Mathematisch-algorithmische Grundlagen für Big Data Numerische Algorithmen für Datenanalyse und Optimierung Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Sommersemester 2016
MehrVisualisierung von spikenden neuronalen Netzwerken. Entwicklung einer Webapplikation zum Veröffentlichen von Netzwerkmodellen
Studienprojekte Wintersemester 2014 Visualisierung von spikenden neuronalen Netzwerken Entwicklung einer Webapplikation zum Veröffentlichen von Netzwerkmodellen, m.pyka@rub.de Mercator Research Group Structure
MehrSelbstorganisierende Karten
Selbstorganisierende Karten Yacin Bessas yb1@informatik.uni-ulm.de Proseminar Neuronale Netze 1 Einleitung 1.1 Kurzüberblick Die Selbstorganisierenden Karten, auch Self-Organizing (Feature) Maps, Kohonen-
MehrSoftwareentwicklungspraktikum Sommersemester 2007. Grobentwurf
Softwareentwicklungspraktikum Sommersemester 2007 Grobentwurf Auftraggeber Technische Universität Braunschweig
MehrVorlesungsplan. 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,
MehrArchitekturen verteilter Firewalls für IP-Telefonie-Plattformen
Communication Networks and Computer Engineering Report No. 99 Sebastian Kiesel Architekturen verteilter Firewalls für IP-Telefonie-Plattformen Universität Stuttgart Institut für Kommunikationsnetze und
MehrAdvanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc.
Advanced Analytics Michael Ridder Was ist Advanced Analytics? 2 Was heißt Advanced Analytics? Advanced Analytics ist die autonome oder halbautonome Prüfung von Daten oder Inhalten mit ausgefeilten Techniken
Mehr1.3.5 Clinical Decision Support Systems
Arzneimitteltherapie Thieme Verlag 1.3.5 Clinical Decision Support Systems Marco Egbring, Stefan Russmann, Gerd A. Kullak-Ublick Im Allgemeinen wird unter dem Begriff Clinical Decision Support System (CDSS)
MehrInformatik (G8) Sek I - Differenzierung 8/9
Schulinternes Curriculum für das Fach Informatik (G8) Sek I - Differenzierung 8/9 am Gymnasium Lohmar Das Fach Informatik wird am Gymnasium Lohmar im Rahmen der Differenzierung in Form eines 2-stündigen
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
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
MehrVom Chip zum Gehirn Elektronische Systeme zur Informationsverarbeitung
Vom Chip zum Gehirn Elektronische Systeme zur Informationsverarbeitung Johannes Schemmel Forschungsgruppe Electronic Vision(s) Lehrstuhl Prof. K. Meier Ruprecht-Karls-Universität Heidelberg Mitarbeiter:
MehrImplementierung eines steuerlichen Risikomanagementsystems
Nora Mundschenk Implementierung eines steuerlichen Risikomanagementsystems Eine Analyse in ausgewählten Unternehmen und die Entwicklung eines Instruments zur Bewertung steuerlicher Risiken Verlag Dr. Kovac
MehrInhaltsverzeichnis 1 Einleitung 2 Ansätze in Forschung und Praxis
ix 1 Einleitung 1 1.1 Motivation 1 1.1.1 Das Projekt»Steuerkanzlei 2005«2 1.1.2 Generalisierung des Anwendungsfalls 3 1.1.3 Situation der Business Intelligence 4 1.1.4 Probleme in der praktischen Anwendung
MehrMustererkennung in Energieverbrauchsdaten
Mustererkennung in Energieverbrauchsdaten Ein Modul für die Energiemanagement-Software IngSoft InterWatt Karsten Reese & Dr. Roberto Monetti Mustererkennung in Energieverbrauchsdaten, 22. März 2015 Folie
MehrAlgorithmische Geometrie
Algorithmische Geometrie 1-1 Inhaltsverzeichnis 1. Einführung 2. Basiskonzepte 3. Punktsuche 4. Voronoidiagramme und Delaunaytriangulierung 5. Allgemeine Suchstrukturen 1-2 1.1. Was ist? (Computational
MehrKleines Handbuch Neuronale Netze
Norbert Hoffmann Kleines Handbuch Neuronale Netze Anwendungsorientiertes Wissen zum Lernen und Nachschlagen - vieweg INHALTSVERZEICHNIS 1 Einleitung, 1.1 Begriff des neuronalen Netzes 1 11.1 Neurophysiologie
MehrHOMEPLANE. Home Media Platform and Networks
HOMEPLANE Home Media Platform and Networks Middleware und Systemarchitektur René Hülswitt European Microsoft Innovation Center, Aachen Home Media Platform and Networks Systemstruktur Aufteilung in zwei
MehrInformationen zum Bachelor-Studiengang
Informationen zum Bachelor-Studiengang Warum Ingenieurinformatik? Software durchdringt zunehmend ingenieurtechnische Anwendungen sowohl in der Industrie als auch in der Forschung rücken die Informatik
MehrMarkus Pister (Autor) Integration formaler Fehlereinflussanalyse in die Funktionsentwicklung bei der Automobilindustrie
Markus Pister (Autor) Integration formaler Fehlereinflussanalyse in die Funktionsentwicklung bei der Automobilindustrie https://cuvillier.de/de/shop/publications/1145 Copyright: Cuvillier Verlag, Inhaberin
Mehr2.5. VERBINDUNGSNETZWERKE GESTALTUNGSKRITERIEN DER NETZWERKE TOPOLOGIE ALS GRAPH. Vorlesung 5 TOPOLOGIE: DEFINITIONEN : Sei G = (V, E) ein Graph mit:
Vorlesung 5.5. VERBINDUNGSNETZWERKE Kommunikation zwischen den einzelnen Komponenten eines arallelrechners wird i.d.r. über ein Netzwerk organisiert. Dabei unterscheidet man zwei Klassen der Rechner: TOOLOGIE:
MehrZeitsynchronisation in drahtlosen Sensornetzen Verfahren und Anwendungen
Zeitsynchronisation in drahtlosen Sensornetzen Verfahren und Anwendungen Dipl.-Inf. Stefan Schramm Wissenschaftlicher Mitarbeiter Internationale wissenschaftliche Konferenz Mittweida Mittweida, 05.11.2014
MehrWir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)
6. Neuronale Netze Motivation Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs) Abstrakt betrachtet sind alle diese
MehrMatrix42. Use Case - Sicherung und Rücksicherung persönlicher Einstellungen über Personal Backup. Version 1.0.0. 23. September 2015 - 1 -
Matrix42 Use Case - Sicherung und Rücksicherung persönlicher Version 1.0.0 23. September 2015-1 - Inhaltsverzeichnis 1 Einleitung 3 1.1 Beschreibung 3 1.2 Vorbereitung 3 1.3 Ziel 3 2 Use Case 4-2 - 1 Einleitung
MehrSport und Technik - Anwendungen moderner Technologien in der Sportwissenschaft. Habilitationsschrift
Sport und Technik - Anwendungen moderner Technologien in der Sportwissenschaft Habilitationsschrift zur Erlangung des akademischen Grades Doctor philosophiae habilitatus (Dr. phil. habil.) genehmigt durch
MehrThema 3: Radiale Basisfunktionen und RBF- Netze
Proseminar: Machine Learning 10 Juli 2006 Thema 3: Radiale Basisfunktionen und RBF- Netze Barbara Rakitsch Zusammenfassung: Aufgabe dieses Vortrags war es, die Grundlagen der RBF-Netze darzustellen 1 Einführung
MehrNeuronale Netze. Gehirn: ca Neuronen. stark vernetzt. Schaltzeit ca. 1 ms (relativ langsam, vgl. Prozessor)
29 Neuronale Netze Gehirn: ca. 10 11 Neuronen stark vernetzt Schaltzeit ca. 1 ms (relativ langsam, vgl. Prozessor) Mustererkennung in 0.1s 100 Schritte Regel 30 Was ist ein künstl. neuronales Netz? Ein
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrVerfahren zur Erstellung eines Schnittmusters als 3D-Modellierung
Verfahren zur Erstellung eines Schnittmusters als 3D-Modellierung 1 Stand der Technik Die Massenfertigung von Bekleidung erfolgt heute nach standardisierten Kleidergrößen. Als Grundlage dafür dienen Konstruktionsschnitte.
MehrOptimal Control in Air Traffic Management
Optimal Control in Air Traffic Management DGLR Workshop Bestimmung optimaler Trajektorien im Air Traffic Management 23.04.2013 Deutsche Flugsicherung GmbH, Langen 23.04.2013 1 Inhalt. Hintergrund und Motivation.
MehrOptimierung. Florian Jarre Josef Stoer. Springer
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Florian Jarre Josef Stoer Optimierung Springer Inhaltsverzeichnis
MehrGrundlagen Software Engineering
Grundlagen Software Engineering Rational Unified Process () GSE: Prof. Dr. Liggesmeyer, 1 Rational Unified Process () Software Entwicklungsprozess Anpassbares und erweiterbares Grundgerüst Sprache der
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
MehrSoftware- Qualitätssicherung
Ernest Wallmüller Software- Qualitätssicherung in der Praxis Carl Hanser Verlag München Wien IX 1 Software-Qualität und Software-Qualitätssicherung 1 1.1 Software Engineering und Software-Qualitätssicherung
MehrInformatik (G9) Sek I - Differenzierung 8/9/10
Schulinternes Curriculum für das Fach Informatik (G9) Sek I - Differenzierung 8/9/10 am Gymnasium Lohmar Das Fach Informatik wird am Gymnasium Lohmar im Rahmen der Differenzierung in Form eines 2-stündigen
MehrProgrammieren für Ingenieure Sommer 2015. Ein Rechner. Rechner sind überall. Gerät, das mittels programmierbarer Rechenvorschriften Daten verarbeitet.
Programmieren für Ingenieure Sommer 2015 Andreas Zeller, Universität des Saarlandes Ein Rechner Gerät, das mittels programmierbarer Rechenvorschriften Daten verarbeitet. Rechner sind überall Ihr Rechner
MehrComparison of Software Products using Software Engineering Metrics
Comparison of Software Products using Software Engineering Metrics Alexander Bätz Fakultät EIM Universität Paderborn 23. Juli 2009 1 / 28 Motivation Qualitätsbewertung von Software Vergleichbarkeit von
MehrStrukturierte hochdimensionale Visualisierung
Strukturierte hochdimensionale Visualisierung mit der Anwendung auf genomische Daten Dissertation zur Erlangung des akademischen Grades Dr rer nat vorgelegt der Mathematisch-Naturwissenschaftlichen Fakultät
MehrNeuronale Netze (Konnektionismus) Einführung in die KI. Beispiel-Aufgabe: Schrifterkennung. Biologisches Vorbild. Neuronale Netze.
Einführung in die KI Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung (Konnektionismus) sind biologisch motiviert können diskrete, reell-wertige und Vektor-wertige Funktionen berechnen Informationsspeicherung
MehrSPS-Programmierung mit Funktionsbausteinsprache
Prof. Dr.-Ing: Serge Zacher SPS-Programmierung mit Funktionsbausteinsprache Automatisierungstechnische Anwendungen VDE VERLAG Berlin Offenbach Inhalt 1 Grundlagen der Automatisierung mit SPS und PC 11
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrEinführung in LINUX Der Editor vi
Einführung in LINUX Der Editor vi erstellt durch: Name: Telefon: 09281 / 409-279 Fax: 09281 / 409-55279 EMail: mailto: Karl.Wohlrab@fhvr-aiv.de Der Inhalt dieses Dokumentes darf ohne vorherige schriftliche
MehrTeambildung. 1 Einleitung. 2 Messen der Produktivität
1 Einleitung Teambildung In der Entwicklung, speziell bei hohem Softwareanteil, stellen Personalkosten den primären Kostenanteil dar. Daher ist es wichtig, den Personalbedarf optimal zu bestimmen. You
MehrKapitel 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
MehrLeseprobe. Thomas Konert, Achim Schmidt. Design for Six Sigma umsetzen ISBN: 978-3-446-41230-9. Weitere Informationen oder Bestellungen unter
Leseprobe Thomas Konert, Achim Schmidt Design for Six Sigma umsetzen ISBN: 978-3-446-41230-9 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-41230-9 sowie im Buchhandel. Carl
MehrWeb-Services - die GIS-Zukunft?
Web-Services - die GIS-Zukunft? Übersicht Was sind Web-Services? Wie kann ein Web-Service aussehen? Wie nutzt man einen Web-Service? Die Vorteile von Web-Services Ausblick Vergleich Die Just in Time-Produktion
Mehr20.05.2012. 2012 mdf
20.05.2012 2012 mdf Mit Flexible Learning, unserem Format für Geschäftsleute lernen Sie mit minimalem Zeiteinsatz eine Fremdsprache. Flexible Learning ist verfügbar für Smartphones (i-phone, Android) und
MehrEntwicklungsprozesse und -werkzeuge
Entwicklungsprozesse und -werkzeuge Boris Nikolai Konrad boris.konrad@udo.edu PG Seminarwochenende 21.-23. Oktober 2007 1 Überblick Entwicklungsprozesse Unterstützungsprozesse Kernprozess Entwicklungswerkzeuge
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
MehrAktivierung Office 2013 über KMS
Aktivierung Office 2013 über KMS Das RZ stellt Office 2013 über eine Landeslizenz zur Verfügung. Nachdem Sie die Software auf Ihrem Rechner installiert haben, müssen Sie Office 2013 am KMS-Server der Universität
MehrKünstliche Intelligenz
Künstliche Intelligenz Bearbeitet von Uwe Lämmel, Jürgen Cleve 4., aktualisierte Auflage 2012. Buch. 336 S. ISBN 978 3 446 42758 7 Format (B x L): 18 x 24,5 cm Gewicht: 717 g Weitere Fachgebiete > EDV,
MehrInnovative Kommunikations- und Verwaltungslösung für Unternehmen in der Pflege- und Gesundheitsbranche
FrogDoc Innovative Kommunikations- und Verwaltungslösung für Unternehmen in der Pflege- und Gesundheitsbranche Wozu eine neue Software? Ein Grossteil der zurzeit verfügbaren Software wurde basierend auf
MehrNeuronale Netze (Konnektionismus)
Einführung in die KI Prof. Dr. sc. Hans-Dieter Burkhard Daniel Göhring Vorlesung (Konnektionismus) sind biologisch motiviert können diskrete, reell-wertige und Vektor-wertige Funktionen berechnen Informationsspeicherung
MehrAdvoware mit VPN Zugriff lokaler Server / PC auf externe Datenbank
Advoware mit VPN Zugriff lokaler Server / PC auf externe Datenbank Die Entscheidung Advoware über VPN direkt auf dem lokalen PC / Netzwerk mit Zugriff auf die Datenbank des zentralen Servers am anderen
Mehr