Probabilistisches Tracking mit dem Condensation Algorithmus

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Probabilistisches Tracking mit dem Condensation Algorithmus"

Transkript

1 Probabilistisches Tracking mit dem Condensation Algorithmus Seminar Medizinische Bildverarbeitung Axel Janßen Condensation - Conditional Density Propagation for Visual Tracking Michael Isard, Andrew Blake (Universität Oxford, Großbritannien) International Journal of Computer Vision 29(1),5-28 (1998) 3. Juli 2002

2 Agenda 1. Einführung 2. Stochastische Grundlagen 3. Videobeispiele 4. Ablauf des Algorithmus 5. Vergleich Condensation Algorithmus / Kalman Filter 6. Zusammenfassung Probabilistisches Tracking mit dem Condensation Algorithmus Folie 2

3 1. Einführung

4 Motivation Ziele Visuelle Verfolgung (visual tracking) eines Objektes in einer Videosequenz Effiziente Analyse In Echtzeit bzw. Möglichst nah an Echtzeit Hohe Fehlertoleranz Probabilistisches Tracking mit dem Condensation Algorithmus Folie 4

5 Mögliche Schwierigkeiten Objektveränderungen Position und Lage Beschaffenheit und Form Teilweise Überdeckung Temporäres Verschwinden des Objektes Umgebungsveränderungen Oft wechselnder Hintergrund Umgebung ist dem Objekt sehr ähnlich Beleuchtungsveränderungen innerhalb der Videosequenz Probabilistisches Tracking mit dem Condensation Algorithmus Folie 5

6 Lösungsansatz: Condensation-Algorithmus Conditional Density Propagation (for visual tracking) Nach Michael Isard und Andrew Blake (1998) Sehr erfolgreiches Verfahren in der Bildverarbeitung Hohe Geschwindigkeit (arbeitet in Echtzeit) Extrem robust Probabilistischer Ansatz: Aus der Vergangenheit lernen Erkenntnisse aus letzten Videobildern mit Daten des aktuellen Videobildes vergleichen Probabilistisches Tracking mit dem Condensation Algorithmus Folie 6

7 Vorstellbare medizinische Anwendung Aufnahme der Herzfunktion durch Ultraschall Echtzeit Videosequenz Starkes Rauschen => schwierige Analyse Condensation-Algorithmus zum Verfolgen und Hervorheben des zu untersuchenden Herzens Probabilistisches Tracking mit dem Condensation Algorithmus Folie 7

8 2. Stochastische Grundlagen

9 Stochastische Grundlagen Grundlegende Eigenschaften von Wahrscheinlichkeiten von Ereignissen a,b 0 P( a) 1 P ( a k ) = 1 k P( a) = 1 P( a) Zufallsvariable Repräsentiert Ereignisse Eintrittswahrscheinlichkeit soll berechnet werden a-priori Wahrscheinlichkeit Unbedingte Wahrscheinlichkeit eines Ereignisses a: P(a) Beispiel: P(Sechser beim Würfeln) = 1/6 a-posteriori Wahrscheinlichkeit Bedingte W keit eines Ereignisses A unter Beobachtung von b: P(a b) Beispiel: P(Sechser beim Würfeln Gerade Augenzahl) = 1/3 Probabilistisches Tracking mit dem Condensation Algorithmus Folie 9

10 Bayes Gesetz P( x y) = P( x y) P( y) = P( y x) P( x) P( y) x : Hypothese, Schlußfolgerung (es ist sonnig) y : Daten, Ursache (es sind 25 C) P(y) : W keit, daß an einem beliebigen Tag 25 C sind. P(x) : W keit, daß es sonnig ist. P(x y) : W keit, daß 25 C, also sonnig zutrifft. P(y x) : W keit, daß es an einem sonnigen Tag 25 C sind. P(x y) = P(y x) P(x) P(y x) P(x) = P(x y) P(y) Probabilistisches Tracking mit dem Condensation Algorithmus Folie 10

11 Bayes Gesetz - Anwendung x = y = vermutete Position des Objektes Bildinformation Schwierige Bestimmung: P(x y) Direkte Bestimmung der Objektposition im Bild Einfachere Bestimmung: P(y x) Entspricht die Bildinformation der vermuteten Position? P(x y) = P(y x) P(x) / P(y) = k P(y x) P(x) Probabilistisches Tracking mit dem Condensation Algorithmus Folie 11

12 3. Videobeispiele

13 Video: Hand- und Fingerbewegungen Umrandung des Objektes mit splines 1. Hand vor einfachem, weißem Hintergrund. 2. Hand vor komplexem Hintergrund. Probabilistisches Tracking mit dem Condensation Algorithmus Folie 13

14 Video: Blatt im Wind Zuverlässige Objektverfolgung vor einem dem Objekt sehr ähnlichem Hintergrund. auch bei zeitweisem / teilweisen Verschwinden des Objektes. Probabilistisches Tracking mit dem Condensation Algorithmus Folie 14

15 Video: Zeichnende Hand Rote Umrandung: Langsame Zeichenbewegung. Grüne Umrandung: Schnelle Skizzierbewegung. Blaue Umrandung: Pause - die Hand zeichnet nicht. Probabilistisches Tracking mit dem Condensation Algorithmus Folie 15

16 4. Ablauf des Algorithmus

17 Abbildung: Verfahrensschritte gewichtete Samples P(x t-1 ) Sampling P(x t ) Rauschen hinzufügen P(x t ) Beobachtungsdichte P(y t x t ) Gewichten P(x t y t ) Probabilistisches Tracking mit dem Condensation Algorithmus Folie 17

18 Abbildung: Wahrscheinlichste Objektposition Probabilistisches Tracking mit dem Condensation Algorithmus Folie 18

19 Schematischer Ablauf 0: Samples erzeugen Sample: Hypothese, wo sich das Objekt befindet 1: Samples gewichten 2: Nächster Zustand: 2.1: Vorhersag e 2.2: Glätten Probabilistisches Tracking mit dem Condensation Algorithmus Folie 19

20 Schritt 0: Samples erzeugen Zufallsmenge x 0 ( ) von Samples im Bild verteilen Verteilung der Samples Gleichverteilung Mit geeigneter P(x) Samples in einer vermuteten Region eng streuen 0: Samples erzeugen 1: Samples gewichten 2: Nächster Zustand: 2.1: Vorhersage 2.2: Glätten Probabilistisches Tracking mit dem Condensation Algorithmus Folie 20

21 Schritt 1: Samples gewichten P(x) mit P(y x) gewichten Distanz zwischen Hypothese und Bildinformation bestimmen d(x Sample,y Bild )? P(y x) 0: Samples erzeugen 1: Samples gewichten 2: Nächster Zustand: 2.1: Vorhersage 4. Vortrag: Erscheinungsbasierte 3D Objekterkennung (Andrea Wenning) 2.2: Glätten Probabilistisches Tracking mit dem Condensation Algorithmus Folie 21

22 Schritt 2.1: Vorhersage Sampleverteilung entspricht gegebener Wahrscheinlichkeitsverteilung P(x) aus dem vorhergehenden Schritt ( resampling ) Ziel: Objektverfolgung, daher: Probabilistische Erfassung der Bewegung Modell P(x t+1 x t ) P(x t+1 )? P(x t+1 x t ) P(x t ) 0: Samples erzeugen 1: Samples gewichten 2: Nächster Zustand: 2.1: Vorhersage 2.2: Glätten Probabilistisches Tracking mit dem Condensation Algorithmus Folie 22

23 Schritt 2.2: Glätten Nachteil des resampling : Sehr wahrscheinliche Samples tauchen sehr oft in der neuen Samplemenge auf Glättung durch normalverteiltes Rauschen 0: Samples erzeugen 1: Samples gewichten 2: Nächster Zustand: 2.1: Vorhersage 2.2: Glätten Probabilistisches Tracking mit dem Condensation Algorithmus Folie 23

24 5. Vergleich: Condensation Algorithmus / Kalman Filter

25 Kurz vorgestellt: Der Kalman Filter Löst das allgemeine Problem den Zustand eines zeitbedingten Prozess mit linearen stochastischen Differenzgleichungen zu bestimmen. Annahme einer Gaußverteilung Zwei Schritte Voraussage: Time Update Voraussage des Zustands Voraussage der Kovarianzmatrix Anpassung: Measurement Update Probabilistisches Tracking mit dem Condensation Algorithmus Folie 25

26 Kalman-Filter versus Condensation Ein Schätzwert Menge an Samples Normalverteilung Geschlossene Lösung Beliebige Verteilung Annäherung durch Samples Matrixinversion Einfache Berechnung Probabilistisches Tracking mit dem Condensation Algorithmus Folie 26

27 Videobeispiel: Tanzendes Kind Extrem unruhige Tanzbewegungen Hochgradig unruhiger Hintergrund Condensation Algorithmus mit 100 Samples / Schritt Probabilistisches Tracking mit dem Condensation Algorithmus Folie 27

28 Vergleich der Verfahren (Videobeispiel) Links: Condensation Algorithmus Erfolgreiches Verfolgen der Tänzerin bei nur 100 Samples / Bild Rechts: Kalman Filter Anfänglich erfolgreich Bald gestört durch Hintergrund und Geschwindigkeit der Bewegungen Probabilistisches Tracking mit dem Condensation Algorithmus Folie 28

29 6. Zusammenfassung

30 Zusammenfassung (1) Condensation = Conditional Density Propagation (for visual tracking) Stochastik Zufallsvariable a-priori / a-posteriori Wahrscheinlichkeiten Bayes-Gesetz Samples = Hypothesen Kalman Filter Probabilistisches Tracking mit dem Condensation Algorithmus Folie 30

31 Zusammenfassung (2) Ziel des Condensation Algorithmus Identifizierung eines Objekts in einer Videosequenz Probabilistischer Ansatz Grundlage: Bayes Theorem Repräsentation der Wahrscheinlichkeitsverteilung an Samplestellen Vergleich mit aktuellen Bilddaten Fortwährende Anpassung der Wahrscheinlichkeitsverteilung Kompromiss Viele Samples => Hohe Genauigkeit = Hoher Aufwand an Rechenzeit Wenige Samples = Geringere Genauigkeit = Real Time Probabilistisches Tracking mit dem Condensation Algorithmus Folie 31

Einführung in die Statistik mit EXCEL und SPSS

Einführung in die Statistik mit EXCEL und SPSS Christine Duller Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch Zweite, überarbeitete Auflage Mit 71 Abbildungen und 26 Tabellen Physica-Verlag Ein Unternehmen

Mehr

Künstliche Intelligenz Maschinelles Lernen

Künstliche Intelligenz Maschinelles Lernen Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen

Mehr

SLAM. Simultaneous Localization and Mapping. KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann

SLAM. Simultaneous Localization and Mapping. KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann SLAM Simultaneous Localization and Mapping KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann Simultaneous Localization And Mapping SLAM Problematik SLAM Arten SLAM Methoden: (E)KF SLAM GraphSLAM Fast

Mehr

Künstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln

Künstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Künstliche Intelligenz Unsicherheit Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Rückblick Agent in der Wumpuswelt konnte Entscheidungen

Mehr

Grundprinzipien der Bayes-Statistik

Grundprinzipien der Bayes-Statistik Grundprinzipien der Bayes-Statistik Karl-Rudolf Koch Zusammenfassung: In drei wesentlichen Punkten unterscheidet sich die Bayes-Statistik von der traditionellen Statistik. Zunächst beruht die Bayes-Statistik

Mehr

Real-Time 3D Model Acquisition

Real-Time 3D Model Acquisition Seminarvortrag Real-Time 3D Model Acquisition Alexander Barth Nach Folien von Szymon Rusinkiewicz, Olaf Hall-Holt und Marc Levoy Einführung 3D-Scannen 2 Einführung Ziele Hohe Präzision Hohe Geschwindigkeit

Mehr

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002) 6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden

Mehr

Bildauswertung in UAV

Bildauswertung in UAV Bildauswertung in UAV Prof. Dr. Nailja Luth Prof. N. Luth Emden 2014-1 OTH Ost-Bayerische Technische Hochschule Amberg-Weiden Prof. N. Luth Emden 2014-2 Prof. Dr.-Ing. N. Luth: Vorlesung Bildverarbeitung

Mehr

Seminar Text- und Datamining Datamining-Grundlagen

Seminar Text- und Datamining Datamining-Grundlagen Seminar Text- und Datamining Datamining-Grundlagen Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 23.05.2013 Gliederung 1 Klassifikationsprobleme 2 Evaluation

Mehr

Physica-Lehrbuch. Ein anwendungsorientiertes Lehr- und Arbeitsbuch. von Christine Duller

Physica-Lehrbuch. Ein anwendungsorientiertes Lehr- und Arbeitsbuch. von Christine Duller Physica-Lehrbuch Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch von Christine Duller Neuausgabe Einführung in die Statistik mit EXCEL und SPSS Duller schnell

Mehr

Indoor-Navigation unter Android

Indoor-Navigation unter Android Indoor-Navigation unter Android So sieht sie aus: MOTIVATION Bestimmung der Besucherpostion Nutzung bestehender WLAN-Netze Nutzung möglichst vieler Sensoren (Sensor Fusion) Hohe Genauigkeit (< 3m) Suche

Mehr

Seminar Seminarname SS 2003

Seminar Seminarname SS 2003 Universität Karlsruhe (TH) Institut für Rechnerentwurf und Fehlertoleranz (IRF) Lehrstuhl Prof. Dr.-Ing. Dillmann Seminar Seminarname SS 2003 Beitragstitel Eva Muster Kaiserstraße 1 76133 Karlsruhe eva@muster.de

Mehr

Risikosimulation zur Optimierung der Finanzierungsplanung von Projekten

Risikosimulation zur Optimierung der Finanzierungsplanung von Projekten Risikosimulation zur Optimierung der Finanzierungsplanung von Projekten Dresden, 18.06.2012 Agenda Motivation Notwendigkeit einer Risikosimulation Grundlagen der Monte-Carlo-Simulation Konzept einer 4-Stufen-Risikosimulation

Mehr

Technische Hochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 3914 jutta.arrenberg@th-koeln.

Technische Hochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 3914 jutta.arrenberg@th-koeln. Übungen zur Vorlesung Wirtschaftsstatistik Zufallsvariablen Aufgabe 4.1 Ein Unternehmen fertigt einen Teil der Produktion in seinem Werk in München und den anderen Teil in seinem Werk in Köln. Auf Grund

Mehr

Monte Carlo Simulationen

Monte Carlo Simulationen Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und

Mehr

Schleswig-Holstein 2011. Kernfach Mathematik

Schleswig-Holstein 2011. Kernfach Mathematik Aufgabe 6: Stochastik Vorbemerkung: Führen Sie stets geeignete Zufallsvariablen und Namen für Ereignisse ein. Machen Sie auch Angaben über die Verteilung der jeweiligen Zufallsvariablen. Eine repräsentative

Mehr

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Vorlesung Maschinelles Lernen

Vorlesung Maschinelles Lernen Vorlesung Maschinelles Lernen Additive Modelle Katharina Morik Informatik LS 8 Technische Universität Dortmund 7.1.2014 1 von 34 Gliederung 1 Merkmalsauswahl Gütemaße und Fehlerabschätzung 2 von 34 Ausgangspunkt:

Mehr

A First Course on Time Series Analysis with SAS - Ein Open-Source Projekt

A First Course on Time Series Analysis with SAS - Ein Open-Source Projekt Lehre A First Course on Time Series Analysis with SAS - Ein Open-Source Projekt Michael Falk Frank Marohn Lehrstuhl für Statistik, Universität Würzburg Lehrstuhl für Statistik, Universität Würzburg Am

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte 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

Mehr

Tracking Technologien für Augmented Reality

Tracking Technologien für Augmented Reality Tracking Technologien für Augmented Reality 1 Inhalt Motivation Tracking Methoden Optisch MarkerlessTracking (kleine Wiederholung) Aktiv und Passive Marker Modellbasiertes Markerless Tracking Sensoren

Mehr

Ideen der Informatik. Maschinelles Lernen. Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik

Ideen der Informatik. Maschinelles Lernen. Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik Ideen der Informatik Maschinelles Lernen Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung

Mehr

Betrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion. Thorsten Jost INF-MA SR Wintersemester 2008/2009 1.

Betrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion. Thorsten Jost INF-MA SR Wintersemester 2008/2009 1. Betrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion Thorsten Jost INF-MA SR Wintersemester 2008/2009 1. Dezember 2008 Agenda Motivation Feature Detection SIFT MOPS SURF SLAM Monte Carlo

Mehr

Kapitel 3: Etwas Informationstheorie

Kapitel 3: Etwas Informationstheorie Stefan Lucks 3: Informationstheorie 28 orlesung Kryptographie (SS06) Kapitel 3: Etwas Informationstheorie Komplexitätstheoretische Sicherheit: Der schnellste Algorithmus, K zu knacken erfordert mindestens

Mehr

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

Mehr

Pfinder: Real-Time Tracking of the Human Body

Pfinder: Real-Time Tracking of the Human Body Pfinder: Real-Time Tracking of the Human Body Christopher Wren, Ali Azarbayejani, Trevor Darrell, Alex Pentland aus: IEEE Transactions on Pattern Analysis and Machine Intelligence (pp. 780-785) 12. April

Mehr

3 Sicherheit von Kryptosystemen

3 Sicherheit von Kryptosystemen 3 Sicherheit von Kryptosystemen 43 3 Sicherheit von Kryptosystemen 3.1 Informationstheoretische Sicherheit Claude E. Shannon untersuchte die Sicherheit kryptographischer Systeme auf informationstheoretischer

Mehr

Tulpenzwiebel-Aufgabe Abiturprüfung GK Bayern 2000

Tulpenzwiebel-Aufgabe Abiturprüfung GK Bayern 2000 Tulpenzwiebel-Aufgabe Abiturprüfung GK Bayern 2000 Ein Fachmarkt besteht nur aus einer Bau- und einer Gartenabteilung; in letzterer werden unter anderem Tulpenzwiebeln von rot blühenden, gelb blühenden

Mehr

Forschungsstatistik I

Forschungsstatistik I Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich

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

Frequenzanalyse Praktischer Leitfaden zur Anwendung der Frequenzanalyse. Ordnungsanalyse

Frequenzanalyse Praktischer Leitfaden zur Anwendung der Frequenzanalyse. Ordnungsanalyse Frequenzanalyse Praktischer Leitfaden zur Anwendung der Frequenzanalyse Definition Beispiel Drehzahlerfassung Methode FFT Methode Ordnungs-FFT Methode Filter Zusammenfassung 2 Unter versteht man die Analyse

Mehr

Fehlertolerante Uhrensynchronisation

Fehlertolerante Uhrensynchronisation Fehlertolerante Uhrensynchronisation Jens Chr. Lisner lisner@informatik.uni-essen.de Institut für Informatik / Universität Essen Institut für Informatik / Universität Essen p.1/23 Übersicht Algorithmus

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

Datenblatt zu EOS Optical Infrared Tracking-System ZGDV, Darmstadt Stand: 06.2006

Datenblatt zu EOS Optical Infrared Tracking-System ZGDV, Darmstadt Stand: 06.2006 Datenblatt zu EOS Optical Infrared Tracking-System ZGDV, Darmstadt Stand: 06.2006 Das EOS Optical IR-Tracking-System ist eine kombinierte Hardware-Software-Lösung zur Messung von Positionen von starren

Mehr

R ist freie Software und kann von der Website. www.r-project.org

R ist freie Software und kann von der Website. www.r-project.org R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird

Mehr

Abitur 2012 Mathematik GK Stochastik Aufgabe C1

Abitur 2012 Mathematik GK Stochastik Aufgabe C1 Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2012 Mathematik GK Stochastik Aufgabe C1 nter einem Regentag verstehen Meteorologen einen Tag, an dem mehr als ein Liter Niederschlag pro Quadratmeter gefallen

Mehr

Kamerabasierte Navigation im Inneren von Gebäuden Sebastian Hilsenbeck, Robert Huitl, Georg Schroth, Eckehard Steinbach

Kamerabasierte Navigation im Inneren von Gebäuden Sebastian Hilsenbeck, Robert Huitl, Georg Schroth, Eckehard Steinbach Technische Universität München Kamerabasierte Navigation im Inneren von Gebäuden Sebastian Hilsenbeck, Robert Huitl, Georg Schroth, Eckehard Steinbach Outdoor vs. Indoor Im Freien In Gebäuden No GPS reception

Mehr

8. Clusterbildung, Klassifikation und Mustererkennung

8. Clusterbildung, Klassifikation und Mustererkennung 8. Clusterbildung, Klassifikation und Mustererkennung Begriffsklärung (nach Voss & Süße 1991): Objekt: wird in diesem Kapitel mit einem zugeordneten Merkmalstupel (x 1,..., x M ) identifiziert (Merkmalsextraktion

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

q = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678

q = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678 Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [

Mehr

Terrain-Rendering mit Geometry Clipmaps

Terrain-Rendering mit Geometry Clipmaps Vorarbeiten & Grundlagen Basiskomponenten Der Clipmap-Algorithmus Terrain-Rendering mit Seminar Computergrak 2010 Vorarbeiten & Grundlagen Basiskomponenten Der Clipmap-Algorithmus Worum geht's? Algorithmus

Mehr

Elementare statistische Methoden

Elementare statistische Methoden Elementare statistische Methoden Vorlesung Computerlinguistische Techniken Alexander Koller 28. November 2014 CL-Techniken: Ziele Ziel 1: Wie kann man die Struktur sprachlicher Ausdrücke berechnen? Ziel

Mehr

Autonome Mobilität - Was wir von biologischen Systemen lernen können. Georg Färber Realzeit Computer - Systeme Technische Universität München

Autonome Mobilität - Was wir von biologischen Systemen lernen können. Georg Färber Realzeit Computer - Systeme Technische Universität München Autonome Mobilität - Was wir von biologischen Systemen lernen können Georg Färber Realzeit Computer - Systeme Technische Universität München Autonome Mobilität Lernen von der Biologie Merkmals- Erkennung

Mehr

Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words

Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words André Viergutz 1 Inhalt Einführung. Einordnung der Arbeit in die zugrunde liegenden Konzepte Das Modell der Fields

Mehr

Realtime Human Body Tracking

Realtime Human Body Tracking Realtime Human Body Tracking Vortrag im Rahmen des Seminars Ausgewählte Themen zu Bildverstehen und Mustererkennung Lehrstuhl: Professor Dr. X. Jiang Referenten: Dipl.-Math. Kai Rothaus Dipl.-Inform. Steffen

Mehr

Techniken der kognitiven Verhaltenstherapie

Techniken der kognitiven Verhaltenstherapie Techniken der kognitiven Verhaltenstherapie Seminar: VT bei depressiven Störungen Seminarleiterin: Dipl. Psych. C. Kuhn Referenten: F. Buge, K. Lemke Überblick Therapeutisches Vorgehen: 1. Erfassen von

Mehr

(1) Problemstellung. (2) Kalman Filter

(1) Problemstellung. (2) Kalman Filter Inhaltsverzeichnis (1) Problemstellung...2 (2) Kalman Filter...2 Funktionsweise... 2 Gleichungen im mehrdimensionalen Fall...3 Schätzung des Systemzustands...3 Vermuteter Schätzfehler... 3 Aktualisierung

Mehr

Teil I Beschreibende Statistik 29

Teil I Beschreibende Statistik 29 Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................

Mehr

Sandro Castronovo. Seminar Intelligent Virtual Characters am DFKI SS 2006. Leiter: Dr. Michael Kipp

Sandro Castronovo. Seminar Intelligent Virtual Characters am DFKI SS 2006. Leiter: Dr. Michael Kipp Computer Vision Sandro Castronovo Seminar Intelligent Virtual Characters am DFKI SS 2006 Leiter: Dr. Michael Kipp Übersicht Überblick Was ist Computer Vision Praxisbeispiel1: Effizientes Komprimieren von

Mehr

Monte-Carlo Simulation

Monte-Carlo Simulation Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung

Mehr

Einführung in Statistik und Messwertanalyse für Physiker

Einführung in Statistik und Messwertanalyse für Physiker Gerhard Böhm, Günter Zech Einführung in Statistik und Messwertanalyse für Physiker SUB Göttingen 7 219 110 697 2006 A 12486 Verlag Deutsches Elektronen-Synchrotron Inhalt sverzeichnis 1 Einführung 1 1.1

Mehr

Textmining Klassifikation von Texten Teil 1: Naive Bayes

Textmining Klassifikation von Texten Teil 1: Naive Bayes Textmining Klassifikation von Texten Teil 1: Naive Bayes Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten 1: Naive

Mehr

6.2 Scan-Konvertierung (Scan Conversion)

6.2 Scan-Konvertierung (Scan Conversion) 6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster

Mehr

Internetkommunikation I WS 2004/05 Rafael Birkner

Internetkommunikation I WS 2004/05 Rafael Birkner Vortrag zum Thema: Bayes'sche Filter zur SPAM-Erkennung 1. Bayes'sche Filter: Eigenschaften - englischer Mathematiker Thomas Bayes (1702 1761) - state of the art Technologie zur Bekämpfung von Spam - adaptive

Mehr

Nichtlineare Beobachter: Kollisions- und Fehlerdetektion. Regelungstechnische Methoden in der Robotik

Nichtlineare Beobachter: Kollisions- und Fehlerdetektion. Regelungstechnische Methoden in der Robotik Nichtlineare Beobachter: ollisions- und Fehlerdetetion Motivation Sichere, zuverlässige physische Mensch-Roboter Interation Erhöhung der Reglerperformanz z.b. Bahngenauigeit oder Nachgiebigeit durch Reibungsompensation

Mehr

Geodatenlogger zur Erforschung der Zugrouten von Singvögeln

Geodatenlogger zur Erforschung der Zugrouten von Singvögeln Geodatenlogger zur Erforschung der Zugrouten von Singvögeln Bundesamt für Umwelt BAFU roger.weber@bfh.ch Inhalt des Vortrags Hilfsmittel zur Ortung von Vögeln, eine Übersicht: - Radio-Telemetriesender

Mehr

Autonome Fahrzeuge. Eine Pro-Seminar Arbeit von. Patrick Bertsch. 1 Abstract

Autonome Fahrzeuge. Eine Pro-Seminar Arbeit von. Patrick Bertsch. 1 Abstract Eine Pro-Seminar Arbeit von 2006 1 Abstract Die folgende Arbeit soll einen kurzen Einblick in das Gebiet der Künstlichen Intelligenz, im Bezug auf autonome Fahrzeuge, geben. Im folgenden sollen der Aufbau

Mehr

4 Das Overlap-Konzept

4 Das Overlap-Konzept 4 Das Overlap-Konzept Das Overlap-Konzept wurde in [31] ausführlich beschrieben. Im folgenden werden wir die Aspekte darlegen, die nötig sind, um das Konzept zu implementieren, und werden uns dabei eng

Mehr

Verfahren zur Berechnung von Routen zur Gewährleistung von Ende-zu-Ende QoS

Verfahren zur Berechnung von Routen zur Gewährleistung von Ende-zu-Ende QoS Verfahren zur Berechnung von Routen zur Gewährleistung von Ende-zu-Ende QoS Dezember 007 Dipl.-Ing. Stefan Abu Salah Dipl.-Ing. Achim Marikar QoS (Quality of Service): Sicherstellung der Qualität Zeitkritische

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

Nächste-Nachbarn-Verfahren zur Reservierung für Einzelschäden

Nächste-Nachbarn-Verfahren zur Reservierung für Einzelschäden Nächste-Nachbarn-Verfahren zur Reservierung für Einzelschäden Universität Hamburg, Department Mathematik Hamburg, 16. November 2006 ASTIN-Herbsttagung Motivation Vorgehen Problemstellung Situation: Ziel:

Mehr

Jetzt lerne ich Stochastik für die Oberstufe

Jetzt lerne ich Stochastik für die Oberstufe Jetzt lerne ich Stochastik für die Oberstufe von Dr. rer. nat. Marco Schuchmann, Dipl.-Math. - 2 - - 3 - Vorwort In diesem Buch werden Anwendungen der Stochastik in der Oberstufe mit vielen Beispielen

Mehr

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer

Mehr

Vergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN)

Vergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN) Exposé zur Bachelorarbeit: Vergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN) Fakultät: Informatik, Humboldt-Universität zu Berlin Lijuan Shi 09.05.2013 Betreuer: Prof. Dr.

Mehr

Technische Gesichtserkennung

Technische Gesichtserkennung Technische Gesichtserkennung Gliederung Was ist Gesichtserkennung? Anwendungsbereiche der Gesichtserkennung Technische Verfahren Paul-Viola Algorithmus Gesichtsverfolgung via Webcam Hardware Software Demo

Mehr

Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt

Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 014 Inhaltsverzeichnis Inhaltsverzeichnis 1 Was sind Monte Carlo Simulationen? 3 Zufallszahlen 3

Mehr

Kryptographie und Komplexität

Kryptographie und Komplexität Kryptographie und Komplexität Einheit 2.3 One-Time Pads und Perfekte Sicherheit 1. Perfekte Geheimhaltung 2. One-Time Pads 3. Strombasierte Verschlüsselung Wie sicher kann ein Verfahren werden? Ziel ist

Mehr

Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung

Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung Ingmar Gründel HAW-Hamburg 15. Dezember 2006 Ingmar Gründel Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung

Mehr

Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler

Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Problemstellung Als Sammelbilderproblem bezeichnet man die Frage, wie viele Produkte bzw. Bilder

Mehr

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie

Mehr

Übungen zur Mathematik für Pharmazeuten

Übungen zur Mathematik für Pharmazeuten Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl

Mehr

Knut Bartels / Hans Gerhard Strohe. Arbeitsblätter. zur Vorlesung im Wintersemester 2005/06. Statistik II Induktive Statistik

Knut Bartels / Hans Gerhard Strohe. Arbeitsblätter. zur Vorlesung im Wintersemester 2005/06. Statistik II Induktive Statistik Knut Bartels / Hans Gerhard Strohe Arbeitsblätter zur Vorlesung im Wintersemester 2005/06 Induktive Statistik Dies ist kein Vorlesungsskript Wirtschafts- und Sozialwissenschaftliche Fakultät Lehrstuhl

Mehr

Wahrscheinlichkeitstheorie. Zapper und

Wahrscheinlichkeitstheorie. Zapper und Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten

Mehr

Bildverarbeitung für die automatisierte Verpackungstechnik

Bildverarbeitung für die automatisierte Verpackungstechnik Bildverarbeitung für die automatisierte Verpackungstechnik Markus Hüttel 6. Juli 2011 Übersicht Unsere Arbeitsschwerpunkte - Thermographie - NIR-Spektroskopie - Texturanalyse - Fehlerdetektion - 3D Bild-

Mehr

Statistik im Bachelor-Studium der BWL und VWL

Statistik im Bachelor-Studium der BWL und VWL Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,

Mehr

Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015. Vorlesung 5, Donnerstag, 20.

Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015. Vorlesung 5, Donnerstag, 20. Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 5, Donnerstag, 20. November 2014 (Wie baut man eine Hash Map, Universelles Hashing)

Mehr

1.3.5 Clinical Decision Support Systems

1.3.5 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)

Mehr

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining.

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining. Motivation Themenblock: Klassifikation Praktikum: Data Warehousing und Data Mining Ziel Item hat mehrere Attribute Anhand von n Attributen wird (n+)-tes vorhergesagt. Zusätzliches Attribut erst später

Mehr

Computerviren, Waldbrände und Seuchen - ein stochastisches Modell für die Reichweite einer Epidemie

Computerviren, Waldbrände und Seuchen - ein stochastisches Modell für die Reichweite einer Epidemie Computerviren, Waldbrände und Seuchen - ein stochastisches für die Reichweite einer Epidemie Universität Hildesheim Schüler-Universität der Universität Hildesheim, 21.06.2012 Warum Mathematik? Fragen zum

Mehr

Tracking bewegter Objekte in Videosequenzen

Tracking bewegter Objekte in Videosequenzen Wintersemester 2009/2010 Fakultät Technik und Informatik Übersicht Aufgabenstellung Aktueller Lösungsansatz Forschung / Stand der Technik Methoden der Objekterkennung in der digitalen Bildverarbeitung

Mehr

x 2 x 1 x 3 5.1 Lernen mit Entscheidungsbäumen

x 2 x 1 x 3 5.1 Lernen mit Entscheidungsbäumen 5.1 Lernen mit Entscheidungsbäumen Falls zum Beispiel A = {gelb, rot, blau} R 2 und B = {0, 1}, so definiert der folgende Entscheidungsbaum eine Hypothese H : A B (wobei der Attributvektor aus A mit x

Mehr

Von den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren

Von den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren Von den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren Michael Unrau HS WS 08/09 14 November 2008 HS 08/09 Monte-Carlo Methoden 14 November 2008 1 / 24

Mehr

Automatisierte Objektaufnahme für Bilddatenbanken

Automatisierte Objektaufnahme für Bilddatenbanken Automatisierte Objektaufnahme für Bilddatenbanken - Vortrag zum Farbworkshop 2008 - Wolfram Hans, Dietrich Paulus {hans, paulus}@uni-koblenz.de Institut für Computervisualistik Universität Koblenz-Landau

Mehr

riskkv Scorenalyse riskkv Scoring Seite 1 von 9

riskkv Scorenalyse riskkv Scoring Seite 1 von 9 riskkv Scorenalyse riskkv Scoring Seite 1 von 9 Das Modul dient der flexiblen Erstellung, Auswertung und Verwendung von Scores. Durch vordefinierte Templates können in einer Einklicklösung bspw. versichertenbezogene

Mehr

Numerisches Programmieren

Numerisches Programmieren Technische Universität München WS /3 Institut für Informatik Prof Dr Hans-Joachim Bungartz Dipl-Inf Christoph Riesinger Dipl-Inf Dipl-Math Jürgen Bräckle Numerisches Programmieren Programmieraufgabe: Polnominterpolation,

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische Thermodynamik I Lösungen zur Serie 1 Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen

Mehr

Prädiktion von Roboter- und Ball-Positionen in der RoboCup Small-Size-League

Prädiktion von Roboter- und Ball-Positionen in der RoboCup Small-Size-League Tigers Mannheim Prädiktion von Roboter- und Ball-Positionen in der RoboCup Small-Size-League Theoretische Grundlagen verwendeter Verfahren und Modellierung von Objektbewegungen STUDIENARBEIT des Studienganges

Mehr

Wasserfall-Ansätze zur Bildsegmentierung

Wasserfall-Ansätze zur Bildsegmentierung Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz

Mehr

Seminar zum Thema Künstliche Intelligenz:

Seminar zum Thema Künstliche Intelligenz: Wolfgang Ginolas Seminar zum Thema Künstliche Intelligenz: Clusteranalyse Wolfgang Ginolas 11.5.2005 Wolfgang Ginolas 1 Beispiel Was ist eine Clusteranalyse Ein einfacher Algorithmus 2 bei verschieden

Mehr

Terahertz-Materialcharakterisierung: schnell und günstig

Terahertz-Materialcharakterisierung: schnell und günstig Terahertz-Materialcharakterisierung: schnell und günstig Stefan Dürrschmidt, Maik Scheller, Steffen Wietzke, Christian Jansen, Bendikt Scherger, Ole Peters, Nico Vieweg, Michael Schwertfeger, Martin Koch

Mehr

Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes

Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes Aufgabe 1: Wetterbericht Im Mittel sagt der Wetterbericht für den kommenden Tag zu 60 % schönes und zu 40% schlechtes

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

Maschinelles Lernen Entscheidungsbäume

Maschinelles Lernen Entscheidungsbäume Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen Entscheidungsbäume Paul Prasse Entscheidungsbäume Eine von vielen Anwendungen: Kreditrisiken Kredit - Sicherheiten

Mehr

13.5 Der zentrale Grenzwertsatz

13.5 Der zentrale Grenzwertsatz 13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle

Mehr

Sensor Network for Surveillance SeNSe (ISSAV)

Sensor Network for Surveillance SeNSe (ISSAV) Sensor Network for Surveillance SeNSe (ISSAV) René Koch DIEHL BGT Defence, Überlingen 7th LEIBNIZ CONFERENCE OF ADVANCED SCIENCE - SENSORSYSTEME 2008-16. 18.10.2008 1 SeNSe Gliederung: 1. 1. Geplante Anwendung,

Mehr

Grundlagen der Monte-Carlo-Methode

Grundlagen der Monte-Carlo-Methode Probieren geht über studieren Institut für experimentelle Kernphysik Karlsruher Institut für Technologie 16. November 2009 Übersicht Definitionen und Motivation 1 Definitionen und Motivation Typische Problemstellung

Mehr

OTTO-VON-GUERICKE-UNIVERSITÄT MAGDEBURG

OTTO-VON-GUERICKE-UNIVERSITÄT MAGDEBURG OTTO-VON-GUERICKE-UNIVERSITÄT MAGDEBURG Fakultät für Verfahrens- und Systemtechnik Institut für Strömungstechnik und Thermodynamik Lehrstuhl für Strömungsmechanik und Strömungstechnik zum Versuch: Praktikumsanleitung

Mehr

Fachforum 1B - Entwicklung der Verkehrssicherheitstechnik Konsequenzen für die Polizei Smarte Sensorfusionssysteme im urbanen Umfeld

Fachforum 1B - Entwicklung der Verkehrssicherheitstechnik Konsequenzen für die Polizei Smarte Sensorfusionssysteme im urbanen Umfeld Fachforum 1B - Entwicklung der Verkehrssicherheitstechnik Konsequenzen für die Polizei Smarte Sensorfusionssysteme im urbanen Umfeld Copyright Jenoptik, All rights reserved. Referenten Uwe Urban und Richard

Mehr

2. Lernen von Entscheidungsbäumen

2. Lernen von Entscheidungsbäumen 2. Lernen von Entscheidungsbäumen Entscheidungsbäume 2. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse

Mehr