Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
|
|
- Monika Feld
- vor 7 Jahren
- Abrufe
Transkript
1 Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen,
2 Agenda Ziel der Arbeit Stand der Technik Entwicklung einer Entscheidungssystematik Ergebnis Zusammenfassung Seite 3
3 Ziel der Arbeit Übergeordnetes Gesamtziel Erstellung einer Entscheidungsmatrix für potenzielle Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Teilziele der Arbeit Erarbeitung geeigneter Vergleichskriterien für Data-Mining-Verfahren Untersuchung bekannter Algorithmen aus dem Clustering und der Klassifikation Bewertung der Algorithmen anhand der hergeleiteten Kriterien Quelle: Seite 4
4 Agenda 1 2 Ziel der Arbeit Stand der Technik Produktionsplanung Data-Mining Entwicklung einer Entscheidungssystematik Ergebnis Zusammenfassung Seite 5
5 Agenda 1 2 Ziel der Arbeit Stand der Technik Produktionsplanung Data-Mining Entwicklung einer Entscheidungssystematik Ergebnis Zusammenfassung Seite 6
6 Produktionsplanung Probleme bei der Produktionsplanung Zufallsereignisse Schlechte Planungsgrundlage Beispiel Bearbeitungszeit Maschinenausfall Krankheit 2 min. Plan Eilaufträge 4 min. Ist Eine hohe Planungsgüte definiert sich als geringe Differenz zwischen Plan- und Ist-Werten Seite 7
7 Agenda 1 2 Ziel der Arbeit Stand der Technik Produktionsplanung Data-Mining Entwicklung einer Entscheidungssystematik Ergebnis Zusammenfassung Seite 8
8 Data Mining 1/2 Data Mining als potenzielles Mittel zur Analyse von Produktionsdaten Statistics Artificial Intelligence Machine Learning Natural Computing Definition Data Mining ist die Anwendung effizienter Algorithmen, die die in einer Datenbank enthaltenen gültigen Muster finden. Data Mining Nutzung historischer Produktionsdaten um z.b. zukünftige Bearbeitungszeiten realistischer prognostizieren zu können. Database systems Durch die riesige Menge an Produktionsdaten, stellt Data Mining ein großes Potenzial dar Quelle: Gorunescu, Data Mining Concecpts and Techniques, 2011 Seite 9
9 Data Mining 2/2 Vorstellung verschiedener Kategorien des Data Minings Clustering Ziel ist die Partitionierung einer Datenmenge in Gruppen Objekte eines Clusters sollen möglichst sein Ausreißer sollen zu keinem Cluster gehören Klassifikation Trainingsobjekte gegeben, die einer Klasse zugeordnet sind Zukünftige Objekte sollen über eine Funktion einer Klasse zugeordnet werden Diese Funktion soll mit Hilfe von Trainingsobjekten gelernt werden f x Quelle: 1),2) Ester M., Sander J., Knowledge Discovery in Databases, 2000 Seite 10
10 Agenda Ziel der Arbeit Stand der Technik Entwicklung einer Entscheidungssystematik Ordnungsrahmen der Entscheidungssystematik Vergleich ausgewählter Algorithmen 4 5 Ergebnis Zusammenfassung Seite 11
11 Agenda Ziel der Arbeit Stand der Technik Entwicklung einer Entscheidungssystematik Ordnungsrahmen der Entscheidungssystematik Vergleich ausgewählter Algorithmen 4 5 Ergebnis Zusammenfassung Seite 12
12 Ordnungsrahmen der Entscheidungssystematik Herleitung der Vergleichskriterien Anforderungen des Produktionsplaners Der Produktionsplaner soll jederzeit ein möglichst realistisches Bild über die zu erwartende Produktionssituation erhalten (kurz- bis mittelfristig) Z.B. möchte er auch wissen wie lange ein Arbeitsplatz für die Bearbeitung eines zukünftigen Auftrags brauchen wird Schnelligkeit Wissen Zuverlässigkeit Schlagwörter Möglichst viele Einflussfaktoren einbeziehen Kriterien für die zu untersuchenden Algorithmen Komplexität Einmaliger Durchlauf Wissen Attribute Anpassungsgrad Ausreißeranfälligkeit gering Ja 100% kategorial gering gering Nutzung der Kriterien zur Bewertung von Data-Mining-Algorithmen Seite 13
13 Agenda Ziel der Arbeit Stand der Technik Entwicklung einer Entscheidungssystematik Ordnungsrahmen der Entscheidungssystematik Vergleich ausgewählter Algorithmen 4 5 Ergebnis Zusammenfassung Seite 14
14 Untersuchung ausgewählter Algorithmen k-means-algorithmus x x x Initialmenge Zufällige Einteilung in k Cluster Berechnung der Centroide Neuzuordnung der Punkte Berechnung der Centroide μ C = (x 1 (C), x 2 C,, x d (C)), wobei x j (C) = 1 n c pεc x p j k-means zeichnet sich durch seine Einfachheit aus Seite 15
15 Untersuchung ausgewählter Algorithmen Komplexität Einmaliger Durchlauf Wissen Erlaubte Attribute Anpassungsgrad Ausreißerunempfindlichkeit k-means O(n) Trifft gar nicht zu / gering / 0% Trifft voll zu / hoch / 100% Seite 16
16 Untersuchung ausgewählter Algorithmen PAM-Algorithmus (Partitioning Around Medoids) Initialmenge Auswahl von k Medoiden (willkürlich) Vertauschung Von Medoid und Nicht-Medoid (paarweise) Berechnung der Kompaktheit und ggf. Vertauschung Maß für die Kompaktheit eines Clusters TD C = dist(p, m c ) p C Maß für die Kompaktheit eines Clusterings k TD = TD(C i ) i=1 Seite 17
17 Untersuchung ausgewählter Algorithmen Komplexität Einmaliger Durchlauf Wissen Erlaubte Attribute Anpassungsgrad Ausreißerunempfindlichkeit k-means O(n) PAM O(n³) kategorial Trifft gar nicht zu / gering / 0% Trifft voll zu / hoch / 100% Seite 18
18 Untersuchung ausgewählter Algorithmen CLARANS-Algorithmus (Clustering Large Applications based on RANdomized Search) Initialmenge Auswahl von k Medoiden (willkürlich) Maß für die Kompaktheit eines Clusters TD C = dist(p, m c ) p C Vertauschung <i Von Medoid und Nicht-Medoid <j (zufällige Auswahl) Berechnung der Kompaktheit und ggf. Vertauschung Maß für die Kompaktheit eines Clusterings k TD = TD(C i ) i=1 Seite 19
19 Untersuchung ausgewählter Algorithmen Komplexität Einmaliger Durchlauf Wissen Erlaubte Attribute Anpassungsgrad Ausreißerunempfindlichkeit k-means O(n) PAM O(n³) kategorial CLARANS O(n²) kategorial Trifft gar nicht zu / gering / 0% Trifft voll zu / hoch / 100% Seite 20
20 Untersuchung ausgewählter Algorithmen DBSCAN-Algorithmus (Density-Based Clustering of Applications with Noise) Kernobjekt In einer Umgebung ε müssen mind. m Punkte liegen Direkte Dichte-Erreichbarkeit B ist direkt dichte-erreichbar von A, wenn gilt A ist ein Kernobjekt B liegt in der Umgebung von A ε Dichte-Verbundenheit A und B sind dichte-verbunden, wenn es ein Objekt C gibt, so dass A und B dichte-erreichbar von C sind A C B Prinzip des Durchhangelns Dichte-Erreichbarkeit B ist dichte-erreichbar von A, wenn gilt A ist über eine Kette von direkt dichteerreichbaren Objekten erreichbar Alle Objekte, die miteinander dichte-verbunden sind, bilden ein Cluster Seite 21
21 Untersuchung ausgewählter Algorithmen Komplexität Einmaliger Durchlauf Wissen Erlaubte Attribute Anpassungsgrad Ausreißerunempfindlichkeit k-means O(n) PAM O(n³) kategorial CLARANS DBSCAN O(n²) O(n) kategorial kategorial Trifft gar nicht zu / gering / 0% Trifft voll zu / hoch / 100% Seite 22
22 Untersuchung ausgewählter Algorithmen k-nearest-neighbor-algorithmus 1 Wahl des Parameters k 2 k nächste Nachbarn des zu klassifizierenden Objekts q betrachten (Ermittlung über Distanzfunktion) 3 Über Mehrheitsentscheid bestimmen zu welcher Klasse q gehört k = 3 k-nearest-neighbor ist ein einfaches und effizientes Verfahren Seite 23
23 Untersuchung ausgewählter Algorithmen Komplexität Einmaliger Durchlauf Wissen Erlaubte Attribute Anpassungsgrad Ausreißerunempfindlichkeit k-means O(n) PAM O(n³) kategorial CLARANS DBSCAN O(n²) O(n) kategorial kategorial f(x) knn O(n) kategorial Trifft gar nicht zu / gering / 0% Trifft voll zu / hoch / 100% Seite 24
24 Untersuchung ausgewählter Algorithmen Künstliche neuronale Netze Ursprung Inspiration aus der Biologie Nachbau menschlicher Neuronen Aufbau Frühwarnsysteme Optimierung Anwendungen Zeitreihenanalyse (Wetter, Aktien ) Mustererkennung (Schrift- und Spracherkennung etc.) Robotik Klassifikation... Ein neuronales Netz wird speziell nach einem Anwendungsfall erstellt Input Layer Hidden Layer Output Layer Seite 25
25 Untersuchung ausgewählter Algorithmen Künstliche neuronale Netze - Prinzip x 1 w 1 x 2 w 2 TLU θ a y y = 1, wenn a θ 0, wenn a < θ Threshold Logic Unit hat nur boolesche Werte als Input Erzeugt nur boolesche Werte als Output Berechnung für die Aktivierung des TLU n a = w i x i i=1 Seite 26
26 Untersuchung ausgewählter Algorithmen Künstliche neuronale Netze x 1 w 1 y x 2 w 2 θ = 0.5 a TLU Training Initialgewichte w 1 und w 2 Input gewünschter Output? Nein? Anpassung der Gewichte: t: gewünschter Output v: Input y: tatsächlicher Output α: Lernrate 0 < α < 1 w w + α t y v Bis der gewünschte Output erreicht ist Schwierigere Netze In vielen Anwendungen sind die Netze wesentlich komplizierter Die Anpassung der Gewichte ist deutlich komplizierter Anwendung von Gradientenverfahren und stetigen Schwellenwertfunktionen Seite 27
27 Untersuchung ausgewählter Algorithmen Komplexität Einmaliger Durchlauf Wissen Erlaubte Attribute Anpassungsgrad Ausreißerunempfindlichkeit k-means O(n) PAM O(n³) kategorial CLARANS DBSCAN O(n²) O(n) kategorial kategorial f(x) knn O(n) kategorial f(x) Künstl. neuronale Netze Abhängig von Netzkomplexität kategorial Trifft gar nicht zu / gering / 0% Trifft voll zu / hoch / 100% Seite 28
28 Agenda Ziel der Arbeit Stand der Technik Entwicklung einer Entscheidungssystematik Ergebnis Zusammenfassung Seite 29
29 Ergebnis Clustering oder Klassifikation? Klassifikationen bringen den erheblichen Vorteil, dass sie nur einmal ausgeführt werden müssen, so dass eine Einordnung neuer Objekte schnell erfolgen kann knn sticht zudem durch seine geringe Komplexität und Einfachheit hervor Auch sind Klassifikatoren recht unempfindlich gegenüber Ausreißern Clustering-Verfahren bieten allerdings mehr Wissen als Klassifikatoren Klassifikatoren erfüllen die Anforderungen Schnelligkeit und Zuverlässigkeit Seite 30
30 Agenda Ziel der Arbeit Stand der Technik Entwicklung einer Entscheidungssystematik Ergebnis Zusammenfassung Seite 31
31 Zusammenfassung + Ausblick Erarbeitung geeigneter Kriterien für den Vergleich von Data-Mining-Algorithmen auf Grundlage von Anforderungen der Produktionsplanung Vergleich ausgewählter Algorithmen aus dem Clustering und der Klassifikation Einordnung der Algorithmen in eine Entscheidungssystematik Ergebnis: Die untersuchten Data-Mining-Verfahren stellen ein nützliches Potenzial für die Verbesserung der Produktionsplanung dar Weiteres Vorgehen: Implementierung geeigneter Verfahren auf Basis der Entwickelten Entscheidungsmatrix zur Steigerung der Planungsgüte in der Produktion Seite 32
32 Herzlichen Dank! David Pogorzelski
Inhaltliche Planung für die Vorlesung
Vorlesung: Künstliche Intelligenz - Mustererkennung - P LS ES S ST ME Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme
MehrHauptseminar KDD SS 2002
Hauptseminar KDD SS 2002 Prof. Dr. Hans-Peter Kriegel Eshref Januzaj Karin Kailing Peer Kröger Matthias Schubert Session: Clustering HS KDD, Ludwig-Maximilians-Universität München, SS 2002 1 Inhalt Einleitung
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
MehrMethoden zur Cluster - Analyse
Kapitel 4 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
MehrEFM-DBSCAN EIN BAUMBASIERTER CLUSTERING- ALGORITHMUS UNTER AUSNUTZUNG ERWEITERTER LEADER-UMGEBUNGEN. Philipp Egert. 08. März 2017
08. März 2017 EFM-DBSCAN EIN BAUMBASIERTER CLUSTERING- ALGORITHMUS UNTER AUSNUTZUNG ERWEITERTER LEADER-UMGEBUNGEN Philipp Egert Fachgebiet Datenbank- und Informationssysteme Motivation DBSCAN als Vorreiter
MehrProjekt-INF Folie 1
Folie 1 Projekt-INF Entwicklung eines Testbed für den empirischen Vergleich verschiedener Methoden des maschinellen Lernens im Bezug auf die Erlernung von Produktentwicklungswissen Folie 2 Inhalt Ziel
MehrKapitel 4: Data Mining DATABASE SYSTEMS GROUP. Überblick. 4.1 Einleitung. 4.2 Clustering. 4.3 Klassifikation
Überblick 4.1 Einleitung 4.2 Clustering 4.3 Klassifikation 1 Klassifikationsproblem Gegeben: eine Menge O D von Objekten o = (o 1,..., o d ) O mit Attributen A i, 1 i d eine Menge von Klassen C = {c 1,...,c
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
MehrClusteranalyse. Florian Löwenstein. Clusteranalyse eoda GmbH
Florian Löwenstein www.eoda.de 1 Übersicht Hypothesenfreies Verfahren Gehört zur Familie der Data-Mining-Techniken Ganze Verfahrensfamilie Ziel: Informationsreduktion und damit verbunden Abstraktion Typische
MehrDer Sprung in die Zukunft! Einführung in neuronale Netzwerke
Der Sprung in die Zukunft! Einführung in neuronale Netzwerke Inhalt 1. Warum auf einmal doch? 2. Welche Einsatzgebiete gibt es? 3. Was sind neuronale Netze und wie funktionieren sie? 4. Wie lernen neuronale
MehrData-Mining: Ausgewählte Verfahren und Werkzeuge
Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den
MehrEinführung in das Data Mining Clustering / Clusteranalyse
Einführung in das Data Mining Clustering / Clusteranalyse Sascha Szott Fachgebiet Informationssysteme HPI Potsdam 21. Mai 2008 Teil I Einführung Clustering / Clusteranalyse Ausgangspunkt: Menge O von Objekten
MehrKapitel 5: Clustering
Ludwig Maximilians Universität München Institut für Informatik Lehr- und Forschungseinheit für Datenbanksysteme Skript zur Vorlesung Knowledge Discovery in Databases im Wintersemester 2006/2007 Kapitel
MehrDatenorientierte SA. Aufbau und Grundlagen. Aufbau und Grundlagen. Aufbau und Grundlagen. Was sind neuronale Netze?
Datenorientierte SA Was sind neuronale Netze? Neuronale Netze: Grundlagen und Anwendungen Neuronale Netze bilden die Struktur eines Gehirns oder eines Nervensystems ab Andreas Rauscher 0651993 Damir Dudakovic
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation Literatur Inhalt und Ziele der Vorlesung Beispiele aus der Praxis 2 Organisation Vorlesung/Übung + Projektarbeit. 4 Semesterwochenstunden.
MehrData Mining im Einzelhandel Methoden und Werkzeuge
Fakultät Informatik Institut für Angewandte Informatik Professur Technische Informationssysteme Proseminar Technische Informationssysteme Data Mining im Einzelhandel Methoden und Werkzeuge Betreuer: Dipl.-Ing.
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrClustering 2010/06/11 Sebastian Koch 1
Clustering 2010/06/11 1 Motivation Quelle: http://www.ha-w.de/media/schulung01.jpg 2010/06/11 2 Was ist Clustering Idee: Gruppierung von Objekten so, dass: Innerhalb einer Gruppe sollen die Objekte möglichst
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
MehrData Mining Künstliche Neuronale Netze vs. Entscheidungsbäume
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Grundseminar HAW Master Informatik 18.04.2017 Inhaltsübersicht Data Mining & Begriffswelt des Data Mining Klassifikation & Klassifikatoren
MehrÜberblick. 4.1 Einleitung 42Cl 4.2 Clustering 4.3 Klassifikation. 4.4 Outlier Detection
Überblick 4.1 Einleitung 42Cl 4.2 Clustering 4.3 Klassifikation 4.4 Einführung in die Informatik: Systeme und Anwendungen SoSe 2013 32 Was ist ein Outlier? Definition nach Hawkins [Hawkins 1980]: Ein Outlier
MehrData Mining auf Datenströmen Andreas M. Weiner
Technische Universität Kaiserslautern Fachbereich Informatik Lehrgebiet Datenverwaltungssysteme Integriertes Seminar Datenbanken und Informationssysteme Sommersemester 2005 Thema: Data Streams Andreas
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Clustering Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Einführung Clustergüte Ähnlichkeiten Clustermitte Hierarchisches Clustering Partitionierendes
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
MehrData Mining mit RapidMiner
Motivation Data Mining mit RapidMiner CRISP: DM-Prozess besteht aus unterschiedlichen Teilaufgaben Datenvorverarbeitung spielt wichtige Rolle im DM-Prozess Systematische Evaluationen erfordern flexible
MehrDokument Klassifikation. Thomas Uhrig: Data-Mining SS10
Agenda: 1: Klassifizierung allgemein 2: der naive Bayes-Klassifizierer 3: Beispiel 4: Probleme 5: Fazit 6: Quellen 1: Klassifizierung allgemein: 1: Klassifizierung allgemein: - Einordnung von Objekten
MehrData/Information Quality Management
Data/Information Quality Management Seminar WI/Informationsmanagement im Sommersemester 2002 Markus Berberov, Roman Eder, Peter Gerstbach 11.6.2002 Inhalt! Daten und Datenqualität! Einführung und Definition!
MehrInhalt dieses Kapitels. Ziel des Clustering, Anwendungen, Typen von Clustering-Algorithmen
2. Clustering Inhalt dieses Kapitels 3. Einleitung Ziel des Clustering, Anwendungen, Typen von Clustering-Algorithmen 3.2 Partitionierende Verfahren k-means, k-medoid, Expectation Maximization, Initialisierung
MehrMuster für eine Masterarbeit
Masterarbeit in Muster für eine Masterarbeit N.N. Aufgabensteller: Betreuer: Abgabetermin: N.N. N.N. Datum Erklärung Hiermit versichere ich, dass ich diese Masterarbeit selbständig verfasst und keine anderen
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
Mehr(Software) Architektur der Dinge. Roland Graf / Simon Kranzer IKT-Forum 2016 I(o)T for Industry - Von IT zu IoT
(Software) Architektur der Dinge Roland Graf / Simon Kranzer IKT-Forum 2016 I(o)T for Industry - Von IT zu IoT Hardware Mainframe Speichersysteme Rechner Kopplung Zentralisierung Anwendungsprogramme Software
MehrKapitel LF: I. Beispiele für Lernaufgaben. Beispiele für Lernaufgaben. LF: I Introduction c STEIN
Kapitel LF: I I. Einführung in das Maschinelle Lernen Bemerkungen: Dieses Kapitel orientiert sich an dem Buch Machine Learning von Tom Mitchell. http://www.cs.cmu.edu/ tom/mlbook.html 1 Autoeinkaufsberater?
MehrKapitel ML: X (Fortsetzung)
Kapitel ML: X (Fortsetzung) X. Clusteranalyse Einordnung Data Mining Einführung in die Clusteranalyse Hierarchische Verfahren Iterative Verfahren Dichtebasierte Verfahren Cluster-Evaluierung ML: X-31 Cluster
MehrData Mining mit RapidMiner. Fakultät Informatik Lehrstuhl für Künstliche Intelligenz
Data Mining mit RapidMiner Fakultät Informatik Motivation CRISP: DM-Prozess besteht aus unterschiedlichen Teilaufgaben Datenvorverarbeitung spielt wichtige Rolle im DM-Prozess Systematische Evaluationen
MehrBertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren
Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren Regensburg, 18.05.2017, Ulrich Haböck Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 0 Agenda Grundlagen Machine
MehrRekurrente Neuronale Netze
Rekurrente Neuronale Netze Gregor Mitscha-Baude May 9, 2016 Motivation Standard neuronales Netz: Fixe Dimensionen von Input und Output! Motivation In viele Anwendungen variable Input/Output-Länge. Spracherkennung
MehrBACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON
BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON EINFÜHRUNG IN KÜNSTLICHE NEURONALE NETZE Modul Leitung Technischer Datenschutz und Mediensicherheit Nils Tekampe Vortrag Jasmin Sunitsch Abgabe
Mehr... Text Clustern. Clustern. Einführung Clustern. Einführung Clustern
Clustern Tet Clustern Teile nicht kategorisierte Beispiele in disjunkte Untermengen, so genannte Cluster, ein, so daß: Beispiele innerhalb eines Clusters sich sehr ähnlich Beispiele in verschiedenen Clustern
MehrVergleich zwischen kmeans und DBScan
Vergleich zwischen kmeans und DBScan Patrick Breithaupt und Christian Kromm Vorlesung/Seminar: Information Retrieval patrick.breithaupt@stud.uni-heidelberg.de kromm@stud.uni-heidelberg.de 11. Januar 2016
MehrOnline-Hochleistungs-Akkuzellen-Bewertung
Online-Hochleistungs-Akkuzellen-Bewertung Andreas Werner Sergej Bomke 25.05.2016 Andreas WernerSergej Bomke(HSRM) Online-Hochleistungs-Akkuzellen-Bewertung 1 / 18 Formula Student Internationaler Design
MehrFinanzmarktprognose mit neuronalen Netzen
Reihe: Quantitative Ökonomie Band 131 Herausgegeben von Prof. Dr. Eckart Bomsdorf, Köln, Prof. Dr. Wim Kösters, Bochum, und Prof. Dr. Winfried Matthes, Wuppertal Dr. Christoph A. Hövel Finanzmarktprognose
MehrAutomatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten
Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten Dipl.-Ing. Daniel Tantinger Fraunhofer Institut für Integrierte Schaltungen IIS, Erlangen, Deutschland Automatische Erkennung
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Einführungsveranstaltung
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation. Literatur. Inhalt und Ziele der Vorlesung. Beispiele aus der Praxis. 2 Organisation Vorlesung/Übung + Projektarbeit.
MehrVoraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut, keine vorgegebenen Klassen
7. Clusteranalyse (= Häufungsanalyse; Clustering-Verfahren) wird der multivariaten Statistik zugeordnet Voraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut,
MehrItem-based Collaborative Filtering
Item-based Collaborative Filtering Paper presentation Martin Krüger, Sebastian Kölle 28.04.2011 Seminar Collaborative Filtering KDD Cup 2011: Aufgabenbeschreibung Track 1 Item-based Collaborative Filtering
MehrData Mining in SAP NetWeaver BI
Martin Kießwetter, Dirk Vahl kam p Data Mining in SAP NetWeaver BI Galileo Press Bonn Boston 2.1 Was ist Data Mining? 17 2.2 Data Mining, KDD und Business Intelligence 20 2.3 KDD-Prozessmodelle 22 2.4
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
MehrDatenbanken und Informationssysteme
Datenbanken und Informationssysteme Lehrangebot Stefan Conrad Heinrich-Heine-Universität Düsseldorf Institut für Informatik April 2012 Stefan Conrad (HHU) Datenbanken und Informationssysteme April 2012
MehrVorbesprechung für das Bachelorseminar Information Theoretic Data Mining
Vorbesprechung für das Bachelorseminar Information Theoretic Data Mining Prof. Dr. Christian Böhm Dominik Mautz Dr. Bianca Wackersreuther Allgemeines Termine: Di, 25.04.2017, 12.00-14.00 Uhr in Raum C
MehrVorlesung. Data und Web Mining. Kurzinformation zur. Univ.-Prof. Dr. Ralph Bergmann. Lehrstuhl für Wirtschaftsinformatik II
Kurzinformation zur Vorlesung Data und Web Mining Univ.-Prof. Dr. Ralph Bergmann www.wi2.uni-trier.de - I - 1 - Die Ausgangssituation (1) Unternehmen und Organisationen haben enorme Datenmengen angesammelt
MehrVorlesung: Künstliche Intelligenz
Vorlesung: Künstliche Intelligenz - KI heute, KI morgen, KI übermorgen- D P LS G ML ES S ST SA NN ME O EA SV Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte
MehrClusterbasierte Datenanalyse auf Grundlage genetischer Algorithmen in SAP-BI
Hüseyin Bostanci Clusterbasierte Datenanalyse auf Grundlage genetischer Algorithmen in SAP-BI Ein Verfahren zur selbständigen Ermittlung der optimalen Anzahl Cluster Diplomica Verlag Hüseyin Bostanci Clusterbasierte
MehrBusiness Intelligence & Machine Learning
AUSFÜLLHILFE: BEWEGEN SIE DEN MAUSZEIGER ÜBER DIE ÜBERSCHRIFTEN. AUSFÜHRLICHE HINWEISE: LEITFADEN MODULBESCHREIBUNG Business Intelligence & Machine Learning Kennnummer Workload Credits/LP Studiensemester
Mehr3.5 Datenbanktechniken zur Leistungssteigerung. 3. Clustering. 3.5 Datenbanktechniken zur Leistungssteigerung. 3. Clustering. Inhalt dieses Kapitels
3.1 Einleitung 3. Clustering Inhalt dieses Kapitels Ziel des Clustering, Distanzfunktionen, Anwendungen, Typen von Algorithmen 3.2 Partitionierende Verfahren k-means, k-medoid, Expectation Maximization,
MehrWissensbasierte Systeme
Analytisch lösbare Optimierungsaufgaben Das Chaos-Spiel gründet auf der folgenden Vorschrift: Man startet von einem beliebigen Punkt aus geht auf einer Verbindung mit einem von drei zufällig gewählten
MehrNeuronale Netze. Anna Wallner. 15. Mai 2007
5. Mai 2007 Inhalt : Motivation Grundlagen Beispiel: XOR Netze mit einer verdeckten Schicht Anpassung des Netzes mit Backpropagation Probleme Beispiel: Klassifikation handgeschriebener Ziffern Rekurrente
MehrKünstliche neuronale Netze
Künstliche neuronale Netze Eigenschaften neuronaler Netze: hohe Arbeitsgeschwindigkeit durch Parallelität, Funktionsfähigkeit auch nach Ausfall von Teilen des Netzes, Lernfähigkeit, Möglichkeit zur Generalisierung
MehrEinführung in Data Mining anhand des Modells CRISP-DM
Einführung in Data Mining anhand des Modells CRISP-DM Seminarvortrag Linnea Passing Seminar, Scientific Programming, FH Aachen Stand: 11.01.2011 Rechen- und Kommunikationszentrum (RZ) Agenda Motivation
MehrDatenbanken-Themen im OS "Data Mining" SS 2010
Prof. Dr.-Ing. Thomas Kudraß HTWK Leipzig, FIMN Datenbanken-Themen im OS "Data Mining" SS 2010 Die Vorträge sollten eine Dauer von 60 Minuten (Einzelvortrag) bzw. 45 Minuten (Doppelvortrag) haben. Nachfolgend
Mehr6.6 Vorlesung: Von OLAP zu Mining
6.6 Vorlesung: Von OLAP zu Mining Definition des Begriffs Data Mining. Wichtige Data Mining-Problemstellungen, Zusammenhang zu Data Warehousing,. OHO - 1 Definition Data Mining Menge von Techniken zum
MehrDichtebasiertes Clustering. Grundlagen. Idee. Zentrale Annahmen
Idee Grundlagen Cluster als Gebiete im d-dimensionalen Raum, in denen die Objekte dicht beieinander liegen getrennt durch Gebiete, in denen die Objekte weniger dicht liegen Zentrale Annahmen für jedes
Mehr2. Datenvorverarbeitung
Kurzreferat Das Ziel beim Clustering ist es möglichst gleich Datensätze zu finden und diese in Gruppen, sogenannte Cluster zu untergliedern. In dieser Dokumentation werden die Methoden k-means und Fuzzy
MehrAUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM
AUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM ifesca GmbH GRÜNDUNG DURCH EHEMALIGE FRAUNHOFER- WISSENSCHAFTLER EXPERTEN AUF DEM GEBIET ENERGIE- WIRTSCHAFT UND SOFTWARETECHNIK
MehrProjektbericht. Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar
Business Intelligence Master Digitale Logistik und Management Projektbericht Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar Matthias Säger
MehrDISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374
DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne
MehrEinführung in Neuronale Netze
Wintersemester 2005/2006 VO 181.138 Einführung in die Artificial Intelligence Einführung in Neuronale Netze Oliver Frölich Abteilung für Datenbanken und Artificial Intelligence Institut für Informationssysteme
Mehrk-means als Verfahren zur Clusteranalyse basierend auf Repräsentanten bestimmt ein flaches Clustering
Rückblick k-means als Verfahren zur Clusteranalyse basierend auf Repräsentanten bestimmt ein flaches Clustering Hierarchisches Clustering bestimmt eine Folge von Clusterings, die als Dendrogramm darstellbar
MehrImplementationsaspekte
Implementationsaspekte Überlegungen zur Programmierung Neuronaler Netzwerke Implementationsprinzipien Trennung der Aspekte: Datenhaltung numerische Eigenschaften der Objekte Funktionalität Methoden der
MehrMaschinelles Lernen II
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen II Niels Landwehr Organisation Vorlesung/Übung 4 SWS. Ort: 3.01.2.31. Termin: Vorlesung: Dienstag, 10:00-11:30.
MehrSimulation komplexer Prozesse am Beispiel Verbundguss Cu-Al
04.11.2016 Optimierungsaufgabe Beispiel: Sheldons Platz Im Winter ist der Platz nah genug an der Heizung, damit mir warm ist und dennoch nicht zu dicht, um ins schwitzen zu kommen. Im Sommer liegt er in
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrAusarbeitung Seminar. Sven Elvers. Data Mining: Clustering. Betreuender Prüfer: Prof. Dr. Kai v. Luck
Hochschule für Angewandte Wissenschaften Hamburg Hamburg University of Applied Sciences Ausarbeitung Seminar Sven Elvers Data Mining: Clustering Betreuender Prüfer: Prof. Dr. Kai v. Luck Fakultät Technik
Mehrin der Versorgungstechnik? Prof. Dr. Michael Krödel
Künstliche Intelligenz (KI) in der Versorgungstechnik? g Was ist KI? Künstliche Intelligenz (KI; engl. artificial i intelligence, AI) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung
MehrEinführung in NLP mit Deep Learning
Einführung in NLP mit Deep Learning Hans-Peter Zorn Minds mastering Machines, Köln, 26.4.2018 NLP ist auf einmal überall Zusammenfassung aggregated reviews Dokumentklassifikation Übersetzung Dialogsysteme
MehrHauptseminar Data Mining im Wintersemester 2008 / 2009
Ludwig Maximilians Universität München Institut für Informatik Lehr- und Forschungseinheit für Datenbanksysteme Hauptseminar Data Mining im Wintersemester 2008 / 2009 Prof. Dr. Christian Böhm Annahita
MehrNeuronale. Netze. Henrik Voigt. Neuronale. Netze in der Biologie Aufbau Funktion. Neuronale. Aufbau Netzarten und Topologien
in der Seminar Literaturarbeit und Präsentation 17.01.2019 in der Was können leisten und was nicht? Entschlüsseln von Texten??? Bilderkennung??? in der in der Quelle: justetf.com Quelle: zeit.de Spracherkennung???
MehrData Mining Anwendungen und Techniken
Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses
MehrLearning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation. Yupeng Guo
Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation Yupeng Guo 1 Agenda Introduction RNN Encoder-Decoder - Recurrent Neural Networks - RNN Encoder Decoder - Hidden
MehrDer Blick in die Kristallkugel
Der Blick in die Kristallkugel Prädiktive Modellierung: Übersicht, Möglichkeiten und Grenzen Kai Brodmann Teamleiter, Senior Software- Ingenieur Der Blick in die Kristallkugel Motivation 2 Agenda Was erwartet
MehrText-Mining: Einführung
Text-Mining: Einführung Claes Neuefeind Fabian Steeg 22. April 2010 Organisatorisches Was ist Text-Mining? Definitionen Anwendungsbeispiele Textuelle Daten Aufgaben u. Teilbereiche Literatur Kontakt Sprechstunde:
MehrDomain-independent. independent Duplicate Detection. Vortrag von Marko Pilop & Jens Kleine. SE Data Cleansing
SE Data Cleansing Domain-independent independent Duplicate Detection Vortrag von Marko Pilop & Jens Kleine http://www.informatik.hu-berlin.de/~pilop/didd.pdf {pilop jkleine}@informatik.hu-berlin.de 1.0
MehrData Mining - Wiederholung
Data Mining - Wiederholung Norbert Fuhr 9. Juni 2008 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)
MehrPräsentation zur Diplomprüfung. Thema der Diplomarbeit:
Präsentation zur Diplomprüfung Thema der Diplomarbeit: Analyse der Einsatzmöglichkeiten von Data Mining- Verfahren innerhalb einer Unternehmens - Balanced Scorecard und Entwicklung eines Empfehlungskatalogs.
Mehr3.3 Nächste-Nachbarn-Klassifikatoren
3.3 Nächste-Nachbarn-Klassifikatoren Schrauben Nägel Klammern Neues Objekt Instanzbasiertes Lernen (instance based learning) Einfachster Nächste-Nachbar-Klassifikator: Zuordnung zu der Klasse des nächsten
MehrWeitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2. Tom Schelthoff
Weitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2 Tom Schelthoff 30.11.2018 Inhaltsverzeichnis Deep Learning Seed-Stabilität Regularisierung Early Stopping Dropout Batch Normalization
MehrArtificial Intelligence. Was ist das? Was kann das?
Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords
MehrSpracherkennung TAREQ HASCHEMI HAW-SEMINAR WS16
Spracherkennung TAREQ HASCHEMI HAW-SEMINAR WS16 AGENDA Grundlegendes Sprache Anwendungsbeispiele Schwierigkeit Architektur Spracherkennungssystem Hidden Markov Modell Verbesserung durch Kombination mit
MehrData Mining - Clustering. Sven Elvers
Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 2 Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 3 Data Mining Entdecken versteckter Informationen, Muster und Zusammenhänge
MehrVergleich von SVM und Regel- und Entscheidungsbaum-Lernern
Vergleich von SVM und Regel- und Entscheidungsbaum-Lernern Chahine Abid Bachelor Arbeit Betreuer: Prof. Johannes Fürnkranz Frederik Janssen 28. November 2013 Fachbereich Informatik Fachgebiet Knowledge
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
MehrVortragsthema. Thema: Klassifikation. Klassifikation. OS Data Mining SS10 Madeleine Weiand 1
Vortragsthema Klassifikation OS Data Mining SS0 Madeleine Weiand Agenda Agenda I III Begriff Klassifikation Abgrenzung Anforderungen Anwendungsgebiete Dimensionsreduktion Umsetzung in Software Vergleich
MehrKünstliche Neuronale Netze
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Künstliche Neuronale Netze Hauptseminar Martin Knöfel Dresden, 16.11.2017 Gliederung
MehrKategorisierung und Clustering als Technologien für die Erschließung unstrukturierter Information auf der Grundlagevon Oracle 10g TEXT
Kategorisierung und Clustering als Technologien für die Erschließung unstrukturierter Information auf der Grundlagevon Oracle 10g TEXT Barbara Steinhanses Business Development Manager TEXT, intermedia,
MehrPredictive Modeling mit künstlich neuronalen Netzen
München, 22. 24. Juni 2015 Predictive Modeling mit künstlich neuronalen Netzen Technische Universität Bergakademie Freiberg (Sachsen) Institut für Wirtschaftsinformatik Silbermannstraße 2, 09599 Freiberg
MehrMustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick
MehrErmittlung der informatischen Inhalte durch
Ermittlung der informatischen Inhalte durch Didaktik der Informatik Abstract: insbesondere in den Bereichen Big Data, Datenmanagement und Maschinenlernen, hat sich der Umgang mit Daten und deren Analyse
MehrGMDS-Tagung 2006 Bioinformatik 1. Assessing the stability of unsupervised learning results in small-sample-size problems
GMDS-Tagung 2006 Bioinformatik 1 Assessing the stability of unsupervised learning results in small-sample-size problems Ulrich Möller Email: Ulrich.Moeller@hki-jena.de Leibniz Institute for Natural Product
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
Mehr