Einführung in. Neuronale Netze

Größe: px
Ab Seite anzeigen:

Download "Einführung in. Neuronale Netze"

Transkript

1 Grundlagen Neuronale Netze Einführung in Neuronale Netze Grundlagen Neuronale Netze Zusammengestellt aus: Universität Münster: Multimediales Skript Internetpräsentation der MFH Iserlohn (000) U. Winkler: Untersuchungen zur Anwendung Neuronaler Netze für die Lösung von Problemen der Informationsverarbeitung in der biologischen Reinigungsstufe von Kläranlagen (998) Stöcker: : Mathematik Projektarbeit M. Höhler Eigenen Unterlagen

2 Grundlagen Neuronale Netze Literatur: Internet-Skript von Prof. Dr. Westenberger Lehrbuch: Andreas Zell: Simulation neuronaler Netze Grundlagen Neuronale Netze Inhalt: Einleitung Biologisches Vorbild Prinzipien Künstlicher Neuronaler Netz

3 Grundlagen Neuronale Netze Inhalt: Einleitung Biologisches Vorbild Prinzipien Künstlicher Neuronaler Netze Einleitung Was versteht man unter Neuronalen Netzen?» Neuronale Netze sind dem Gehirnfunktionen nachempfundene Strukturen, die einen Lernprozess ermöglichen.

4 Einleitung Abgrenzung von konventionellen Programmen und Wissensverarbeitung Einleitung Abgrenzung von Systemen zur Wissensverarbeitung

5 Einleitung Abgrenzung von menschlichem zu künstlichem Experten Einleitung Simulationsmodell: (a) konventionell und (b) mit Neuronalen Netzen

6 Einleitung Computer lösen schnell Algorithmen. Menschen erkennen schneller Zusammenhänge. Das Gehirn arbeitet auch bei ungenauen Eingaben. Es arbeitet auch, wenn einige Zellen defekt sind. Es ist lernfähig, benötigt also keine Algorithmen. Informationsverarbeitung erfolgt parallel: Resultat: Hohe H Fehlertoleranz und nur kleiner Wissensausfall bei Zerstörung eines Neurons. Was ist ein neuronales Netz? Inputs Mathematische? Formel Outputs

7 Einsatzgebiete neuronaler Netze Anwendungen» Prognose» Zinsprognose» Wechselkursprognose» Entscheidungsunterstützung» Kreditwürdigkeitsprüfung» Mailingaktionen» Steuerung und Regelung» Abfallsortierung» Bewegungssteuerung

8 Zinsprognose Inputs BSP DAX Inflationsrate usw. Mathematische? Formel Outputs Zins Zinsprognose Inputs Output Bruttosozialprodukt Input- Schicht Hidden- Schicht Ouput- Schicht Inflationsrate Kapitalmarktzins Leitzins der Bundesbank 8

9 Kreditwürdigkeitsprüfung Input Familienstand Hidden- Schicht Output- Schicht Einkommen Kennzahl für Kreditwürd. Kennz. für SCHUFA Auskunft Mailing Aktion Branche Input Hidden- Schicht Output- Schicht Jahresumsatz Kennzahl für Erfolgsaussicht Entfernung in km 9

10 Vergleich: Gehirn/Computer Anzahl Neuronen 0 Schaltzeit eines Elements 0 - s Anzahl Transistoren 0 9 Schaltzeit eines Elements 0-9 s Taktfrequenz bis khz Taktfrequenz, GHz Ein Mensch benötigt 0,s um eine ihm bekannte Person zu erkennen, der Computer erkennt in der Zeit noch nichts! 00 Meinolf Höhler Quelle: Prof. Westenberger, FH Köln, Neuronale Netze 99V0 Vergleich: Gehirn/Computer Meinolf Höhler Eigenschaft Parallelität Präzision Fehlertoleranz Speicherzugriff Erkennen von Mustern Ausnutzen von Ähnlichkeiten Numerisch präzise Berechnungen Fehlerloses Speichern von Daten Rekonstruieren verrauschter Daten Verallgemeinern von Beispielen Selbstorganisation Gehirn hoch mäßig hoch global gut ja schlecht schlecht gut gut ja Quelle: Computer niedrig hoch niedrig lokal schlecht nein gut gut schlecht schlecht bisher nicht 0

11 Grundlagen Neuronale Netze Inhalt: Einleitung Biologisches Vorbild Prinzipien Künstlicher Neuronaler Netze Biologisches Vorbild Aufbau einer Nervenzelle

12 Biologisches Vorbild Aufbau einer Nervenzelle: Zellkörper 0, mm groß Dendriten die Zellfortsätze zur Aufnahme von Signalen Axone die Zellfortsätze zum Senden von Signalen Organellen versorgen die Zellen mit Energie Biologisches Vorbild Nervenzellen Dieses Photo zeigt multipolare (mit vielen Fortsätzen) ausgestattete Nervenzellen. Der zentrale Zellkörper jeder Zelle ist deutlich erkennbar, ebenso die Dendriten kurze Fortsätze des Zellkörpers, die Nervenreize aufnehmen.

13 Biologisches Vorbild Schalten einer Nervenzelle: Axone öffnen sich für Na+ Ionen Dadurch ergibt sich ein Potentialausgleich Nach - ms wieder Ruhepotential Biologisches Vorbild (A) Elektronenmikroskopische Aufnahme einer Retzius-Nervenzelle des Blutegels auf dem metallfreien Gate eines Feldeffekt-Transistors. Source und Drain des Transistors sind durch das Profil der Oberfläche gekennzeichnet. (B) Source-Drain-Strom eines Neuron- Transistors (obere Linie) und intrazelluläre Spannung (untere Linie). Die positiven Veränderungen der intrazellulären Spannung rufen eine Unterdrückung des Stroms im p- leitenden Kanal des Transistors hervor.

14 Biologisches Vorbild Aufbau des Gehirns Biologisches Vorbild Aufbau des Gehirns: Großhirn: Sensorik,, Motorik Thalamus: : Sinnesorgane Signalvorverarbeitung Hypothalamus: : Vegetatives System Mittelhirn: Schlafsteuerung Kleinhirn: Gleichgewicht Nachhirn: Reflexe

15 Grundlagen Neuronale Netze Inhalt: Einleitung Biologisches Vorbild Prinzipien Künstlicher Neuronaler Netze Aufbau des neuronalen Netzes 00 Meinolf Höhler

16 Aufbau des neuronalen Netzes ein NN besteht aus mehreren Schichten (Layer) Inputlayer Hiddenlayer Outputlayer 00 Meinolf Höhler Aufbau des neuronalen Netzes ein NN besteht aus mehreren Schichten (Layer) eine einfache Tabelle dient zur Speicherung der Verbindungen und Neuronen Inputlayer Hiddenlayer Outputlayer 00 Meinolf Höhler

17 Aufbau des neuronalen Netzes ein NN besteht aus mehreren Schichten (Layer) eine einfache Tabelle dient zur Speicherung der Verbindungen und Neuronen wenn in Zelle (x;y) ein Wert steht, besteht eine Verbindung von Neuron x zu y Inputlayer Hiddenlayer Outputlayer 00 Meinolf Höhler Aufbau des neuronalen Netzes ein NN besteht aus mehreren Schichten (Layer) eine einfache Tabelle dient zur Speicherung der Verbindungen und Neuronen wenn in Zelle (x;y) ein Wert steht, besteht eine Verbindung von Neuron x zu y Inputvektor wird angelegt und Zeilenweise berechnet; Ergebnis ist ein Outputvektor Inputlayer Hiddenlayer Outputlayer Inputvektor 00 Meinolf Höhler Outputvektor

18 Topologien neuronaler Netze Netze ohne Rückkopplung (Feedforwardnetz) Ebenenweise verbundenes Netz 00 Meinolf Höhler Topologien neuronaler Netze Netze ohne Rückkopplung (Feedforwardnetz) Ebenenweise verbundenes Netz mit Shortcut-connections 00 Meinolf Höhler 8

19 Topologien neuronaler Netze Netze mit Rückkopplung (rekurrente Netze) direkte Rückkopplung 00 Meinolf Höhler Topologien neuronaler Netze Netze mit Rückkopplung (rekurrente Netze) indirekte Rückkopplung 00 Meinolf Höhler 9

20 Topologien neuronaler Netze Netze mit Rückkopplung (rekurrente Netze) laterale Rückkopplung 00 Meinolf Höhler Topologien neuronaler Netze Netze mit Rückkopplung (rekurrente Netze) vollständig verbunden ohne direkte Rückkopplung 00 Meinolf Höhler 0

21 Bestandteile neuronaler Netze. Zellen i=...n mit - Aktivierungszustand a i(.) (t) - Transferfunktion - Schwellwert θf i - Ausgabewert o i (t) Aktivierungszustand: momentaner Grad der Aktivierung berechnet aus einer Aktivierungsfunktion und dem Schwellenwert Transferfunktion : Funktion, die aus der Aktivierung den Ausgabewert berechnet Ausgabewert : Wert, der über die Kanten an die anderen Neuronen weitergegeben wird Sigmoidfunktion : f ( x) = + e x 00 Meinolf Höhler Bestandteile neuronaler Netze. Zellen i=...n mit - Aktivierungszustand a i(.) (t) - Transferfunktion - Schwellwert θf i - Ausgabewert o i (t). Verbindungsnetzwerk der Zellen mit Gewichten: w ij (gerichteter, gewichteter Graph, Gewichtsmatrix W) Verbindungsnetzwerk: Matrix mit den Gewichtswerten der Kanten zwischen den Neuronen 00 Meinolf Höhler

22 Bestandteile neuronaler Netze. Zellen i=...n mit - Aktivierungszustand a i(.) (t) - Transferfunktion - Schwellwert θf i - Ausgabewert o i (t). Verbindungsnetzwerk der Zellen mit Gewichten: w ij (gerichteter, gewichteter Graph, Gewichtsmatrix W). Propagierungsfunktionnet j (t) Propagierungsfunktion: ist die Berechnungsvorschrift, wie die Ausgaben der Vorgänger als Eingabe des Neurons verwendet werden 00 Meinolf Höhler Bestandteile neuronaler Netze. Zellen i=...n mit - Aktivierungszustand a i(.) (t) - Transferfunktion - Schwellwert θf i - Ausgabewert o i (t). Verbindungsnetzwerk der Zellen mit Gewichten: w ij (gerichteter, gewichteter Graph, Gewichtsmatrix W). Propagierungsfunktionnet j (t). Lernregel: Training der Gewichte (Synapsen) w ij Lernregel: Algorithmus, über den das Lernverfahren definiert wird 00 Meinolf Höhler

23 Prinzipien Künstlicher Neuronaler Netze Drei Elemente: Zellkörper Dendrit Axon Prinzipien Künstlicher Neuronaler Netze Aktivierungszustand Z gibt den Aktivierungsgrad der Zelle an Aktivierungsfunktion f act gibt an, wie sich ein neuer Aktivierungszustand Z neu,j des Neurons j aus der alten Aktivierung Z alt,j und der Netzeingabe net j (t) sowie dem Schwellenwert des Neurons j ergibt. Ausgabefunktion f out bestimmt aus der Aktivierung die Ausgabe des Neurons

24 Prinzipien Künstlicher Neuronaler Netze Faßt man Aktivierungs- und Ausgabefunktion zu einer Transfer-Funktion zusammen, verwendet man häufig die gewichtete Summe: Prinzipien Künstlicher Neuronaler Netze Der Aktivierungszustand Z hängt vom alten Zustand und der Veränderung der Aktivierungsfunktion ab und kann beispielsweise dargestellt werden durch:

25 Prinzipien Künstlicher Neuronaler Netze Auch für künstliche Neuronen gibt es eine Schwellenwertfunktion: Prinzipien Künstlicher Neuronaler Netze Die folgende Abbildung enthält einige gebräuchliche Aktivierungs- bzw. Ausgabefunktionen, wobei die beiden letzteren am häufigsten verwendet werden.

26 Prinzipien Künstlicher Neuronaler Netze Tanh als übliche Sigmoidfunktion Prinzipien Künstlicher Neuronaler Netze Formel

27 Prinzipien Künstlicher Neuronaler Netze Die Neuronen künstlicher neuronaler Netze sind im Vergleich zu ihren natürlichen Vorbildern sehr stark idealisiert. Trotzdem gibt es viele Gemeinsamkeiten: - Die massive Parallelität der Neuronen - Relativ einfache Elemente: Neuronen verarbeiten die Aktivierungen der Vorgängerneuronen und die Stärke der Verbindung zu einer Ausgabe. - Die Neuronen sind durch gewichtete Verbindungen (biologisch: Synapsen) miteinander verbunden. - Die Verbindungsgewichte bei künstlichen Neuronen sind modifizierbar. Das entspricht der Plastizität der Synapsen beim biologischen Vorbild. - Ein Neuron ist mit sehr vielen anderen Neuronen verbunden (hohe Konnektivität). Prinzipien Künstlicher Neuronaler Netze Neuronale Netze lassen sich gemäß der folgenden Topologien klassifizieren:. Netze ohne Rückkopplung (feedforward- Netze). Netze mit Rückkopplungen (rekurrente Netze)

28 Prinzipien Künstlicher Neuronaler Netze Prinzipien Künstlicher Neuronaler Netze 8

29 Prinzipien Künstlicher Neuronaler Netze Ein neuronales Netz "lernt", indem es sich gemäß einer fest vorgegebenen Vorschrift, der Lernregel, selbst modifiziert. Prinzipiell kann der Lernprozeß bestehen aus: oentwicklung neuer Verbindungen olöschen existierender Verbindungen omodifikation der Verbindungsstärke (Veränderung der Gewichte) omodifikation des Schwellenwertes omodifikation der Aktivierungs- bzw. Ausgabefunktion oentwicklung neuer Zellen olöschen bestehender Zellen Prinzipien Künstlicher Neuronaler Netze. Überwachtes Lernen (supervised learning) Beim überwachten Lernen gibt ein externer Lehrer dem Netz zu jeder Eingabe die korrekte Ausgabe oder die Differenz der tatsächlichen zur korrekten Ausgabe an. Anhand dieser Differenz wird dann das Netz über die Lernregel modifiziert. Diese Technik setzt allerdings voraus, dass Trainingsdaten existieren, die aus Paaren von Ein- und Ausgabedaten bestehen. 9

30 Prinzipien Künstlicher Neuronaler Netze Ein typisches überwachtes Lernverfahren wie z.b. Backpropagation durchläuft für alle Paare von Ein- und Ausgabemustern folgende Schritte:. Das Eingabemuster wird dem Netz durch entsprechende Aktivierung der Eingabeneuronen präsentiert.. Die angelegte Eingabe läuft vorwärts durch das Netz. Dadurch wird ein Ausgabemuster für die aktuelle Eingabe erzeugt.. Tatsächliche und korrekte Ausgabe werden verglichen und die Differenz berechnet.. Die Fehler laufen rückwärts von der Ausgabe- zur Eingabeschicht. Dabei werden die Verbindungsgewichte verändert, so daß der Fehler verringert wird. Die Gewichte aller Neuronen werden um die vorher berechneten Werte verändert. Prinzipien Künstlicher Neuronaler Netze Unüberwachtes Lernen (unsupervised learning) Hierbei gibt es überhaupt keinen externen Lehrer, daher heißt dieses Lernparadigma auch self-organized learning. Das Netz versucht ohne Beeinflussung von außen die präsentierten Daten in Ähnlichkeitsklassen aufzuteilen. 0

31 Grundlagen Neuronale Netze Problem beim Gradientenabstiegsverfahren- Suche des Minimums Grundlagen Neuronale Netze Lernrate (engl. learning rate): Bestimmt den Verlauf des Gradientenabstiegs. Kleinere Lernrate führt zu kleineren Sprüngen in der Objektfunktion und eventuell auch exakterer Adaption. Größere Lernrate kann den Lernvorgang beschleunigen und Entkommen aus lokalen Minima erleichtern. Eine geeignete Lernrate ist von Fall zu Fall durch Probieren zu ermitteln.

32 Grundlagen Neuronale Netze Objektfunktion während des Lernens (links: große Lernrate, rechts: kleine Lernrate) Grundlagen Neuronale Netze Klassifikation Neuronaler Netze Binäre Eingangssignale Kontinuierliche Eingangssignale Überwachtes Lernen Unüberwachtes Lernen Überwachtes Lernen Unüberwachtes Lernen Hopfield Netz Hamming Netz Grossberg Netz Perceptron Multilayer Perceptron Kohonen Netz Quelle: MIT GmbH, Aachen

33 Grundlagen Neuronale Netze Vor- und Nachteile der Netzwerktypen Netzwerktyp Beschreibung Vorteile Nachteile Anwendungen Der Aufbau des MLPs gleicht dem Aufbau des zuvor gezeigten, neuronalen Netzes. Es ist strikt linear aufgebaut. Die ~ flexibel ~ geringe Komplexität ~ Netzgröße (Anzahl der Gewichte) muß genau an das z.b. Zeitreihenprognosen Multilayer Eingangsfunktion ist die Summe der Problem angepaßt gewichteten Eingangswerte. Die werden. ~ Perceptron Aktivierungsfunktion ist entweder eine lineare, eine Sigmoid- oder eine Tangens- Hyperbolicus-Funktion. Überwachung des Lernvorgangs notwendig Kohonen Netzwerk n-dimensionales Netz, bei dem die Neuronenposition durch Ihre Merkmalsausprägung beschrieben wird ~ kaum Expertenwissen erforderlich ~ unüberwachtes Lernen ~ findet unbekannte Strukturen ~ schlecht geeignet für Merkmale ohne def. Abstand z.b. Telefonnr. ~ Abhängigkeit von der Präsentationsreihenfolge z.b. Einteilung in Klasse Grundlagen Neuronale Netze Netzwerktyp Beschreibung Vorteile Nachteile Anwendungen n-dimensionales Netz, bei dem ~ schlecht z.b. Einteilung in die Neuronenposition durch Ihre geeignet für beliebig geformte Merkmalsausprägung Merkmale ohne Klassen im beschrieben wird. Zusätzlich wird def. Abstand Merkmalsraum beim Lernalgorithmus Fuzzy- z.b. Telefonnr. Clustering eingesetzt, um die Nachteile des reinen Kohonennetzes auszugleichen. Fuzzy Kohonen Netzwerk Vor- und Nachteile der Netzwerktypen ~ kaum Expertenwissen erforderlich ~ unüberwachtes Lernen ~ findet unbekannte Strukturen ~ konvergiert schneller als reines Kohonen ~ unabhängig von Präsentationsreihenfolge d. Trainingssätze

34 Grundlagen Neuronale Netze Lernverfahren Beschreibung Einsatzgebiet Überwachter Lernalgorythmus; heuristisches Verfahren, Multilayer Perceptron und bei dem die Gewichte solange verändert werden, bis das Varianten Quick Propagation Ergebnis mit der Vorgabe weitesgehenst übereinstimmt; vorwärtsgerichtet Back Propagation Überwachter Lernalgorythmus; ausgehend von der Abweichung des IST- vom SOLL-Wertes, werden die Gewichte von der Ausgabeschicht zur Eingabeschicht, also in umgekehrter Richtung, justiert. Dabei fließt der Fehler (SOLL-IST-Abweichung) mit in das neue Gewicht mit ein. Der Weg, auf dem die größten Gewichtsänderungen während des Trainingssatzes stattgefunden haben, ist der Weg, der am stärksten von der Korrektur betroffen ist; rückwärtsgerichtet Multilayer Perceptron und Varianten Grundlagen Neuronale Netze Lernverfahren Beschreibung Einsatzgebiet Kohonen "Winner Take All" Die Neuronen werden im n-dimensionalen Raum in Abhängigkeit von ihren Merkmalsausprägungen plaziert. Auch der Eingangsvektor wird in diesem Raum plaziert. Das Neuron, welches dem Eingangsvektor am räumlich am nächsten kommt wird verändert. Und zwar wird der Eingangsvektor vom Vektor, der die Position des Neurons im Raum angab, abgezogen. Unüberwachtes Lernverfahren Kohonen Netz und in modifizierter Form im Fuzzy-Kohonen-Netz Simuliertes Ausglühen Minimierung der Energiefunktion im Netz. Hierbei wird versucht den SOLL-Wert so nahe, wie möglich zu kommen. Die Vergrößung des Fehlers wird als Energiezunahme (pot. Energie) interpretiert. Durch stochastische Methoden wird versucht den SOLL- Wert zu erreichen und gleichzeitig die Gesamtenergie des Netzes zu minimieren.

35 Schlussbemerkung "You work is to discover your world and then with all your heart give yourself to it." - BUDDHA - "The purpose of computing is insight, not numbers." - Richard Hamming - "The history of technology shows us that we overestimate what a technology can do for us in a few years and underestimate what it can do in a decade or two." - Fiegenbaum, MCCorduck, Nii - "Chance favors the prepared mind." - Louis Pasteur -

Künstliche Intelligenz Dirk Krechel SS 2009

Künstliche Intelligenz Dirk Krechel SS 2009 Künstliche Intelligenz Dirk Krechel SS 2009 Überblick über das Modul 1. Einführung 2. Symbolische Verfahren Logik Aussagenlogik Prädikatenlogik Horn Logik Prolog 3. Suchen und Bewerten Problemlösen durch

Mehr

Was bisher geschah. Lernen: überwachtes Lernen. biologisches Vorbild neuronaler Netze: unüberwachtes Lernen

Was 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

Mehr

Vom Chip zum Gehirn Elektronische Systeme zur Informationsverarbeitung

Vom 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:

Mehr

Neuronale 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 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

Mehr

Neuronale Netze. Thema: Semesterarbeit zum Forschungsseminar: Neuere psychologische Fachliteratur SS 2006

Neuronale Netze. Thema: Semesterarbeit zum Forschungsseminar: Neuere psychologische Fachliteratur SS 2006 Leopold - Franzens - Universität Innsbruck Institut für Psychologie Thema: Neuronale Netze Semesterarbeit zum Forschungsseminar: Neuere psychologische Fachliteratur SS 2006 Lehrveranstaltungsleiter: Ao.

Mehr

Merkmalbasierte Zeichenerkennung mittels neuronaler Netze

Merkmalbasierte Zeichenerkennung mittels neuronaler Netze UNIVERSITÄT BAYREUTH MATHEMATISCHES INSTITUT Merkmalbasierte Zeichenerkennung mittels neuronaler Netze Diplomarbeit von Lisa Sammer Datum: 10. Mai 2005 Aufgabenstellung / Betreuung: Prof. Dr. Lars Grüne

Mehr

(künstliche) Neuronale Netze. (c) Till Hänisch 2003,2015, DHBW Heidenheim

(künstliche) Neuronale Netze. (c) Till Hänisch 2003,2015, DHBW Heidenheim (künstliche) Neuronale Netze (c) Till Hänisch 2003,2015, DHBW Heidenheim Literatur zusätzlich zum Lit. Verz. Michael Negnevitsky, Artificial Intelligence, Addison Wesley 2002 Aufbau des Gehirns Säugetiergehirn,

Mehr

Künstliche Neuronale Netze und Data Mining

Künstliche Neuronale Netze und Data Mining Künstliche Neuronale Netze und Data Mining Catherine Janson, icasus GmbH Heidelberg Abstract Der Begriff "künstliche Neuronale Netze" fasst Methoden der Informationstechnik zusammen, deren Entwicklung

Mehr

Machine Learning - Maschinen besser als das menschliche Gehirn?

Machine 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

Mehr

CLINICAL DECISION SUPPORT SYSTEMS

CLINICAL DECISION SUPPORT SYSTEMS CLINICAL DECISION SUPPORT SYSTEMS INHALTSVERZEICHNIS 1/2 Diagnosefindung Prävention Medikamente (Auswahl, Dosierung etc.) INHALTSVERZEICHNIS 2/2 Supervised, Unsupervised Bayes-Netzwerke Neuronale Netze

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Fachhochschule Köln. Konzepte des maschinellen Lernens. Ausarbeitung. Florian Keller

Fachhochschule Köln. Konzepte des maschinellen Lernens. Ausarbeitung. Florian Keller Fachhochschule Köln 07 Fakultät für Informations-, Medien-, und Elektrotechnik Institut für Nachrichtentechnik Studiengang Master Technische Informatik Konzepte des maschinellen Lernens Ausarbeitung vorgelegt

Mehr

Machine Learning - Maschinen besser als das menschliche Gehirn?

Machine Learning - Maschinen besser als das menschliche Gehirn? Machine Learning - Maschinen besser als das menschliche Gehirn? Tobias Stähle 23.05.2014 1 Einführung 1.1 Was ist Machine Learning? Während am Anfang Computer noch auf das reine Ausrechnen beschränkt waren

Mehr

Künstliches binäres Neuron

Künstliches binäres Neuron Künstliches binäres Neuron G.Döben-Henisch Fachbereich Informatik und Ingenieurwissenschaften FH Frankfurt am Main University of Applied Sciences D-60318 Frankfurt am Main Germany Email: doeben at fb2.fh-frankfurt.de

Mehr

Die Beurteilung von Kreditrisiken mittels künstlicher neuronaler Netze am Beispiel österreichischer KMUs

Die Beurteilung von Kreditrisiken mittels künstlicher neuronaler Netze am Beispiel österreichischer KMUs Die Beurteilung von Kreditrisiken mittels künstlicher neuronaler Netze am Beispiel österreichischer KMUs 1. Klagenfurter KMU Tagung Tanja Schuschnig Alexander Brauneis Institut für Finanzmanagement 25.09.2009

Mehr

Künstliche Neuronale Netze als Verfahren der betrieblichen Entscheidungsunterstützung

Künstliche Neuronale Netze als Verfahren der betrieblichen Entscheidungsunterstützung Künstliche Neuronale Netze als Verfahren der betrieblichen Entscheidungsunterstützung Die Leistungsfähigkeit des menschlichen Gehirns in der Verarbeitung komplexer Signale, z.b. in der Mustererkennung

Mehr

Künstliche Neuronale Netze zur Prognose von Zeitreihen

Künstliche Neuronale Netze zur Prognose von Zeitreihen Westfälische Wilhelms-Universität Münster Diplomarbeit Künstliche Neuronale Netze zur Prognose von Zeitreihen Dominik Eisenbach Themensteller: Prof. Dr. Wolfram-M. Lippe Institut für Informatik Westfälische

Mehr

Approximationsalgorithmen

Approximationsalgorithmen Ausarbeitung zum Thema Approximationsalgorithmen im Rahmen des Fachseminars 24. Juli 2009 Robert Bahmann robert.bahmann@gmail.com FH Wiesbaden Erstellt von: Robert Bahmann Zuletzt berarbeitet von: Robert

Mehr

Zeichnen von Graphen. graph drawing

Zeichnen von Graphen. graph drawing Zeichnen von Graphen graph drawing WS 2006 / 2007 Gruppe: D_rot_Ala0607 Christian Becker 11042315 Eugen Plischke 11042351 Vadim Filippov 11042026 Gegeben sei ein Graph G = (V; E) Problemstellung V E =

Mehr

Eignung künstlicher neuronaler Netze zur Auswertung genetischer Assoziationsstudien

Eignung künstlicher neuronaler Netze zur Auswertung genetischer Assoziationsstudien Institut für Humangenetik Universität Ulm Leiter: Prof. Dr. med. Christian Kubisch Eignung künstlicher neuronaler Netze zur Auswertung genetischer Assoziationsstudien Dissertation zur Erlangung des Doktorgrades

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

Kürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik

Kürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Kürzeste Wege in Graphen Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Gliederung Einleitung Definitionen Algorithmus von Dijkstra Bellmann-Ford Algorithmus Floyd-Warshall Algorithmus

Mehr

Approximation von Warteschlangenkennzahlen mit Künstlichen Neuronalen Netzen

Approximation von Warteschlangenkennzahlen mit Künstlichen Neuronalen Netzen Optimale Echtzeit-Personaleinsatzplanung durch Approximation von Warteschlangenkennzahlen mit Künstlichen Neuronalen Netzen 7.05.2006 Frank Köller koeller@iwi.uni-hannover.de Gliederung Motivation Vorgehensweise

Mehr

Die Berechnung des Menschen

Die Berechnung des Menschen Munich Center for Technology in Society Die Berechnung des Menschen Wissenschaftstheoretische Grundlagen von Big Data in den Life Sciences und im Gesundheitsbereich Lehrstuhl für Philosophie und Wissenschaftstheorie

Mehr

16. All Pairs Shortest Path (ASPS)

16. All Pairs Shortest Path (ASPS) . All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e

Mehr

Realisierung von CI- Regelalgorithmen auf verschiedenen Hardwareplattformen

Realisierung von CI- Regelalgorithmen auf verschiedenen Hardwareplattformen Realisierung von CI- Regelalgorithmen auf verschiedenen Hardwareplattformen Prof.Dr.-Ing. K.-D. Morgeneier FH Jena, FB Elektrotechnik und Informationstechnik www.fh-jena.de Gliederung 2. Einführung 3.

Mehr

Telezentrische Meßtechnik

Telezentrische Meßtechnik Telezentrische Meßtechnik Beidseitige Telezentrie - eine Voraussetzung für hochgenaue optische Meßtechnik Autor : Dr. Rolf Wartmann, Bad Kreuznach In den letzten Jahren erlebten die Techniken der berührungslosen,

Mehr

Wirtschaftswissenschaftliche Fakultat Ruprecht-Karls-Universitat Heidelberg Einsatz Kunstlicher Neuronaler Netze auf dem Aktienmarkt Diplomarbeit im Studiengang Volkswirtschaftslehre vorgelegt von Stefan

Mehr

Zeit- und Ressourcenplanung leicht gemacht - Unterstützung durch Simulation

Zeit- und Ressourcenplanung leicht gemacht - Unterstützung durch Simulation - für Zeit- und Ressourcenplanung leicht gemacht - Unterstützung durch Simulation Zeit- und Ressourcenplanung leicht gemacht - Unterstützung durch Simulation Thomas Hanne *, Patrick Lang, Stefan Nickel,

Mehr

WIRTSCHAFTSUNIVERSITÄT WIEN INSTITUT FÜR INFORMATIONSWIRTSCHAFT

WIRTSCHAFTSUNIVERSITÄT WIEN INSTITUT FÜR INFORMATIONSWIRTSCHAFT WIRTSCHAFTSUNIVERSITÄT WIEN INSTITUT FÜR INFORMATIONSWIRTSCHAFT Seminararbeit Data-Mining mit neuronalen Netzen und genetischen Algorithmen für BI JOHANNES MAJER Betreuer: Priv.Doz. Dr. Michael Hahsler

Mehr

IBM SPSS Neural Networks

IBM SPSS Neural Networks IBM SPSS Neural Networks Neue Tools für die Erstellung von Vorhersagemodellen Highlights Untersuchen subtiler oder verdeckter Muster in den Daten Erstellen leistungsfähigerer Modelle Keine Programmierung

Mehr

Evolutionäre und genetische Algorithmen

Evolutionäre und genetische Algorithmen Proseminar SS 2002: Evolutionäre und genetische Algorithmen Thema: Optimierung von neuronalen Netzen Referent: Thorsten Kaufmann 1 Inhaltsverzeichnis: 1. Grundlagen und Aufbau von neuronalen Netzen S.

Mehr

Technische Universität München. und Künstliche Intelligenz. Diplomarbeit. Parallelimplementierung von rekurrenten selbstorganisierenden Karten

Technische Universität München. und Künstliche Intelligenz. Diplomarbeit. Parallelimplementierung von rekurrenten selbstorganisierenden Karten Technische Universität München Lehrstuhl für Kommunikationsnetze Prof. Dr.-Ing. Jörg Eberspächer Lehrstuhl für Theoretische Informatik und Künstliche Intelligenz Prof. Dr. Dr. h.c. Wilfried Brauer Diplomarbeit

Mehr

Mortalitätsschätzungen in ungleichaltrigen Fichtenwäldern mit Hilfe Neuronaler Netze

Mortalitätsschätzungen in ungleichaltrigen Fichtenwäldern mit Hilfe Neuronaler Netze Mortalitätsschätzungen in ungleichaltrigen Fichtenwäldern mit Hilfe Neuronaler Netze Hubert Hasenauer 1 und Dieter Merkl 2 Abstract Within forest growth modeling it is understood that individual tree mortality

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

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

Kernel, Perceptron, Regression. Erich Schubert, Arthur Zimek. 2014-07-20 KDD Übung

Kernel, Perceptron, Regression. Erich Schubert, Arthur Zimek. 2014-07-20 KDD Übung Kernel, Perceptron, Regression Erich Schubert, Arthur Zimek Ludwig-Maximilians-Universität München 2014-07-20 KDD Übung Kernel-Fukctionen Kernel kann mehrdeutig sein! Unterscheidet zwischen: Kernel function

Mehr

Bachelorarbeit. Sven Lund Optimierung von Neuronalen Netzen mit Hilfe Genetischer Algorithmen

Bachelorarbeit. Sven Lund Optimierung von Neuronalen Netzen mit Hilfe Genetischer Algorithmen Bachelorarbeit Sven Lund Optimierung von Neuronalen Netzen mit Hilfe Genetischer Algorithmen Fakultät Technik und Informatik Studiendepartment Informatik Faculty of Engineering and Computer Science Department

Mehr

Numerisches Programmieren

Numerisches Programmieren Technische Universität München SS 2012 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Alexander Breuer Dipl-Math Dipl-Inf Jürgen Bräckle Dr-Ing Markus Kowarschik Numerisches

Mehr

Folge 19 - Bäume. 19.1 Binärbäume - Allgemeines. Grundlagen: Ulrich Helmich: Informatik 2 mit BlueJ - Ein Kurs für die Stufe 12

Folge 19 - Bäume. 19.1 Binärbäume - Allgemeines. Grundlagen: Ulrich Helmich: Informatik 2 mit BlueJ - Ein Kurs für die Stufe 12 Grundlagen: Folge 19 - Bäume 19.1 Binärbäume - Allgemeines Unter Bäumen versteht man in der Informatik Datenstrukturen, bei denen jedes Element mindestens zwei Nachfolger hat. Bereits in der Folge 17 haben

Mehr

Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern

Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern Björn Burow SE Mustererkennung in Bildern und 3D-Daten Lehrstuhl Graphische Systeme BTU Cottbus Inhaltsübersicht

Mehr

So lernt das Gehirn. Kleines ABC der Neuronen

So lernt das Gehirn. Kleines ABC der Neuronen So lernt das Gehirn Kleines ABC der Neuronen Neuronen und Synapsen Wer das Gehirn und Lernen verstehen möchte, kommt ohne einen Blick auf dessen Grundbausteine, die Nervenzellen (Neuronen) nicht aus. Zellkörper,

Mehr

If you have any issue logging in, please Contact us Haben Sie Probleme bei der Anmeldung, kontaktieren Sie uns bitte 1

If you have any issue logging in, please Contact us Haben Sie Probleme bei der Anmeldung, kontaktieren Sie uns bitte 1 Existing Members Log-in Anmeldung bestehender Mitglieder Enter Email address: E-Mail-Adresse eingeben: Submit Abschicken Enter password: Kennwort eingeben: Remember me on this computer Meine Daten auf

Mehr

Uwe Lämmel. Data-Mining mittels künstlicher neuronaler Netze. Heft 07 / 2003 W D P. Wismarer Diskussionspapiere / Wismar Discussion Papers

Uwe Lämmel. Data-Mining mittels künstlicher neuronaler Netze. Heft 07 / 2003 W D P. Wismarer Diskussionspapiere / Wismar Discussion Papers Fachbereich Wirtschaft Department of Business Uwe Lämmel Data-Mining mittels künstlicher neuronaler Netze Heft 07 / 2003 W D P Wismarer Diskussionspapiere / Wismar Discussion Papers Der Fachbereich Wirtschaft

Mehr

Data Mining Anwendungen und Techniken

Data 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

Mehr

Klassifizierungsmethoden unter Anwendung einer adaptiven Datenmenge zur mobilen Bilderkennung

Klassifizierungsmethoden unter Anwendung einer adaptiven Datenmenge zur mobilen Bilderkennung Klassifizierungsmethoden unter Anwendung einer adaptiven Datenmenge zur mobilen Bilderkennung von Bruns, Erich aus Saarburg Diplomarbeit eingereicht an der Fakultät Medien (Fachbereich Mediensysteme) zum

Mehr

Maschinelles Lernen und Data Mining: Methoden und Anwendungen

Maschinelles Lernen und Data Mining: Methoden und Anwendungen Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge

Mehr

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung Prof. Dr. Gerhard Arminger Dipl.-Ök. Alexandra Schwarz Bergische Universität Wuppertal Fachbereich Wirtschaftswissenschaft Fach Statistik Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten

Mehr

Vorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg 19.04.2011

Vorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg 19.04.2011 Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

Mehr

Grundlagen der Programmierung 2. Parallele Verarbeitung

Grundlagen der Programmierung 2. Parallele Verarbeitung Grundlagen der Programmierung 2 Parallele Verarbeitung Prof. Dr. Manfred Schmidt-Schauÿ Künstliche Intelligenz und Softwaretechnologie 27. Mai 2009 Parallele Algorithmen und Ressourcenbedarf Themen: Nebenläufigkeit,

Mehr

heterogenen Dokumentbeständen

heterogenen Dokumentbeständen IZ-Arbeitsbericht Nr. 20 Einsatz neuronaler Netze als Transferkomponenten beim Retrieval in heterogenen Dokumentbeständen Thomas Mandl November 2000 InformationsZentrum Sozialwissenschaften Lennéstraße

Mehr

Data Mining und maschinelles Lernen

Data Mining und maschinelles Lernen Data Mining und maschinelles Lernen Einführung und Anwendung mit WEKA Caren Brinckmann 16. August 2000 http://www.coli.uni-sb.de/~cabr/vortraege/ml.pdf http://www.cs.waikato.ac.nz/ml/weka/ Inhalt Einführung:

Mehr

Neuronale Netze im Data Mining Ein Studenten-Projekt

Neuronale Netze im Data Mining Ein Studenten-Projekt Global Journal on Engineering Education 2004 UICEE Neuronale Netze im Data Mining Ein Studenten-Projekt Uwe Lämmel Hochschule Wismar, Fachbereich Wirtschaft Philipp-Müller-Straße 21, D-23952 Wismar, Deutschland

Mehr

Prof. Dr. Lars Schmidt-Thieme. Schüler-Universität, 16. April 2015

Prof. Dr. Lars Schmidt-Thieme. Schüler-Universität, 16. April 2015 Können Computer denken? Prof. Dr. Lars Schmidt-Thieme Information Systems and Machine Learning Lab (ISMLL) Institut für Informatik Universität Hildesheim Schüler-Universität, 16. April 2015 Lars Schmidt-Thieme,

Mehr

Räumliches Data Mining

Räumliches Data Mining Räumliches Data Mining Spatial Data Mining Data Mining = Suche nach "interessanten Mustern" in sehr großen Datensätzen => explorative Datenanlyse auch: Knowledge Discovery in Databases (KDD) verbreitete

Mehr

Hallo, ich heiße! 1 Hallo! Guten Tag. a Listen to the dialogs. 1.02. b Listen again and read along.

Hallo, ich heiße! 1 Hallo! Guten Tag. a Listen to the dialogs. 1.02. b Listen again and read along. We will learn: how to say hello and goodbye introducing yourself and others spelling numbers from 0 to 0 W-questions and answers: wer and wie? verb forms: sein and heißen Hallo, ich heiße! Hallo! Guten

Mehr

Eingebettete Überwachung mit MIDAS boom

Eingebettete Überwachung mit MIDAS boom Anwenderfall Eingebettete Überwachung mit MIDAS boom IT-Überwachung und das Internet der Dinge". Inhalt Situation... 3 Lösung... 4 Kontakt... 6 Blue Elephant Systems... 6 Copyright... 6 BLUE ELEPHANT SYSTEMS

Mehr

Artificial Life und Multiagentensysteme

Artificial Life und Multiagentensysteme Vortrag im Rahmen des Seminars: Artificial Life und Multiagentensysteme Prof. Dr. Winfried Kurth Sommersemester 2003 Prognose von Zeitreihen mit GA/GP Mathias Radicke, Informatikstudent, 10. Semester Gliederung

Mehr

Data Mining - Wiederholung

Data 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-)

Mehr

Synthesis for Low Power Design

Synthesis for Low Power Design Synthesis for Low Power Design Prof. Thomas Troxler Hochschule Rapperswil Abstract Power optimization at high levels of abstraction has a significant impact on reduction of power in the final gate-level

Mehr

Unterrichtsplanung mit den niedersächsischen Curricularen Vorgaben für das Profil Technik an Realschulen

Unterrichtsplanung mit den niedersächsischen Curricularen Vorgaben für das Profil Technik an Realschulen Stoffverteiler für Praxis Technik Niedersachsen (978-3-14-116123-6) Unterrichtsplanung mit den niedersächsischen Curricularen Vorgaben für das Profil Technik an Realschulen Beispielplanungen für das zweistündige

Mehr

PROCMON. Performance und Condition Monitoring komplexer verfahrenstechnischer Prozesse. Christian W. Frey. christian.frey@iosb.fraunhofer.

PROCMON. Performance und Condition Monitoring komplexer verfahrenstechnischer Prozesse. Christian W. Frey. christian.frey@iosb.fraunhofer. PROCMON Performance und Condition Monitoring komplexer verfahrenstechnischer Prozesse Christian W. Frey 2011 PROCMON Performance und Condition Monitoring komplexer verfahrenstechnischer Prozesse 1. Motivation

Mehr

Vorhersage des Wasserstandes eines Baches aus lokalen Wetterdaten mit einem künstlichen neuronalen Netz

Vorhersage des Wasserstandes eines Baches aus lokalen Wetterdaten mit einem künstlichen neuronalen Netz Vorhersage des Wasserstandes eines Baches aus lokalen Wetterdaten mit einem künstlichen neuronalen Netz Maturaarbeit von Raphael Jaeggi 1. Korrektor : B.Bollinger Mathematik-Gymnasiallehrer der kath. Schule

Mehr

Vorlesung 3 MINIMALE SPANNBÄUME

Vorlesung 3 MINIMALE SPANNBÄUME Vorlesung 3 MINIMALE SPANNBÄUME 72 Aufgabe! Szenario: Sie arbeiten für eine Firma, die ein Neubaugebiet ans Netz (Wasser, Strom oder Kabel oder...) anschließt! Ziel: Alle Haushalte ans Netz bringen, dabei

Mehr

Kybernetik LTI-Systeme

Kybernetik LTI-Systeme Kybernetik LTI-Systeme Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 26. 04. 2012 Was ist Kybernetik? environment agent Kybernetik ermöglicht, die Rückkopplung

Mehr

Spam Filtering Algorithmen. Referent: Stephan Ziegenaus

Spam Filtering Algorithmen. Referent: Stephan Ziegenaus Spam Filtering Algorithmen Referent: Stephan Ziegenaus Index Definition Spam Zahlen Adressquellen der Spamversender Whitelisting Blacklisting Content Filtering Distributed Checksum Clearinghouse (DCC)

Mehr

Einführung in die Robotik Regelung. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 04. 12.

Einführung in die Robotik Regelung. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 04. 12. Einführung in die Robotik Regelung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 04. 12. 2012 The human is perhaps the most intelligent control system

Mehr

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei

Mehr

Automatische Gesprächsauswertung im Callcenter

Automatische Gesprächsauswertung im Callcenter Einleitung Forschungsbeitrag Automatische Gesprächsauswertung im Callcenter Projekt CoachOST Dipl.-Wirtsch.-Inf. Mathias Walther Prof. Dr. Taïeb Mellouli Lehrstuhl für Wirtschaftsinformatik und Operations

Mehr

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel 3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36

Mehr

Property-Driven Product Development/Design

Property-Driven Product Development/Design Seminar Virtual Engineering Property-Driven Product Development/Design Christoph Semkat Gliederung 1. Grundlagen Rechnerunterstützung Prozess der Produktentwicklung 2. Konzept Property-Driven

Mehr

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Reaktive Systeme und synchrones Paradigma

Reaktive Systeme und synchrones Paradigma Sascha Kretzschmann Freie Universität Berlin Reaktive Systeme und synchrones Paradigma Einführung in das Seminar über synchrone Programmiersprachen Worum geht es? INHALT 2 Inhalt 1. Einleitung - Wo befinden

Mehr

2-fach Binäreingang, UP Typ: 6963 U

2-fach Binäreingang, UP Typ: 6963 U Der 2-fach Binäreingang dient zur Abfrage von 230V-Kontakten und kann in in handelsübliche UP-Dosen oder Feuchtraum-Abzweigdosen eingesetzt werden. Ebenso ermöglicht das Gerät die problemlose Integration

Mehr

Web Mining bei der VICTORIA Versicherung

Web Mining bei der VICTORIA Versicherung KSFE 2002 Web Mining bei der VICTORIA Versicherung Information Works Agenda Web Mining bei der VICTORIA Verfahren Auswertung Fazit Agenda Web Mining bei der VICTORIA Verfahren Auswertung Fazit Ausgangssituation:

Mehr

Kapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete

Kapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.4 Binäre Suche Aufgabenstellung: Rate eine Zahl zwischen 100 und 114! Algorithmus 4.1 INPUT: OUTPUT:

Mehr

Data Mining und Statistik: Gemeinsamkeiten und Unterschiede

Data Mining und Statistik: Gemeinsamkeiten und Unterschiede Universität Ulm Seminararbeit zum Thema Data Mining und Statistik: Gemeinsamkeiten und Unterschiede vorgelegt von: Daniel Meschenmoser betreut von: Dr. Tomas Hrycej Dr. Matthias Grabert Ulm, im Februar

Mehr

eingereicht bei Prof. Dr. Peter Roßbach

eingereicht bei Prof. Dr. Peter Roßbach Bewertung von Investmentfonds mittels Self-Organizing Maps Bachelor-Thesis an der HfB Business School of Finance & Management eingereicht bei Prof. Dr. Peter Roßbach von Peter Wirtz Matrikelnummer: 4077437

Mehr

9 Codes. Hochschule für Angewandte Wissenschaften Hamburg FACHBEREICH ELEKTROTECHNIK UND INFORMATIK DIGITALTECHNIK 9-1

9 Codes. Hochschule für Angewandte Wissenschaften Hamburg FACHBEREICH ELEKTROTECHNIK UND INFORMATIK DIGITALTECHNIK 9-1 9 Codes 9.1 Charakterisierung und Klassifizierung Definition: Das Ergebnis einer eindeutigen Zuordnung zweier Zeichen- bzw. Zahlenmengen wird Code genannt. Die Zuordnung erfolgt über eine arithmetische

Mehr

Vorbereitungsaufgaben

Vorbereitungsaufgaben Praktikum Bildverarbeitung / Bildinformationstechnik Versuch BV 4 / BIT 3: Mustererkennung Paddy Gadegast, CV00, 160967 Alexander Opel, CV00, 16075 Gruppe 3 Otto-von-Guericke Universität Magdeburg Fakultät

Mehr

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5) Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff

Mehr

Thema: Risikomanagement

Thema: Risikomanagement 1.1. Risikomanagement Eine der elementarsten Anforderungen an die Projektplanung ist, durch zielgerichtete Planung mögliche Risiken, die den Projekterfolg in Frage stellen, zu identifizieren und präventiv

Mehr

Kapitel 11* Grundlagen ME. Aufbau eines ME-Systems Entwicklung eines ME-Systems. Kapitel11* Grundlagen ME p.1/12

Kapitel 11* Grundlagen ME. Aufbau eines ME-Systems Entwicklung eines ME-Systems. Kapitel11* Grundlagen ME p.1/12 Kapitel 11* Kapitel11* Grundlagen ME p.1/12 Grundlagen ME Aufbau eines ME-Systems Entwicklung eines ME-Systems Kapitel11* Grundlagen ME p.2/12 Aufbau eines ME-Systems (1) on line Phase digitalisiertes

Mehr

Übungsaufgaben mit Lösungsvorschlägen

Übungsaufgaben mit Lösungsvorschlägen Otto-Friedrich-Universität Bamberg Lehrstuhl für Medieninformatik Prof. Dr. Andreas Henrich Dipl. Wirtsch.Inf. Daniel Blank Einführung in das Information Retrieval, 8. Mai 2008 Veranstaltung für die Berufsakademie

Mehr

Das Magnetfeld der Erde. Stephen Kimbrough Damjan Štrus Corina Toma

Das Magnetfeld der Erde. Stephen Kimbrough Damjan Štrus Corina Toma Das Magnetfeld der Erde Stephen Kimbrough Damjan Štrus Corina Toma Das Magnetfeld der Erde 65 1 Zusammenfassung Warum ist es so wichtig, die Werte des Magnetfelds der Erde zu kennen? Warum untersucht die

Mehr

Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren

Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Ziel Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Einteilung (=Klassifikation) der Pixel eines multispektralen Datensatzes in eine endliche Anzahl von Klassen. Es sollen dabei versucht

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

Grundlagen der Elektro-Proportionaltechnik

Grundlagen der Elektro-Proportionaltechnik Grundlagen der Elektro-Proportionaltechnik Totband Ventilverstärkung Hysterese Linearität Wiederholbarkeit Auflösung Sprungantwort Frequenzantwort - Bode Analyse Der Arbeitsbereich, in dem innerhalb von

Mehr

11. Aufgabenblatt 30.06.2010

11. Aufgabenblatt 30.06.2010 Einführung in Computer Microsystems Sommersemester 2010 Wolfgang Heenes 11. Aufgabenblatt 30.06.2010 Aufgabe 1: Einführung in MatLab/Simulink/Stateflow MatLab 1 ist ein Programm zum wissenschaftlichen,

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

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

Stefan Lucks Krypto und Mediensicherheit (2009) 4: Stromchiffren

Stefan Lucks Krypto und Mediensicherheit (2009) 4: Stromchiffren 4: Stromchiffren Zwei Grundbausteine der symmetrischen Kryptographie: Stromchiffren Verschlüsseln beliebig langer Klartexte, interner Zustand Blockchiffren Verschlüsseln von Blocks einer festen Größe,

Mehr

Data Warehousing im Verkehrsbereich

Data Warehousing im Verkehrsbereich Seminar Data Warehousing im Verkehrsbereich Sommersemester 2003 Knowledge Discovery in Databases & Data Mining Bearbeitung: Kai Goller Betreuer: Matthias Gimbel 1 Inhalt 1. Aufgaben & Ziele 1.1. Ausgangssituation

Mehr

Einblicke ins Hirn Bildgebende Verfahren in Forschung und Medizin

Einblicke ins Hirn Bildgebende Verfahren in Forschung und Medizin Fortbildungsveranstaltung im Rahmen des Programms Neurowissenschaften in der gymnasialen Oberstufe der Neurowissenschaftlichen Gesellschaft e.v. zum Thema Einblicke ins Hirn Bildgebende Verfahren in Forschung

Mehr

0 Einführung: Was ist Statistik

0 Einführung: Was ist Statistik 0 Einführung: Was ist Statistik 1 Datenerhebung und Messung Die Messung Skalenniveaus 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Grundbegriffe Statistische Einheit,

Mehr

Algorithmische Modelle als neues Paradigma

Algorithmische Modelle als neues Paradigma Algorithmische Modelle als neues Paradigma Axel Schwer Seminar über Philosophische Grundlagen der Statistik, WS 2010/11 Betreuer: Prof. Dr. Thomas Augustin München, den 28. Januar 2011 1 / 29 LEO BREIMAN

Mehr

Formalisierte Bonitätsprüfungsverfahren und Credit Scoring 1

Formalisierte Bonitätsprüfungsverfahren und Credit Scoring 1 Prof. Dr. A. Mettler. All rights reserved. No part of this paper may be reproduced without the written permission of the author. Formalisierte Bonitätsprüfungsverfahren und Credit Scoring 1 1. Einleitende

Mehr

Ergebnisse eines BPM/BPEL/BAM-Proof-of-Concept auf Oracle-Basis im Bankenumfeld - BPM, BPEL, generisches BPEL, Oracle PM, Praxiserfahrungen -

Ergebnisse eines BPM/BPEL/BAM-Proof-of-Concept auf Oracle-Basis im Bankenumfeld - BPM, BPEL, generisches BPEL, Oracle PM, Praxiserfahrungen - Ergebnisse eines BPM/BPEL/BAM-Proof-of-Concept auf Oracle-Basis im Bankenumfeld - BPM, BPEL, generisches BPEL, Oracle PM, Praxiserfahrungen - Torsten Winterberg (Opitz CONSULTING GMBH), Mirko Drobietz

Mehr

Transistor-Mismatch bei einem Strom-DAC in 65nm-Technologie

Transistor-Mismatch bei einem Strom-DAC in 65nm-Technologie Electronic Vision(s) Universität Heidelberg Transistor-Mismatch bei einem Strom-DAC in 65nm-Technologie Projektpraktikum Für den Studiengang Bachelor Physik Christian Graf 2011 1 Inhaltsverzeichnis Inhaltsverzeichnis

Mehr