Was bisher geschah. Klassifikation: Zuordnung Merkmal (Symptom) Lösung (Diagnose)
|
|
|
- Thomas Huber
- vor 7 Jahren
- Abrufe
Transkript
1 Was bisher geschah Klassifikation: Zuordnung Merkmal (Symptom) Lösung (Diagnose) M Menge aller Merkmale L Menge aller Lösungen Zuordnung als Relation R M L Zuordnung als Funktion f : M L {0, 1} (charakteristische Funktion der Relation R) sichere Klassifikation: Entscheidungsbaum Entscheidungstabellen heurisische Klassifikation: Zuordnung als Funktion f : M L G mit Menge G von Gewichten
2 Überdeckende Klassifikation Zuordnung Lösung (Diagnose) Merkmal (Symptom) Idee: Lösung verursacht (erfordert, überdeckt) bestimmte Merkmale Beispiele: Bronchitis verursacht Husten, Halsschmerzen, Schluckbeschwerden,... Angina verursacht Halsschmerzen, Schluckbeschwerden, Fieber,... Grippe verursacht Husten, Halsschmerzen, Schnupfen, Fieber,... gegeben: gesucht: Werte der Merkmale Diagnose, welche die meisten beobachteten Merkmalswerte verursacht
3 Überdeckende Klassifikation mit Gewichten Zuordnung Lösung (Diagnose) Merkmal (Symptom) Gewichte zur Darstellung von Häufigkeiten Stärke der Merkmalsausprägung M Menge aller Merkmale L Menge aller Lösungen Zuordnung als Funktion f : L M G Beispiele: Bronchitis verursacht oft Husten, meistens Halsschmerzen, Schluckbeschwerden, manchmal Fieber,... Angina verursacht oft Halsschmerzen, starke Schluckbeschwerden, meistens Fieber,... Grippe verursacht oft Husten, oft Halsschmerzen, oft Schnupfen, öfter Fieber,...
4 Wissensrepräsentation gegeben: gesucht: Werte der Merkmale Diagnose, welche die meisten beobachteten Merkmalswerte verursacht (überdeckt, erklären kann) Ursache: Lösung Wirkung: Merkmal Relevanz der Merkmale: (Frage-Attributtabelle) Abnormität
5 Schließen mit überdeckender Klassifikation Phasen: 1. Generierung eines Verdachtes: Auswahl aller Lösungen, die wenigstens ein Merkmal überdecken 2. Test aller generierten Lösungen: Auswahl derjenigen (oder der Kombination), welche die gegebenen Merkmale am besten überdeckt Verfahren kann Mehrfachdiagnosen erzeugen, falls keine Lösung alle Merkmale erklären kann. Nacheinander werden gesucht: Einfachlösungen, Zweifachlösungen,...
6 Überdeckende Klassifikation in d3web Kausaler Diagnose-Score Anwendung: typische Symptome (Merkmalen) für Diagnosen (Lösungen) bekannt standardisierte Merkmalserfassung (kein Auslösen vertiefender Tests) Merkmale sind einzeln aussagestark Mehrfachlösungen gewünscht Zuordnung Lösung Merkmale mit Häufigkeit {p 7,..., p 0 } (absteigend geordnet) Relevanz (Gewichtung) {G 7,..., G 0 } (absteigend geordnet) Abnormität in der Attributtabelle zu Merkmalen (Fragen)
7 Fallbasierte Klassifikation Idee: Suche nach einem Fall mit ähnlichen Merkmalen in einer Fallsammlung dessen Lösung (oder Lösungsweg) übernehmen oder anpassen Anwendung: hinreichende Anzahl von Fällen (Merkmalsausprägungen) mit Lösungen bekannt (Fallbasis) unvollständiges oder unsicheres Wissen kein Wissen über Zusammenhänge zwischen Merkmalen und Lösungen vorhanden (nicht notwendig) Anpassung mit jedem neuen Fall (Lernfähigkeit) gewünscht Wichtig: geeignete Definition von Ähnlichkeit
8 Fallsammlung Menge M = {m 1,..., m n } von Merkmalen Fallsammlung F = {F 1,..., F m }, von Fällen F i = (m i1,..., m in, l i ) aus demselben Bereich mit Merkmalswerten (m i1,..., m in ) und Lösung l i Beispiele: medizinische Diagnose: Merkmale: Fieber, Halsschmerzen,... Lösungen: Krankheit, Bettruhe, Medikament,... (Regel-Typ) Wohnungssuche: Merkmale: Zimmerzahl, Etage, Heizung, Balkon,... Lösungen: Parameter der vorhandenen Wohnungen (Constraint-typ) sinnvolle Struktur der Fallbasis, um schnelle Suche zu ermöglichen
9 Ähnlichkeit im Fallbasierten Schließen Ähnlichkeit: falls alle Merkmale mit Booleschen Werten und gleich relevant: A(F i, F j ) = {m k m ik = m jk } n bei gewichteten Merkmalen: A(F i, F j ) = n k=1 g k(m ik = m jk ) n Abstand d : F F R: 1. reflexiv: x F : d(x, x) = 0 2. kommutativ: x, y F : d(x, y) = d(y, x) 3. Dreiecksungleichung: x, y F : d(x, y) + d(y, z) d(x, z) Argumente: Merkmalswerte (Problembeschreibung)
10 Beispiel Anfrage P Rücklicht aus Fall: Problem F Vorderlicht aus Audi 80 VW Golf II Baujahr Baujahr 93 Batterie 12.6 V 0.9 Batterie 13.6 V Glühbirnen ok 1.0 Gewichte: Typ, Baujahr: 1, sonst 6 Glühbirnen ok Fall: Lösung Diagnose: Sicherung vorn defekt Maßnahme: Sicherung vorn ersetzen A(P, F) = und Transformation: vorn hinten = 0.86
11 Fallbasiertes Schließen (CBR) gegeben: gesucht: Datenbank (Menge, Fallbasis) von Fällen (Werte der Merkmale, Lösungen) Werte der Merkmale, Lösung im Fall der ähnlichsten Merkmalswerte bei sehr viele vorhandenen Fällen (großer Vergleichsaufwand): Zusammenfassung mehrerer Fälle zu Clustern
12 Fallbasiertes Schließen in d3web Definition von Gewichte G = {g 7,..., g 0 } Ähnlichkeitstypen (individuell, skaliert, Matrix) Ähnlichkeitswerte in der Attributtabelle zu Merkmalen (Fragen)
Fallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994:
Fallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994: 1. Retrieve the most similar case 2. Reuse the solution and other information of the case 3. Revise the proposed
Fallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994:
Fallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994: 1 Retrieve the most similar case 2 Reuse the solution and other information of the case 3 Revise the proposed
Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten)
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Wissensrepräsentation und -verarbeitung in klassischer Aussagenlogik: Entscheidungstabellen,
Inhalt. Wissensbasierte Diagnose Entscheidungsbäume Bayes-Netze Fallbasiertes Schließen Funktionsorientierte Diagnose Modellbasierte Systeme
Inhalt 2 Wissensbasierte Diagnose 3 Diagnose bezeichnet hier das Rückschließen auf mögliche Ursachen, welche zu beobachtbaren Wirkungen führen. Heutige Diagnosesysteme haben gute Diagnosebasisfunktionen,
Boole'sches Modell <is web>
Boole'sches Modell basiert auf Mengentheorie und Boole'scher Algebra sehr einfaches Modell mit klarer Semantik Dokumente als Mengen von Indextermen Termgewichte sind binär: im Dokument enthalten oder nicht
Wissensbasierte Systeme
FH Wedel Prof. Dr. Sebastian Iwanowski WBS6 Folie 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 6: Wissensbasierte Diagnosemethoden im Vergleich FH Wedel Prof. Dr. Sebastian Iwanowski WBS6
Überdeckende Klassifikation
Überdeckende Klassifikation Kernidee: Wissen der Art: Wenn Lösung dann Merkmal (mit Häufigkeit) Lösungsauswahl: Wähle die Lösung, die die beobachteten Merkmale am besten erklären (überdecken) kann. Problemmerkmale
Indexvokabular {Korsika, Sardinien, Strand, Ferienwohnung, Gebirge} Verknüpfung von Enthaltenseinsbedingungen mittels Boole'scher Junktoren.
Boole'sches Modell Boole'sches Modell: Beispiel basiert auf Mengentheorie und Boole'scher Algebra sehr einfaches Modell mit klarer Semantik Dokumente als Mengen von Indextermen Termgewichte sind binär:
Kapitel MK:V. V. Diagnoseansätze
Kapitel MK:V V. Diagnoseansätze Diagnoseproblemstellung Diagnose mit Bayes Evidenztheorie von Dempster/Shafer Diagnose mit Dempster/Shafer Truth Maintenance Assumption-Based TMS Diagnosis Setting Diagnosis
Kapitel 2. Mittelwerte
Kapitel 2. Mittelwerte Im Zusammenhang mit dem Begriff der Verteilung, der im ersten Kapitel eingeführt wurde, taucht häufig die Frage auf, wie man die vorliegenden Daten durch eine geeignete Größe repräsentieren
1. Problembereich besteht aus:
Problemklassen Diagnostik (Klassifikation): Die Lösung wird aus einer Menge vorgegebener Alternativen ausgewählt. Konstruktion: Die Lösung wird aus einer Menge vorgegebener Bausteine zusammengesetzt. Simulation:
Problemklassen. Diagnostik (Klassifikation): Die Lösung wird aus einer Menge vorgegebener Alternativen ausgewählt.
Problemklassen Diagnostik (Klassifikation): Die Lösung wird aus einer Menge vorgegebener Alternativen ausgewählt. Konstruktion: Die Lösung wird aus einer Menge vorgegebener Bausteine zusammengesetzt. Simulation:
Ähnlichkeits- und Distanzmaße
Einheit 1 Ähnlichkeits- und Distanzmaße IFAS JKU Linz c 2015 Multivariate Verfahren 1 0 / 41 Problemstellung Ziel: Bestimmung von Ähnlichkeit zwischen n Objekten, an denen p Merkmale erhoben wurden. Die
Case-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
6 Distanzfunktionen (2) 6 Distanzfunktionen. 6.1 Eigenschaften und Klassifikationen. Einführung
6 en 6 en (2) 1. Eigenschaften und Klassifikation 2. en auf Punkten Minkowski L m Gewichtete Minkowski L m w Quadratische d q Quadratische Pseudo Dynamical Partial Semi Pseudo Chi Quadrat Semi Pseudo Kullback
6 Distanzfunktionen. Quadratische Pseudo. 1. Eigenschaften und Klassifikation
6 Distanzfunktionen 1. Eigenschaften und Klassifikation 2. Distanzfunktionen auf Punkten Minkowski Distanzfunktion L m Gewichtete Minkowski Distanzfunktion L m w Quadratische Distanzfunktion d q Quadratische
achsenparallele Stauchung und Streckung durch Gewichte :
Gewichtete Minkowski-Distanzfunktion achsenparallele Stauchung und Streckung durch Gewichte : Forderung: staab@uni-koblenz.de 1 Einheitskreis Translationsinvarianz keine Skalierungsinvarianz keine Rotationsinvarianz
Empirische Verteilungsfunktion
Empirische Verteilungsfunktion H(x) := Anzahl der Werte x ist. Deskriptive
Inverse und implizite Funktionen
Kapitel 8 Inverse und implizite Funktionen Josef Leydold Mathematik für VW WS 2017/18 8 Inverse und implizite Funktionen 1 / 21 Inverse Funktion Sei f : D f R n W f R m, x y = f(x). Eine Funktion f 1 :
Was bisher geschah Wissensrepräsentation und -verarbeitung in Zustandsübergangssystemen Constraint-Systemen Logiken Repräsentation von Mengen
Was bisher geschah Wissensrepräsentation und -verarbeitung in Zustandsübergangssystemen Constraint-Systemen Logiken Repräsentation von Mengen aussagenlogischer Regeln: Wissensbasis (Kontextwissen): Formelmenge,
Übungen zu Multimedia-Datenbanken Aufgabenblatt 4 - Musterlösungen
Übungen zu Multimedia-Datenbanken Aufgabenblatt 4 - Musterlösungen Übung: Dipl.-Inf. Tina Walber Vorlesung: Dr.-Ing. Marcin Grzegorzek Fachbereich Informatik, Universität Koblenz Landau Ausgabe: 31.0.2010
5. Clusteranalyse. Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer Clusterstruktur kennen, verschiedene
5. Clusteranalyse Vorbemerkungen. 5. Clusteranalyse. Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Vorbemerkungen 5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer
2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 25 26 28
8 Einführung in Expertensysteme
8 Einführung in Expertensysteme 24. Vorlesung: Problemlösungsmethoden in Expertensystemen Problemklassen: abstrakte Zusammenfassung von Aufgabenstellungen, die sich in Bezug auf die Natur des Problemlöseprozesses
Problemklassen. Diagnostik (Klassifikation): Die Lösung wird aus einer Menge vorgegebener Alternativen ausgewählt.
Problemklassen Diagnostik (Klassifikation): Die Lösung wird aus einer Menge vorgegebener Alternativen ausgewählt. Konstruktion: Die Lösung wird aus einer Menge vorgegebener Bausteine zusammengesetzt. Simulation:
Inhalt. 6.1 Motivation. 6.2 Klassifikation. 6.3 Clusteranalyse. 6.4 Asszoziationsanalyse. Datenbanken & Informationssysteme / Kapitel 6: Data Mining
6. Data Mining Inhalt 6.1 Motivation 6.2 Klassifikation 6.3 Clusteranalyse 6.4 Asszoziationsanalyse 2 6.1 Motivation Data Mining and Knowledge Discovery zielt darauf ab, verwertbare Erkenntnisse (actionable
Kapitel 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
Prüfung aus Statistik 1 für SoziologInnen
Prüfung aus Statistik 1 für SoziologInnen Gesamtpunktezahl =80 Prüfungsdauer: 2 Stunden Name in Blockbuchstaben: Matrikelnummer: 1) Wissenstest (maximal 20 Punkte) Kreuzen ( ) Sie die jeweils richtige
Biomathematik für Mediziner
Institut für Medizinische Biometrie, Informatik und Epidemiologie der Universität Bonn (Direktor: Prof. Dr. Max P. Baur) Biomathematik für Mediziner Klausur SS 2002 Aufgabe 1: Franz Beckenbauer will, dass
T = {t 1,..., t n } sei die Menge der Terme. D = {d 1,..., d m } sei die Menge der Dokumente.
Vektorraummodell T = {t 1,..., t n } sei die Menge der Terme. D = {d 1,..., d m } sei die Menge der Dokumente. Dokumente und Anfragen werden als Vektoren in einem Vektorraum aufgefaßt. Der Vektorraum wird
Mein Kind ist krank Asthma und spastische Bronchitis, was tun?
Mein Kind ist krank Asthma und spastische Bronchitis, was tun? Asthma und spastische Bronchitis 2 Was ist das? Asthma ist die häufigste chronische Krankheit bei Schulkindern. Spastische Bronchitis tritt
Statistik Einführung // Kategoriale Daten 10 p.2/26
Statistik Einführung Kategoriale Daten Kapitel 10 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Kategoriale Daten
Neue Grippe A/H1N1 ( Schweinegrippe ) in Krippen und Horten
Schulgesundheitsdienste Parkring 4 Postfach 8027 Zürich Tel 044 413 85 11 Fax 044 413 88 48 www.stadt-zuerich.ch/schulgesundheitsdienste Ihre Kontaktperson: daniel.frey@schulen.zuerich.ch An die Eltern
Erweitertes boolsches Retrieval
Erweitertes boolsches Retrieval In diesem Unterabschnitt werden andere Ansätze zur Verbesserung des boolschen Retrievals vorgestellt. Im Gegensatz zum Vektorraummodell wird bei diesen Ansätzen versucht,
Jedes Jahr sterben in der EU mehr als Menschen daran!
Durch den falschen Einsatz von Antibiotika entwickeln sich antibiotikaresistente Bakterien. Jedes Jahr sterben in der EU mehr als 25.000 Menschen daran! Antibiotika sind keine Bonbons! Der falsche Einsatz
Ja Nein Weiß nicht. Keine 1-mal 2-mal 3-4-mal Mehr als 4-mal Weiß nicht
Start der Befragung S1 Datum S2 Uhrzeit T T MM J JJJ IN0 Std. Min. Sind Sie seit dem Ausfüllen des ersten Fragebogens zu Infektionskrankheiten vor ca. einer Woche neu an einer der folgenden Krankheiten
Kapitel 4: Das Überdeckungsproblem
Kapitel : Das Überdeckungsproblem Kapitel Das Überdeckungsproblem Kapitel : Das Überdeckungsproblem Seite / 25 Kapitel : Das Überdeckungsproblem Inhaltsverzeichnis. Überdeckungsmatrizen.2 Minimalüberdeckungen.
Clustering 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
Was bisher geschah. Aufgaben: Diagnose, Entscheidungsunterstützung Aufbau Komponenten und Funktion
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Wissensrepräsentation und -verarbeitung: Wissensbasis Kontextwissen Problemdarstellung fallspezifisches Wissen repräsentiert
Lösungshinweise zu Kapitel 6
L-58 Lösungshinweise zu Kapitel 6 zu Selbsttestaufgabe 6.6 (Problembeschreibung) Zu diesem recht komplexen Problem gibt es viele verschiedene Beschreibungen, die unterschiedliche Aspekte hervorheben. Eine
Mein Kind ist krank Halsschmerzen, was tun?
Mein Kind ist krank Halsschmerzen, was tun? Halsschmerzen 2 Was sind Halsschmerzen? In 80 Prozent der Fälle werden Halsschmerzen durch eine virale Angina verursacht und sind oft begleitet von Schnupfen,
ADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 24. April 2019 [Letzte Aktualisierung: 24/04/2019,
ANTIBIOTIKA WIRKEN NICHT GEGEN VIREN! Keine Antibiotika gegen Viren
ANTIBIOTIKA GEGEN VIREN! Keine Antibiotika gegen Viren ANTIBIOTIKA- KEINE WIRKUNG GEGEN VIREN! Eine ansteckende Krankheit (Infektionskrankheit) kann durch einen VIRUS, ein BAKTERIUM oder andere Mikroorganismen
Fraktale Landschaften. Das Erstellen von Bergen und Wolken mit Hilfe von zwei verschiedenen Methoden
Fraktale Landschaften Das Erstellen von Bergen und Wolken mit Hilfe von zwei verschiedenen Methoden Midpoint Displacement Zur Erzeugung des Grundgitters verwendet man das Midpoint Displacement. Dadurch
Regelverwaltung: Splittbuchungsregel
Software Thema Version / Datum WISO Mein Geld Regelverwaltung: Splittbuchungsregel V 1.0 / 26.08.2008 Die Regelverwaltung bietet Ihnen eine automatisierte Bearbeitung für wiederkehrende Vorgänge, wenn
8. Entscheidungsunterstützende Programme
8. Entscheidungsunterstützende Programme Einteilungen nach verschiedenen Kriterien Historische Perspektive Wissensarten und Wissensakquisition Beispielsysteme: QMR und EON Trends Medizinische Informatik
Kreisdiagramm, Tortendiagramm
Kreisdiagramm, Tortendiagramm Darstellung der relativen (absoluten) Häufigkeiten als Fläche eines Kreises Anwendung: Nominale Merkmale Ordinale Merkmale (Problem: Ordnung nicht korrekt wiedergegeben) Gruppierte
Warum verschreibt mir mein Arzt kein Antibiotikum?
Warum verschreibt mir mein Arzt kein Antibiotikum???? DD-Bionorica-Patientenbroschu re Antibiotikavermeidung 2018 Q1-2017 12 20-DD.indd 1 Bei Atemwegsinfektionen sind Antibiotika meist wirkungslos Was
Das Lennox- Gastaut-Syndrom
Prof. Dr. med. Ulrich Stephani Das Lennox- Gastaut-Syndrom Diagnose, Behandlung und Unterstützung im Alltag Inhalt Vorwort 5 Was ist das Lennox-Gastaut-Syndrom? 6 Was ist Epilepsie? 6 Was ist ein Epilepsiesyndrom?
Medizinisches Beispiel
Problemstellung Stimmen zwei oder mehrere Beobachter in ihrer Einschätzung überein? (im engl.: rater agreement oder interrater agreement) Beispiel: Zwei Professoren beurteilen die Referate oder Seminararbeiten
Keine Antibiotika! Setzen Sie Ressourcen richtig ein! Bei Erkältung oder Grippe? Informationsbroschüre. Eine europäische Initiative für die Gesundheit
Informationsbroschüre Setzen Sie Ressourcen richtig ein! Bei Erkältung oder Grippe? Keine Antibiotika! z6creation.net Eine europäische Initiative für die Gesundheit Bei Erkältung oder Grippe? Keine Antibiotika!
Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Diagnoseziel Klassifikation
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Diagnoseziel Klassifikation sicher heuristisch überdeckend Entscheidungstabellen
"Empfehlungen zum Verhalten im Verdachts- und Krankheitsfall"
Bürgerinformation zu Influenza A/H1N1 (Schweinegrippe): "Empfehlungen zum Verhalten im Verdachts- und Krankheitsfall" Köln (30. Juli 2009) - Angesichts der weiteren Verbreitung der Influenza A/H1N1 (so
Modellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
Modellbasierte Diagnosesysteme
Modellbasierte Diagnosesysteme Diagnose: Identifikation eines vorliegenden Fehlers (Krankheit) auf der Basis von Beobachtungen (Symptomen) und Hintergrundwissen über das System 2 Arten von Diagnosesystemen:
Regelverwaltung: Splittbuchungsregel Version / Datum V 1.0 /
Software WISO Mein Geld Thema Regelverwaltung: Splittbuchungsregel Version / Datum V 1.0 / 25.09.2009 Die Regelverwaltung bietet Ihnen eine automatisierte Bearbeitung für wiederkehrende Vorgänge, wenn
Kapitel MK:V. V. Diagnoseansätze
Kapitel MK:V V. Diagnoseansätze Diagnoseproblemstellung Diagnose mit Bayes Evidenztheorie von Dempster/Shafer Diagnose mit Dempster/Shafer Truth Maintenance Assumption-Based TMS Diagnosis Setting Diagnosis
Periodisches Fieber mit Aphthöser Stomatitis, Pharyngitis und Adenitis (PFAPA)
www.printo.it/pediatric-rheumatology/de/intro Periodisches Fieber mit Aphthöser Stomatitis, Pharyngitis und Adenitis (PFAPA) Version von 2016 1. ÜBER PFAPA 1.1 Was ist das? PFAPA steht für periodisches
Interviewtechniken. Inferenz Wissensbasis. Wissensingenieur. Experte
Wissenserwerb Interviewtechniken Experte Wissensingenieur Inferenz Wissensbasis Wissenserwerbsprogramme Experte Editorprogramm Inferenz Wissensbasis Regeleditor Texteditor Prüfprogramme Testumgebung Automatischer
Zusammenhängen und Eigenschaften durch Relationen
Was bisher geschah Modellierung von Aussagen durch Logiken Daten durch Mengen Folgen Sprachen Zusammenhängen und Eigenschaften durch Relationen Definition, Beispiele Operationen auf Relationen: inverse
Korrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
4. Kumulierte Häufigkeiten und Quantile
4. Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen 1 4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen
Entscheidungen bei der Durchführung einer Cluster-Analyse
7712Clusterverfahren Entscheidungen bei der Durchführung einer Cluster-Analyse nach: Eckes, Thomas, und Helmut Roßbach, 1980: Clusteranalysen; Stuttgart:Kohlhammer A. Auswahl der Merkmale Festlegung des
Massnahme bei Schweinegrippe-Verdacht
Massnahme bei Schweinegrippe-Verdacht Die pandemische Grippe (H1N1), bisher auch Schweinegrippe genannt, wird durch ein neuartiges Virus verursacht, das sich leicht von Mensch zu Mensch überträgt. Die
Beim Arzt/In der Apotheke Gespräche
Gesundheit und Sucht Beim Arzt/In der Aptheke Gespräche Mgr. Aleej Kkrev Gymnázium Cheb 2006 Název: úvd (1 z 13) Zehn Uhr dreißig. Ja, gut. Reimann. Guten Tag. Haben Sie diese Wche nch einen Termin frei
1 Boolesches Retrieval (2)
2. Übung zur Vorlesung Internet-Suchmaschinen im Sommersemester 2009 mit Lösungsvorschlägen Prof. Dr. Gerd Stumme, M.Sc. Wi-Inf. Beate Krause 06. Mai 2009 1 Boolesches Retrieval (2) Eine Erweiterung des
4. Kumulierte Häufigkeiten und Quantile
4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen interessiert, sondern an der Häufigkeit von Intervallen. Typische Fragestellung:
Statistik I für Betriebswirte Vorlesung 10
Statistik I für Betriebswirte Vorlesung 10 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. Juni 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 10 Version: 13.
Kapitel 1 Beschreibende Statistik
Beispiel 1.5: Histogramm (klassierte erreichte Punkte, Fortsetzung Bsp. 1.1) 0.25 0.2 Höhe 0.15 0.1 0.05 0 0 6 7 8,5 10 11 erreichte Punkte Dr. Karsten Webel 24 Beispiel 1.5: Histogramm (Fortsetzung) Klasse
Statistische Kennzahlen für die Lage
Statistische Kennzahlen für die Lage technische universität ach der passenden grafischen Darstellung der Werte eines Merkmals auf der Gesamtheit der Beobachtungen interessieren jetzt geschickte algebraische
3. Relationen. 3.1 Kartesische Produkte 3.2 Zweistellige Relationen 3.3 Äqivalenzrelationen 3.4 Halbordnungen 3.5 Hüllen. Rolf Linn. 3.
3. Relationen 3.1 Kartesische Produkte 3.2 Zweistellige Relationen 3.3 Äqivalenzrelationen 3.4 Halbordnungen 3.5 Hüllen 3. Relationen GM 3-1 Wozu Relationen? Mathematik Theoretische Informatik Kryptographie
Untersuchung der Sprachkonformität und Vollständigkeit von UML 2.0 Werkzeugen
Armin Bolz 5. März 2007 Institut für Programmiermethodik und Compilerbau Untersuchung der Sprachkonformität und Vollständigkeit von UML 2.0 Werkzeugen Seite 2 Motivation Teilweise eklatante Missachtung
Pflegediagnosen. Pflegediagnosen vs. Medizinische Diagnosen
Pflegediagnosen Von der Theorie in die Praxis Diagnostik in der APP Pflegediagnosen vs. Medizinische Diagnosen Diagnose kommt aus dem Griechischen und heiß Unterscheiden Diagnostizieren ist die erlernbare
Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und
Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Ausgaben Aktivierungsfunktionen: Schwellwertfunktion
Dr. Markus Quintela Schneider Facharzt für Allgemeinmedizin & Klassische Homöopathie
Dr. Markus Quintela Schneider Facharzt für Allgemeinmedizin & Klassische Homöopathie KLASSISCHE HOMÖOPATHIE Allgemeine Einführung Hahnemann und die Hömopathie Was ist das eigentlich: Materia medica, Repertorisation,
wirkt in jeder Phase der Erkältung unterstützt den Körper bei der Abwehr von Erkältungserregern mildert den Erkältungsverlauf
Erkältet? Imupret N 7 che heimis nzen a Heilpfl wirkt in jeder Phase der Erkältung unterstützt den Körper bei der Abwehr von Erkältungserregern mildert den Erkältungsverlauf gen s bei Erkältun p ip T n
Modell und Implementierung einer temporalen Anfragesprache
Modell und Implementierung einer temporalen Anfragesprache Seminar Information Retrieval WS 2010/11 Agenda Motivation Hintergrund Modell der temporalen Anfragesprache Implementierung der temporalen Anfragesprache
Arzt. Weiterbehandlung nach ärztlichem Rat. Produktiver Husten mit zähem Schleim. Schleimlösung durch Expektoranzien und Sekretolytika
Akute Hustensymptome; produktiver Husten mit Auswurf; trockener Reizhusten in Kombination mit typischen Erkältungssymptomen (s.s. 79) Chronischer Husten (auch Hüsteln oder Räuspern) in gleich bleibender
Statistik I für Betriebswirte Vorlesung 10
Statistik I für Betriebswirte Vorlesung 10 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 13. Juni 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Anhang 1: KAUSALITÄTSBEWERTUNG UNERWÜNSCHTER WIRKUNGEN, DIE DURCH KOSMETISCHE MITTEL VERURSACHT WERDEN
Anhang 1: KAUSALITÄTSBEWERTUNG UNERWÜNSCHTER WIRKUNGEN, DIE DURCH KOSMETISCHE MITTEL VERURSACHT WERDEN ZUSAMMENFASSUNG Eine Gruppe von Sachverständigen hat eine Kausalitätsbewertungsmethode für unerwünschte
Inverse und implizite Funktionen
Kapitel 8 Inverse und implizite Funktionen Josef Leydold Mathematik für VW WS 2017/18 8 Inverse und implizite Funktionen 1 / 21 Inverse Funktion Sei f : D f R n W f R m, x y f(x). Eine Funktion f 1 : W
Influenza A+B EINFACH SCHNELL PRAKTISCH. Sind Sie an einer Grippe erkrankt? Fragen Sie Ihren Arzt nach dem Influenza Schnelltest
Welche Vorteile bietet bionexia Influenza A+B? bionexia Influenza A+B Test ist ein Schnelltest, der Ihrem Arzt eine rasche Diagnose auf Influenza ermöglicht. Typ A und Typ B werden mit nur einem Test diagnostiziert
Farbmomente. Christoph Sommer Seminar Inhaltsbasierte Bildsuche
Farbmomente Seminar Inhaltsbasierte Bildsuche Farbmomente Einleitung und Motivation Statistische Momente Geometrische Momente Macht der Momente Hu-Momente Orthogonale Basen für Momente Generalisierte Farbmomente
Das Lennox-Gastaut-Syndrom
Das Lennox-Gastaut-Syndrom Diagnose, Behandlung und Unterstützung im Alltag von Ulrich Stephani 1. Auflage Das Lennox-Gastaut-Syndrom Stephani schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG
Multimedia-Datenbanken im SS 2010 Ähnlichkeitsmaße II
Multimedia-Datenbanken im SS 2010 Ähnlichkeitsmaße II Dr.-Ing. Marcin Grzegorzek 22.06.2010 Inhalte und Termine 1. Einführung in MMDB 1.1 Grundlegende Begriffe 1.2 Suche in einem MMDBS 1.3 MMDBMS-Anwendungen
Schützen auch Sie sich vor der Grippe. Grippe? Wir sind geimpft.
Schützen auch Sie sich vor der Grippe Grippe? Wir sind geimpft. Kenne ich die Grippe? Die Grippe (Influenza) ist eine Viruserkrankung, die unter bestimmten Bedingungen einen schweren, zum Teil sogar lebensbedrohenden
Algorithmen auf Sequenzen Paarweiser Sequenzvergleich: Alignments
Algorithmen auf Sequenzen Paarweiser Sequenzvergleich: Alignments Sven Rahmann Genominformatik Universitätsklinikum Essen Universität Duisburg-Essen Universitätsallianz Ruhr Einführung Bisher: Berechnung
Einführung in die Ähnlichkeitsmessung
Einführung in die Ähnlichkeitsmessung Reading Club SS 2008 Similarity Stefanie Sieber stefanie.sieber@uni-bamberg.de Lehrstuhl für Medieninformatik Otto-Friedrich-Universität Bamberg Agenda Worum geht
Häufigste Fragen und Antworten zu Masern
Gesundheitsamt Häufigste Fragen und Antworten zu Masern Was sind Masern? Masern sind eine sehr ansteckende und weltweit verbreitete Infektion der oberen Atemwege mit dem charakteristischen, typisch roten
Über dieses Buch Die Anfänge Wichtige Begriffe... 21
Inhalt Über dieses Buch... 12 TEIL I Deskriptive Statistik 1.1 Die Anfänge... 17 1.2 Wichtige Begriffe... 21 1.2.1 Das Linda-Problem... 22 1.2.2 Merkmale und Merkmalsausprägungen... 23 1.2.3 Klassifikation
Entscheidungsbäume aus großen Datenbanken: SLIQ
Entscheidungsbäume aus großen Datenbanken: SLIQ C4.5 iteriert häufig über die Trainingsmenge Wie häufig? Wenn die Trainingsmenge nicht in den Hauptspeicher passt, wird das Swapping unpraktikabel! SLIQ:
1 Der Satz von Poincaré-Birkhoff-Witt. 2 Die freie Algebra. 3 Die universell einhüllende Algebra
1 Der Satz von Poincaré-Birkhoff-Witt Darstellungen von assoziativen Algebren sind oft einfacher zu handhaben als Darstellungen von Lie- Algebren. Die universell einhüllende Algebra einer Lie-Algebra hat
Was bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col
Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos mit den Mengen pos von Positionen (Adressen) col von Farben, Intensitäten Aufgaben maschineller Bildverarbeitung: Erzeugung, Wiedergabe,
Klassifikation und Ähnlichkeitssuche
Klassifikation und Ähnlichkeitssuche Vorlesung XIII Allgemeines Ziel Rationale Zusammenfassung von Molekülen in Gruppen auf der Basis bestimmter Eigenschaften Auswahl von repräsentativen Molekülen Strukturell
Patient mit Husten: Klinische Unterscheidung von akuter Bronchitis und Pneumonie
Alkoholmissbrauch Patient mit Husten: Klinische Unterscheidung von akuter Bronchitis und Pneumonie TGAM-Weiterbildung Bronchitis, 19. 11. 2014 Vortrag Herbert Bachler 1 Akute Bronchitis In den ersten Tagen
Universität Ulm Abteilung Künstliche Intelligenz. ExtrAns. Verarbeitung natürlicher, schriftlicher Sprache. C. Bohnacker
UNIVERSITÄT ULM SCIENDO DOCENDO CURANDO Universität Ulm Abteilung Künstliche Intelligenz ExtrAns Verarbeitung natürlicher, schriftlicher Sprache C. Bohnacker Überblick Motivation Einleitung Eigenschaften
P1 Grundlagen der Pathologie. Inhalt. Gesundheit und Krankheit. Terminologie. Krankheitsursachen. Krankheitsverlauf. Ausgang und Folgen der Krankheit
Inhalt Gesundheit und Krankheit Terminologie Krankheitsursachen Krankheitsverlauf Ausgang und Folgen der Krankheit Krankheitsbehandlung Altern und Tod Klinische Untersuchung des Patienten Lernziele Die
Mustererkennung. Übersicht. Unüberwachtes Lernen. (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren Gaussian-Mixture Modelle
Mustererkennung Unüberwachtes Lernen R. Neubecker, WS 01 / 01 Übersicht (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren 1 Lernen Überwachtes Lernen Zum Training des Klassifikators