Kapitel 4: Lernen als Optimierung. Maschinelles Lernen und Neural Computation
|
|
- Hansl Innozenz Vogel
- vor 7 Jahren
- Abrufe
Transkript
1 Kaptel 4: Lernen als Optmerung 71
2 Lernen als Funktonsoptmerung Gegeben: Fehlerfunkton (.a. neg. log Lkelhood) n z.b.: 2 E E ( ) ( ( ) W = f x ; W t ) n = 1 ( ) ( ( ) ( = + ) ( ( W t log f x t f x ) n ; W 1 log 1 n; W = 1 x out Gesucht: Gewchte (Parameter), de Funkton mnmeren Klassscher Fall von Funktonsoptmerung Optmerungstheore 72
3 Fehlerflächen Für Mnmum glt: E E E Gradent E =,, K, = 0 w1 w2 w l 2-dm- Bsp.: Rosenbrock-Funkton, Mnmum be [1 1] Flache Täler möglch, aber auch Sattelpunkte, stele Mnma, etc. 73
4 Gradent der Fehlerfunkton Optmerung basert auf Gradentennformaton: E w = E x x out out w Betrag der Fehlerfunkton Betrag des Netzes Backpropagaton (nach Bshop 1995): effzente Berechnung des Gradenten (Betrag des Netzes): O(W) statt O(W 2 ), sehe p.146f st unabhängg von der gewählten Fehlerfunkton 74
5 Gradentenabstegsverfahren Enfachstes Verfahren: Ändere Gewchte drekt proportonal zum Gradenten klasssche Backpropagaton (lt. NN-Lteratur) Endpunkt nach 100 Schrtten: [-1.11, 1.25], ca flops Langsam, Oszllatonen und sogar Dvergenz möglch 75
6 Gradentenabsteg mt Momentum Momentum= Träghet Δ W + = η E + αδ n 1 W n Endpunkt nach 100 Schrtten: [0.52, 0.26]; ca flops Dämpft manche Oszllatonen, erzeugt aber neue, beschleungt (verglechbar mt rollender Kugel), mmer noch Dvergenz möglch 76
7 Zel: Schrtt bs ns Mnmum n der gewählten Rchtung Approxmaton durch Parabel (3 Punkte) Ev. 2-3 mal wederholen Lne Search Endpunkt nach 100 Schrtten: [0.78, 0.61], ca flops 77
8 Konjugerte Gradenten Problem des Lne Search: neuer Gradent st normal zum alten Nmm Suchrchtung, de Mnmerung n vorherger Rchtung bebehält d t d t+1 w t+1 w t Wesentlch gezelteres Vorgehen Endpunkt nach 18 Schrtten: [0.99, 0.99], ca flops Varante: skalerter konjugerter Gradent 78
9 Entsprcht Parabolod Quadratsche Approxmaton Annäherung der Fläche um enen belebgen Punkt: E T ( w) = E( w *) + ( w w *) E( w *) + ( w w *) H( w w *) + K E H 1 E 1 2 H : ( H) j E = w w Hesse sche Matrx (alle 2. Abletungen) Annäherungswese: w* = w H 1 E Newton Rchtung, zegt drekt Rchtung Mnmum (wenn Fläche quadratsch) Newton Methode j 79
10 Quas-Newton Rechenaufwand für Hesse Matrx enorm Quas-Newton: approxmert de Inverse der Hesse Matrx In Umgebung des Mnmums sehr zelführend In anderen Gegenden kann es auch schlechter sen Errecht her (!) als enzge Methode wrklch das Mnumum Endpunkt nach 34 Schrtten: [1 1], ca flops 80
11 Mehrere Mnma Alle vorgestellten Verfahren snd lokale Optmerer Globale Optmerer: Genetsche Algorthmen, Stochastc Annealng Es kann mehrere (lokale) Mnma geben! Verschedene Mnma können verschedenen Tellösungen entsprechen mehrere Durchläufe mt verschedenen Intalserungen Aber: es gbt auch äquvalente Mnma (durch Permutaton der Hdden Unts und Vertauschen der Vorzechen): M!2 M äquvalente Mnma (be M H.U.) 81
12 Zusammenfassung Gradentenbaserte Verfahren snd mächtge lokale Optmerer Klasssches Backpropagaton (Gradentenabsteg) st das schwächste davon Aber: Backprop heßt effzente Berechnung des Gradenten für neuronale Netze Auch 2. Abletung (Krümmung) nutzbar Drngende Empfehlung: (skalertes) konjugertes Gradenten- oder Quas-Newton-Verfahren verwenden! 82
Kapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
MehrNullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
MehrKapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation
Kaptel 8: Kernel-Methoden SS 009 Maschnelles Lernen und Neural Computaton 50 Ausgangsbass: Perceptron Learnng Rule Δw y = Kf = 0Ksonst K"target" = Kf Rosenblatt (96) Input wrd dazugezählt (abgezogen),
MehrKapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation
Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng
MehrAnwendungsmöglichkeiten von Lernverfahren
Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen
MehrKapitel 2: Klassifikation. Maschinelles Lernen und Neural Computation
Kaptel 2: Klassfkaton Maschnelles Lernen und Neural Computaton 28 En enfacher Fall En Feature, Hstogramme für bede Klassen (z.b. Glukosewert, Dabetes a/nen) Kene perfekte Trennung möglch Entschedung: Schwellwert
MehrNeuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .
Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
Mehr22. Vorlesung Sommersemester
22 Vorlesung Sommersemester 1 Bespel 2: Würfel mt festgehaltener Ecke In desem Fall wählt man den Koordnatenursprung n der Ecke und der Würfel st durch den Berech x = 0 a, y = 0 a und z = 0 a bestmmt De
MehrMulti-Layer Networks and Learning Algorithms
Mult-Layer Networks and Learnng Algorthms 16.12.03 Referent: Alexander Perzylo Betreuer: Martn Bauer Hauptsemnar: Machne Learnng 2 Überblck Mult-Layer Perceptron und Back-Propagaton Hopfeld Netze (Hebb-Regel)
MehrDie Jordansche Normalform
De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Lernen von Rankings
INTELLIGENTE DATENANALYSE IN MATLAB Lernen von Rankngs Lteratur Chrs Burges: Learnng to Rank for Web Search. http://research.mcrosoft.com/en-us/um/bejng/events/lr4r-2007 Markus Wemer et al.: CoFRank. http://www.cofrank.org
MehrWahl auf Bäumen: FireWire
Wahl auf Bäumen: FreWre IEEE 94 Hgh Performance Seral Bus (FreWre) Internatonaler Standard Hochgeschwndgketsbus Transport von dgtalen Audo- und Vdeo-Daten 400 Mbps (94b: 800 MBps... 3200 Mbps) Hot-pluggable
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
MehrNäherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen
Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
MehrNumerische Methoden II
umersche Methoden II Tm Hoffmann 23. Januar 27 umersche Bespele umersche Methoden zur Approxmaton von Dervatpresen: - Trnomsche Gttermethode - Implzte Fnte Dfferenzen - Explzte Fnte Dfferenzen - Crank-colson
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
Mehr16. Vorlesung Sommersemester
16. Vorlesung Sommersemester 1 Das Egenwertproblem In allgemener Form hat das Egenwertproblem de Form A x = λ x, (1) wobe A ene n n-matrx, x en n-dmensonaler Vektor und λ der Egenwert st (n Englsch: egenvector,
MehrTeil XIV. Lösung linearer Gleichungssysteme. Scientific Computing in Computer Science, Technische Universität München
Tel XIV Lösung lnearer Glechungssysteme IN8008, Wntersemester 010/011 89 Gauss Algorthmus Zwe Schrtte: Vorwärtselmnaton und Rückwärtssubsttuton Vorwärtselmnaton Erzeugen ener Stufenform Zelen dürfen mt
MehrDie Leistung von Quicksort
De Lestung von Qucsort Jae Hee Lee Zusammenfassung Der Sorteralgorthmus Qucsort st als ens der effzenten Sorterverfahren beannt. In deser Ausarbetung werden wr sene Komplextät zuerst möglchst präzse schätzen
MehrProf. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik. Codierungstheorie und Kryptographie
Prof. Dr. Jürgen Dassow Otto-von-Guercke-Unverstät Magdeburg Fakultät für Informatk Coderungstheore und Kryptographe Sommersemester 2005 1 2 Inhaltsverzechns 1 Defnton und Charakterserung von Codes 5 1.1
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrDas zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog
60 Kaptel 2. Lneare Optmerung 10 Innere-Punkte-Verfahren Lteratur: Geger, Kanzow, 2002, Kaptel 4.1 Innere-Punkte-Verfahren (IP-Verfahren) oder nteror pont methods bewegen sch m Gegensatz zum Smplex-Verfahren
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrOptimierung 4.3 A2 : Warenhauszentrale a 2 +b 2 =c 2 Materialbörse Mathematik
Zechenerklärung: [ ] - Drücken Se de entsprechende Taste des Graphkrechners! [ ] S - Drücken Se erst de Taste [SHIFT] und dann de entsprechende Taste! [ ] A - Drücken Se erst de Taste [ALPHA] und dann
MehrAndreas Schulz. 18. Juni Lokal- orthogonale Koordinatesysteme Math. Hilfsmittel: Antisymmetrischer Tensor: Kreuzprodukt, Spatprodukt,
Tutorum zur G2 Srker - SS3 Mathematscher Notfallkoffer : Dfferentaloperatoren und Integraton n allgemenen, krummlng-orthogonalen Korrdnatensystemen Andreas Schulz 8. Jun 23 Inhaltsverzechns Bevor es losgeht...
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
Mehr2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.
. Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen
MehrSequential minimal optimization: A fast Algorithm for Training Support Vector machines
Sequental mnmal optmzaton: A fast Algorthm for Tranng Support Vector machnes By John C. Platt (998) Referat von Joerg Ntschke Fall der ncht-trennbaren Tranngs-Daten (/) In der Realtät kommen lnear ncht-trennbare
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
MehrDie Hamilton-Jacobi-Theorie
Kaptel 7 De Hamlton-Jacob-Theore Ausgearbetet von Rolf Horn und Bernhard Schmtz 7.1 Enletung Um de Hamlton schen Bewegungsglechungen H(q, p q k = p k H(p, q ṗ k = q k zu verenfachen, führten wr de kanonschen
MehrNSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.
PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs
Mehr6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren
Inhalt 4 Realserung elementarer Funktonen Rehenentwcklung Konvergenzverfahren 5 Unkonventonelle Zahlenssteme redundante Zahlenssteme Restklassen-Zahlenssteme logarthmsche Zahlenssteme 6 Rechnen mt Zahlen
Mehr4. Energie, Arbeit, Leistung, Impuls
34 35 4. Energe, Arbet, Lestung, Ipuls Zentrale Größen der Physk: Energe E, Enhet Joule ( [J] [N] [kg /s ] Es gbt zwe grundsätzlche Foren on Energe: knetsche Energe: entelle Energe: Arbet, Enhet Joule
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Lernen von Ranngs Lteratur Chrs Burges: Learnng to Ran for Web Search. http://research.mcrosoft.com/en-us/um/bejng/events/lr4r-2007 Marus Wemer at al.: CoFRan. http://www.cofran.org
MehrEntfaltungs-Methoden in der Datenanalyse. Matthias Bartelt Universität Dortmund
Entfaltungs-Methoden n der Datenanalyse Matthas Bartelt Unverstät Dortmund bartelt@physk.un-dortmund.de Matthas Bartelt Astrotelchenphysk-Schule Erlangen 2005 1 Überscht Motvaton Mathematsches Problem
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrI)1. Kinematik. EP WS 2009/10 Dünnweber/Faessler
I)1. Knematk I) Mechank 1.Knematk (Bewegung) 2. Dynamk on Massenpunkten (Enfluss on Kräften) 3. Starre Körper 4.Deformerbare Meden 5. Schwngungen, Wellen, Akustk I)1. Knematk Bewegungslehre (Zel: Quanttate
Mehr=, grad Z(s) = m n = grad N(s).
4 7... Stabltätsprüfung anhand der Übertragungsfunkton (.9) leferte den Zusammenhang zwschen der Gewchtsfunkton g(t) und der Übertragungsfunkton G(s) enes lnearen zetnvaranten Systems G (s) { g ( t)}.
MehrTechnische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Das Cutting Stock-Problem
1 Problem Technsche Unverstät München Zentrum Mathematk Dskrete Optmerung: Fallstuden aus der Praxs Barbara Wlhelm Mchael Rtter Das Cuttng Stock-Problem Ene Paperfabrk produzert Paperrollen der Brete B.
Mehr8. Mathematische Begriffe der Thermodynamik. Basel, 2008
8. Mathematsche Begre der Thermodnamk Basel, 2008 1. Enührung 8. Mathematsche Begre der Thermodnamk 2. Zustandsunktonen mehrerer Varabeln 3. Totales Derental 4. Homogene Funktonen 5. Mengen-Angaben 6.
MehrRotation (2. Versuch)
Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen
MehrDynamisches Programmieren
Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.
MehrChair of Software Engineering
1 2 Enführung n de Programmerung Bertrand Meyer Vorlesung 13: Contaner-Datenstrukturen Letzte Bearbetung 1. Dezember 2003 Themen für dese Vorlesung 3 Contaner-Datenstrukturen 4 Contaner und Genercty Enthalten
Mehr5.3.3 Relaxationsverfahren: das SOR-Verfahren
53 Iteratve Lösungsverfahren für lneare Glechungssysteme 533 Relaxatonsverfahren: das SOR-Verfahren Das vorangehende Bespel zegt, dass Jacob- sowe Gauß-Sedel-Verfahren sehr langsam konvergeren Für de Modellmatrx
MehrZweck. Radiometrische Kalibrierung. Traditioneller Ansatz. Kalibrierung ohne Kalibrierkörper
Raometrsche Kalbrerung Tratoneller Ansatz Kalbrerung aus mehreren Blern Behanlung von übersteuerten Blern Zweck Das Antwortverhalten es Systems Kamera Framegrabber st ncht mmer lnear Grauwerte sn ncht
MehrMinimiere f unter N.B. (10.1a) h j (x)=0, j=1,..., p, g i (x) 0, i=1,..., m.
Kaptel 10 SQP-Methoden Vorbemerkung: SQP-Methoden ( sequental quadratc programmng ) lösen allgemene Optmerungsprobleme unter Nebenbedngungen. Das Verfahren st teratv, und es wrd ene Folge von quadratschen
MehrUniversität Karlsruhe (TH)
Unverstät Karlsruhe (TH) Forschungsunverstät gegründet 825 Parallele Algorthmen I Augaben und Lösungen Pro. Dr. Walter F. Tchy Dr. Vctor Pankratus Davd Meder Augabe () Gegeben se en N-elementger Zahlenvektor
Mehr3. Vorlesung Sommersemester
3. Vorlesung Sommersemester 1 Bespele (Fortsetzung) 1. Der starre Körper: Formulerung der Zwangsbedngungen später. Anschaulch snd schon de Frehetsgrade: dre der Translaton (z. B. Schwerpuntsoordnaten)
Mehr7. Andere Paradigmen. 7.1 Induktive Logik-Programmierung. 7.1 Induktive Logik-Programmierung. 7.1 Induktive Logik-Programmierung
7. ndere Paradgmen Inhalt deses Kaptels 7. Induktve Logk-Programmerung 7. Induktve Logk-Programmerung Enführung [Muggleton & De Raedt 994] Gegeben: Menge von Fakten n ener prädkatenlogschen Sprache. Stufe
MehrDer Erweiterungsfaktor k
Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang
MehrKlassifikation mit dem Perceptron von Rosenblatt. Vom Perceptron zum Multilagen-Perceptron. Error-Backpropagation Lernregel
Neuronale Verfahren zur Funktonsaromaton Klassfkaton mt em Percetron von Rosenblatt Vom Percetron zum Multlagen-Percetron Error-Backroagaton ernregel Raale Bassfunktonen-Netze PD Dr Martn Stetter, Semens
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen
INTELLIGENTE DATENANALYSE IN MATLAB Mathematsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Optmerung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz, Stochastk: Wahrschenlchketstheore,
Mehr3 Das Lanczos Verfahren
Computatonal Physcs III, SS 2014, c Burkhard Bunk, HU Berln 13 3 Das Lanczos Verfahren 3.1 Idee Ausgehend von enem (normerten) Startvektor v 0 soll durch wederholtes Anwenden der (hermteschen) Matrx A
Mehr1 Finanzmathematik. 1.1 Das Modell. Sei Xt
1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd
MehrLineare Optimierung Dualität
Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrKapitel 6: Unüberwachtes Lernen. Maschinelles Lernen und Neural Computation
Kaptel 6: Unüberwachtes Lernen 107 Clusterng Gegeben: ene Menge von Punkten (Bespelen), ungelabelt (.e. Klasse unbekannt) Gesucht: ene Menge von Clustern (Cluster- Zentren), de de Daten möglchst gut beschreben
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
MehrGitterbasierte Kryptosysteme (Ajtai-Dwork, Regev) Sebastian Pape
Gtterbaserte Kryptosysteme (Ajta-Dwork, Regev) Sebastan Pape Überblck Motvaton Gtter SVP, usvp, Gtterbassredukton Kryptosysteme Ajta-Dwork Regev (2003), Regev (2005) Zusammenfassung Gtterbaserte Kryptosysteme
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrSeminar über Numerische Mathematik
Andreas Mester Semnar über Numersche Mathematk Semnar m Wntersemester 008/009 Unverstät Kassel Fachberech Mathematk Inhaltsverzechns Bezer-Kurven 1 1 Enletung 1 Der Algorthmus von de-castelau.1 Parabeln....................................
Mehr1.11 Beispielaufgaben
. Bespelaufgaben Darstellung komplexer Zahlen Aufgabe. Man stelle de komplexe Zahl z = +e 5f n algebrascher Form, also als x + y dar. Damt man de Formel für de Dvson anwenden kann, muss zunächst der Nenner
MehrI) Mechanik 1.Kinematik (Bewegung)
I)1. Knematk I) Mechank 1.Knematk (Bewegung) 2. Dynamk on Massenpunkten (Enfluss on Kräften) 3. Starre Körper 4.Deformerbare Meden 5. Schwngungen, Wellen, Akustk I)1. Knematk Bewegungslehre (Zel: Quanttate
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
MehrEine kurze Einführung in die Dichtefunktionaltheorie (DFT)
Ene kurze Enführung n de Dchtefunktonaltheore (DFT) Mchael Martns Lteratur: W. Koch, M.C. Holthausen A Chemst s Gude to Densty Functonal Theory Wley-VCH 2001 Dchtefunktonaltheore p.1 Enletung Im Falle
MehrModellierung von Hydrosystemen Numerische und daten-basierte Methoden 2018 Finite-Elemente-Methode Selke-Modell
Modellerung von Hydrosystemen Numersche und daten-baserte Methoden BHYWI-22-21 @ 2018 Fnte-Elemente-Methode Selke-Modell Olaf Koldtz *Helmholtz Centre for Envronmental Research UFZ 1 Technsche Unverstät
MehrMi , Dr. Ackermann Übungsaufgaben Gewöhnliche Differentialgleichungen Serie 13
M. 3. 5-4. 45, Dr. Ackermann 6..4 Übungsaufgaben Gewöhnlche Dfferentalglechungen Sere 3.) Bestmmung ener homogenen Dfferentalglechung zu gegebenen Funktonen y (partkuläre Lösungen) enes Fundamentalsystems.
MehrRechnen mit natürlichen B-adischen Zahlen
Rechnen mt natürlchen B-adschen Zahlen Es gelten de Rechenregeln we m Dezmalsystem gelernt: Seen a,b,c aus der Menge der B-adschen natürlchen Zahlen Addton: a+b = c Subtrakton: a-b=c, und b
Mehr18. Vorlesung Sommersemester
8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten
MehrBaudynamik und Erdbebeningenieurwesen
Baudynamk und Erdbebenngeneurwesen Themen und Antworten für de Lzenzprüfung 1. Defneren Se den Begrff: Grad des dynamschen Frehetsgrads. Geben Se Bespele von Systemen mt enem enzgen Grad des dynamschen
MehrVorlesung 3 Differentialgeometrie in der Physik 13
Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Collaboratve Flterng Lteratur Benjamn Marln: Collaboratve Flterng A Machne Learnng Perspectve. Thomas Hofmann: Collaboratve Flterng wth P Prvacy va Factor Analyss. Robert
MehrAufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):
LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete
Mehr( ) γ. (t 1 ) (t 2 ) = Arg γ 2(t 2 )
Funktonentheore, Woche 10 Bholomorphe Abbldungen 10.1 Konform und bholomorph Ene konforme Abbldung erhält Wnkel und Orenterung. Damt st folgendes gement: Wenn sch zwe Kurven schneden, dann schneden sch
MehrSeminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
Mehr5 Integralsätze am Beispiel der Gravitation
5 INTEGRALSÄTZE AM BEISPIEL DER GRAVITATION 1 5 Integralsätze am Bespel der Gravtaton 5.1 Integralsatz von Stokes Im letzten Kaptel haben wr de Rotaton enes Vektorfeldes engeführt und Lnenntegrale betrachtet.
MehrSystempartitionierung. Hw-Sw-Co-Design
Systemparttonerung Hw-Sw-Co-Desgn Überblc Modelle für de Systemsynthese Parttonerung Allgemene Parttonerungsalgorthmen Hw/Sw-Parttonerungsalgorthmen Fallbespele Allgemene Parttonerungsverfahren heurstsche
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
Mehr12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2
1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
MehrLineare Optimierung Einführung
Kaptel Lneare Optmerung Enführung B... (Dre klasssche Anwendungen) Im Folgenden führen wr de ersten dre klassschen (zvlen) Anwendungen der lnearen Optmerung an: BS... (Produktonsplanoptmerung) En Betreb
MehrAlgorithmen und Datenstrukturen SS09. Foliensatz 13. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik
Folensatz Mchael Brnkmeer Technsche Unverstät Ilmenau Insttut für Theoretsche Informatk Sommersemester 009 TU Ilmenau Sete / Sorteren TU Ilmenau Sete / Das Sorterproblem Das Sorterproblem Daten: ene total
MehrDIE METHODE DER KLEINSTEN FEHLERQUADRATE
DIE METHODE DER KLEINSTEN FEHLERQUADRATE Dpl. Ing. Dr. Peter W. Fröhlng, A-571 Altenmarkt / Trestng, Nöstach, Klauswes 15 Enletung En n der Technk mmer wederkehrendes Problem st de Modellerung physkalscher
MehrOptimierungsverfahren: Motivation. Bayes-Formalismus. Schätztheorie. -- Fehlerfunktion L -- Regularisierungsfunktion R
Optmerugsverfahre: Motvato Bayes-Formalsmus -- egatve log-lkelhoo -- egatver log-pror -- Max. a Posteror! l p( D! l p( + cost = m Schätztheore -- Fehlerfukto L -- Regularserugsfukto R -- F ( = L( +! R(
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
MehrPhysik A VL11 ( )
Physk A VL11 (0.11.01) Dynamk der Rotatonsbewegung I Kresbewegung und Kräfte Drehmoment und räghetsmoment Kresbewegung und Kräfte en Massepunkt (Schwerpunkt) führt nur ene ranslatonsbewegung aus ausgedehnte
MehrApproximationsalgorithmen. Facility Location K-Median. Cheng, Wei 12. Juli
Approxmatonsalgorthmen aclty Locaton K-Medan heng We 12. Jul aclty Locaton Defnton Gegeben: möglche Standorte = { 1 2 m } Städte = { 1 2 n } Eröffnungskosten f für Verbndungskosten c zwschen und Dreecksunglechung
Mehr