Intelligenz in Datenbanken. Dr. Stefan Freundt Star512 Datenbank GmbH. star512 datenbank gmbh
|
|
- Anton Gerhardt
- vor 6 Jahren
- Abrufe
Transkript
1 Intelligenz in Datenbanken Dr. Stefan Freundt Star512 Datenbank GmbH
2 Einleitung Definition von Business! Definition von Intelligenz?
3 Künstliche Intelligenz: Motivation Schach erfordert Intelligenz ==> Programm, das Schach spielen kann ist intelligent falsch! Programme spielen sehr gut Schach Schachturnier Nationalmannschaft Indonesiens Shredder 8, Junior 8, Fritz 8, Chessmaster 14,5 zu 1,5 für f r die "Dosen"
4 Wikipedia Definitionen von Intelligenz Einsicht, Erkenntnisvermögen Verstehen, Denken, Begreifen I. Asimov "Intelligenz ist, was der Intelligenztest misst."
5 Kritikpunkte keine Entscheidung möglich, m ob ein System intelligent ist, oder nicht Erklärung rung durch komplexe Begriffe kein Maß!! keine Maßeinheit kein Vergleich verschiedener Systeme möglich (Organismen, Firmen, Internet,...)
6 Fragen und Antworten 1 Aussprache des Buchstaben "B" Aussprache des Vornamen "Виктор" Виктор" Umwelt beurteilt die Richtigkeit der Reaktion
7 Fragen und Antworten 2 Wurzel-Programm Nimmt sein Wissen zu? NEIN! Ist es intelligent? NEIN! Systeme konstanten Wissens sind NICHT intelligent.
8 Fragen und Antworten 3 Schüler der zweiten Klasse, der das "kleine 1x1 lernt Nimmt sein Wissen von September bis Mai zu? JA Nimmt seine Intelligenz zu? NEIN(?!) Intelligenz ist eine Eigenschaft des Systems
9 Fragen und Antworten 4 Zwei Schüler der zweiten Klasse A kann "1x1" im Oktober B kann "1x1" im Januar Wer ist intelligenter? A - in bezug auf "1x1"
10 Schlussfolgerungen Wissen und Intelligenz sind zu trennen Wissen ist eine Eigenschaft des Systems und der Umwelt Intelligenz ist eine Eigenschaft des Systems allein Systeme konstanten Wissens sind NICHT intelligent.
11 System in seiner Umwelt Aufgaben und Bewertung System Umwelt Lösungen
12 Wissen A = Aufgaben und Bewertungen durch Umwelt in 1/s L = Lösungen L des Systems in 1/s W = evidentes Wissen Δ W e = ALdt A+ L
13 Grenzfälle langweilige Umwelt (A=0) => W=0 sehr aktive Umwelt (A= ) ) => W=L t Δ W e = ALdt A+ L
14 Kurve optimaler LösungenL Lösungen Kurve maximaler Lösungen Kurve optimaler Lösungen Punkt evidenten Wissens Kurve minimaler Lösungen Reaktion des Systems Aufgaben
15 Intelligenz prozentuale Verringerung der Fläche möglicher Lösungen L pro Zeit I dw d( ln F) 1dF = = = dt dt F dt
16 Wissensbasierte Systeme Benutzerschnittstelle Schnittstelle für Experten Erklärungs komponente regelhaftes Wissen (Wissensbasis) Wissenserw erbskomponente Dialogkomponente fallspezifisches Wissen (Arbeitsspeicher) Wissensverarbeitung
17 Trainingsphase Neuronale Netze Eingabe bekannter Muster Bestimmung der Gewichte zwischen den Knoten Arbeitsphase Kein Wissenszuwachs Entwickler bestimmt die Netzstruktur Wissen über die optimale Netzstruktur steckt im Entwickler
18 Neuronale Netze Wissen Arbeitsphase Trainingsphase Zeit
19 Programm Neuronales Netz extrem viele Knoten Vorhersage statt Kategorisierung für r automatische RückkoppelungR Aufgabe bestimmt die Struktur
20 Programm Eingangs-Knoten Aufgaben und Bewertung Netz mit 1000 bis 1Mio Knoten Umwelt Ausgangsknoten Lösungen
21 Tests Trainings und Tests verschiedenster Aufgaben ein Netz gleiche Grundbausteine, Knoten Aufgabe formt die Struktur!
22 Ergebnisse Konstant 1, Sign al Vor her sage 2,5 2 1, 5 1 0,
23 Ergebnisse 10 Muster mit gr oßen Bits Si gnal Vor her sage 4,5 4 3,5 3 2,5 2 1,5 1 0,
24 Ergebnisse T r eppe auf und ab Si gnal Vor her sage
25 Ergebnisse Sinus 0,1 Signal Vorhersage 2,5 2 1,5 1 0,
26 Ergebnisse Sinus 0,02 Signal Vorhersage 2,5 2 1,5 1 0,
27 Leader - Lemming Leadersignal Start bei 0 zufällige Änderungen im Bereich von -10 bis +10 Lemmingsignal Start bei 100 Lemming macht Änderungen des Leader nach
28 Ergebnisse Leader Signal Vorhersage
29 Ergebnisse Lemming Signal Vorhersage
30 Zusammenfassung Wissen von Intelligenz trennen Quantifizierung von Wissen und Intelligenz weitere Schritte "Blackouts" der Tests beseitigen Performance und Knotenzahl erhöhen hen Theorie verbessern Wie sieht ein System minimaler Intelligenz aus? Wie kann Wissen gezüchtet werden?
Ein selbstmodellierendes System für die Wasserwirtschaft
Ein selbstmodellierendes System für die Wasserwirtschaft Dipl.-Ing. Dr. ANDRADE-LEAL Wien, im Juli 2001 1 Einleitung, Motivation und Voraussetzungen Künstliche Intelligenz Neuronale Netze Experte Systeme
MehrBig Data Künstliche Intelligenz Und das Ich
Big Data Künstliche Intelligenz Und das Ich Überblick Big data 2 Beispiele David Kriesel: Spiegel Mining Cambridge Analytics: Ocean Diagramm Intelligenz Wie funktioniert das? Neuronale Netze Zukunktsperspektiven/Kaffeesatzleserei
MehrENTWICKLUNGSPSYCHOLOGIE & SOZIALISATION. Mädchenschachpatent 2015 in Nußloch Referentin: Melanie Ohme
ENTWICKLUNGSPSYCHOLOGIE & SOZIALISATION 1 Mädchenschachpatent 2015 in Nußloch Referentin: Melanie Ohme ÜBERSICHT Entwicklungspsychologie Einführung Faktoren der Entwicklung Geschlechterunterschiede Diskussionen
MehrSchriftenreihe Lebensmitteichemische Gesellschaft - Band 27. Neue EU-Regelungen für gentechnisch veränderte Lebensmittel und Futtermittel
Schriftenreihe Lebensmitteichemische Gesellschaft - Band 27 Neue EU-Regelungen für gentechnisch veränderte Lebensmittel und Futtermittel Aspekte zur Umsetzung in die Praxis - Recht, Überwachung, Probenahme,
MehrKünstliche Intelligenz im Informatikunterricht -Unterrichtseinheit Chatbots- Klasse 9/10. Helmut Witten & Malte Hornung
Künstliche Intelligenz im Informatikunterricht -Unterrichtseinheit Chatbots- Klasse 9/10 Helmut Witten & Malte Hornung KI im Informatikunterricht: Unterrichtseinheit Chatbots 1 Agenda Motivation und Ziele
MehrGliederung. Biologische Motivation Künstliche neuronale Netzwerke. Anwendungsbeispiele Zusammenfassung. Das Perzeptron
Neuronale Netzwerke Gliederung Biologische Motivation Künstliche neuronale Netzwerke Das Perzeptron Aufbau Lernen und Verallgemeinern Anwendung Testergebnis Anwendungsbeispiele Zusammenfassung Biologische
MehrKurzvorstellung Messmöglichkeiten mit 4a impetus P. Reithofer, M. Rollant, A. Fertschej (4a engineering GmbH)
Kurzvorstellung Messmöglichkeiten mit 4a impetus P. Reithofer, M. Rollant, A. Fertschej (4a engineering GmbH) Workshop Kunststoffe, Filderstadt 24. September 2013 1 Inhalt Einleitung Messtechnik Software
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrSeminar Künstliche Intelligenz Wintersemester 2013/14
Seminar Künstliche Intelligenz Wintersemester 2013/14 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 31.10.2013 2 / 13 Überblick Teilgebiete der KI Problemlösen,
Mehr29. Mai 2008. Schutz gegen DoS-Angriffe auf Webapplikationen
29. Mai 2008 Schutz gegen DoS-Angriffe auf Webapplikationen Agenda Bedrohung Schutz aktiv passiv 29.05.2008, Seite 2 Bedrohung Definition Denial of Service Angriffe auf Webapplikationen erfolgen auf Schicht
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
MehrNeue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung
Neue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung Hamburg 16.11.2016 Nmedia Fotolia Fraunhofer-Institut für Intelligente Analyseund Informationssysteme Fraunhofer IAIS - Wir
MehrKünstliche neuronale Netze
Künstliche neuronale Netze Eigenschaften neuronaler Netze: hohe Arbeitsgeschwindigkeit durch Parallelität, Funktionsfähigkeit auch nach Ausfall von Teilen des Netzes, Lernfähigkeit, Möglichkeit zur Generalisierung
MehrNeuronale Kodierung sensorischer Reize. Computational Neuroscience Jutta Kretzberg
Neuronale Kodierung sensorischer Reize Computational Neuroscience 30.10.2006 Jutta Kretzberg (Vorläufiges) Vorlesungsprogramm 23.10.06!! Motivation 30.10.06!! Neuronale Kodierung sensorischer Reize 06.11.06!!
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.7 und 4.8 besser zu verstehen. Auswertung und Lösung Abgaben: 71 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 5.65 Frage 1
MehrWie hängen Löhne von Bildung ab? - Eine Einführung in die statistische Analyse von Zusammenhängen. Axel Werwatz Technische Universität Berlin
Wie hängen Löhne von Bildung ab? - Eine Einführung in die statistische Analyse von Zusammenhängen Axel Werwatz Technische Universität Berlin Einleitung Löhne sind unsere wichtigste Einkommensquelle. Geringer
MehrAnaloge Schnittstellen
Universität Koblenz Landau Name:..... Institut für Physik Vorname:..... Hardwarepraktikum für Informatiker Matr. Nr.:..... Analoge Schnittstellen Versuch Nr. 8 Vorkenntnisse: Komponenten eines Mikrocontrollersystems,
MehrAufgabenstellung zur Prozesseinheit im 1. Lehrjahr, Branche Chemie
Aufgabenstellung zur Prozesseinheit im 1. Lehrjahr, Branche Chemie 1. Prozess und Ausgangslage 1.1. Prozess Berufsbildner und Lernender bestimmen, dass folgender Prozess (Arbeitsablauf) bearbeitet wird:
MehrData/Information Quality Management
Data/Information Quality Management Seminar WI/Informationsmanagement im Sommersemester 2002 Markus Berberov, Roman Eder, Peter Gerstbach 11.6.2002 Inhalt! Daten und Datenqualität! Einführung und Definition!
MehrBewegungswissenschaft
KLAUS ROTH / KLAUS WILLIMCZIK Bewegungswissenschaft ROWOHLT TASCHENBUCH VERLAG Inhalt KLAUS ROTH / KLAUS WILLIMCZIK 1 Einleitung 9 1.1 Gegenstandsbereich und allgemeine Zielsetzungen 9 1.2 Differenzierungstendenzen
MehrSchriftlicher Test Teilklausur 2
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2009 / 2010 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher
MehrSoftcomputing Biologische Prinzipien in der Informatik. Neuronale Netze. Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003
Softcomputing Biologische Prinzipien in der Informatik Neuronale Netze Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003 Überblick Motivation Biologische Grundlagen und ihre Umsetzung
MehrWas 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
MehrHans-Werner Wahl Vera Heyl. Gerontologie - Einführung und Geschichte. Verlag W. Kohlhammer
Hans-Werner Wahl Vera Heyl Gerontologie - Einführung und Geschichte Verlag W. Kohlhammer Vorwort 9 1 Alter und Alternsforschung: Das junge gesellschaftliche und wissenschaftliche Interesse am Alter 12
MehrDaten, 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,
MehrProf. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 28. Oktober 2003
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 3. Eigenschaften von Sensoren.................... 41 Transferfunktion...........................
MehrStatus Quo apenio. Tagung: Aufgeräumte Pflege. Wien 04.09.2014 Karen Güttler
Status Quo apenio Tagung: Aufgeräumte Pflege Wien 04.09.2014 Karen Güttler Agenda 1. Pflegeklassifikation, -fachsprache 2. Wofür steht apenio 3. Entwicklung von apenio 4. Wie sieht apenio aus 5. Ein Blick
MehrÜbersicht. Prädikatenlogik höherer Stufe. Syntax der Prädikatenlogik 1. Stufe (mit Gleichheit)
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlussfolgern 7. Logische Agenten 8. Prädikatenlogik 1. Stufe 9. Schließen in der Prädikatenlogik 1. Stufe 10. Wissensrepräsentation IV
MehrBaum-Matching in einer Anwendung auf Gefäßsysteme im menschlichen Körper (Andre Bläul)
Baum-Matching in einer Anwendung auf Gefäßsysteme im menschlichen Körper (Andre Bläul) Gliederung 1. Motivation 2. Der Algorithmus 2.1. Schritt 1 2.2. Schritt 2 2.3. Die Kostenfunktionen 3. Evaluation
MehrWachstumseffiziente Unternehmensbesteuerung
Stefan Lewe Wachstumseffiziente Unternehmensbesteuerung PETER LANG Europäischer Verlag der Wissenschaften Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis Verzeichnis
MehrTreffsichere Absatzprognosen durch Predictive Analytics
Treffsichere Absatzprognosen durch Predictive Analytics Prof. Dr. Michael Feindt, Karlsruhe Institute of Technology KIT Chief Scientific Advisor, Phi-T GmbH und Blue Yonder GmbH & Co KG 3. Europäischer
MehrKlassifikation von Daten Einleitung
Klassifikation von Daten Einleitung Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Klassifikation von Daten Einleitung
MehrVALUATION UND DUE DILIGENCE SEMINAR
SWITZERLAND SEMINARE 2017 VALUATION UND DUE DILIGENCE SEMINAR Transaktionserfahrung aus erster Hand Freitag, Radisson Blu Hotel, 9. Juni 2017 Zürich-Flughafen VALUATION UND DUE DILIGENCE SEMINAR Bewertung
MehrMusso: Physik I. Dubbel. Teil 6 Arbeit und Energie
Tipler-Mosca 6. Arbeit und Energie 6.1 Arbeit und kinetische Energie (Work and kinetic energy) 6. Das Skalarprodukt (The dot product) 6.3 Arbeit und Energie in drei Dimensionen (Work and energy in three
MehrComputer Vision: AdaBoost. D. Schlesinger () Computer Vision: AdaBoost 1 / 10
Computer Vision: AdaBoost D. Schlesinger () Computer Vision: AdaBoost 1 / 10 Idee Gegeben sei eine Menge schwacher (einfacher, schlechter) Klassifikatoren Man bilde einen guten durch eine geschickte Kombination
MehrBaumsuche: Theorie und Anwendungen
Baumsuche: Theorie und Anwendungen Rainer Sinn 27.06.2008 Teil I Bäume und Wälder Wiederholung: Graph Menge der Knoten N Menge der Kanten E Graph G := (N, E) Gerichteter Graph: E Menge von geordneten Tupeln
MehrHerzlich Willkommen. Spielstrategien. gehalten von Nils Böckmann
Herzlich Willkommen Spielstrategien gehalten von Nils Böckmann Agenda 1. Einführung 2. Problemstellung 3. Abgrenzung 4. Zielstellung / grober Überblick 5. Vorstellen der Konzepte 1. Umgebungslogik 2. Spielbäume
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Übersicht Neuronale Netze Motivation Perzeptron Grundlagen für praktische Übungen
MehrHanno Fierdag. Die Aleatorik in der Kunst und das Urheberrecht. Unter besonderer Beriicksichtigung der computer-generated works.
Hanno Fierdag Die Aleatorik in der Kunst und das Urheberrecht Unter besonderer Beriicksichtigung der computer-generated works ffrrtt BWV BERLINERWISSENSCHAFTS-VERLAC Inhaltsverzeichnis Abkûrzungsverzeichnis
MehrAnforderungsverarbeitung zur kundenorientierten Planung technischer Anlagen am Beispiel der Intralogistik. Vortragender: Dipl.-Inf.
sverarbeitung zur kundenorientierten Planung technischer Anlagen am Beispiel der Intralogistik Forderungsgerechte Auslegung von intralogistischen Systemen Vortragender: Dipl.-Inf. Jonas Mathis Universität
MehrRandomisierte Algorithmen 2. Erste Beispiele
Randomisierte Algorithmen Randomisierte Algorithmen 2. Erste Beispiele Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2016/2017 1 / 35 Randomisierter Identitätstest
MehrEOLE European Programme for Employee Ownership Learning & Education Europäisches Programm für Bildung und Training für Arbeitnehmerkapitalbeteiligung
EINLADUNG Wir freuen uns, Ihre Organisation einzuladen, sich einem neuen, innovativen und europaweiten Projekt zur Arbeitnehmerkapitalbeteiligung und finanzieller Beteiligung der Arbeiternehmer anzuschließen:
MehrWas ist Informatik? Alexander Lange
Was ist Informatik? Was ist Informatik? Alexander Lange 12.11.2003 Was ist Informatik? Inhalt 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. Das Wort»Informatik«Die Idee Teilgebiete der Informatik Technische Informatik
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Aufgaben der letzten Stunde Übersicht Neuronale Netze Motivation Perzeptron Multilayer
MehrMotivation. 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
MehrNeuronale Netze (I) Biologisches Neuronales Netz
Neuronale Netze (I) Biologisches Neuronales Netz Im menschlichen Gehirn ist ein Neuron mit bis zu 20.000 anderen Neuronen verbunden. Milliarden von Neuronen beteiligen sich simultan an der Verarbeitung
MehrFür jede Sprache L X sind die folgenden Aussagen äquivalent:
Was bisher geschah Für jede Sprache L X sind die folgenden Aussagen äquivalent: Es existiert ein NFA A mit L = L(A) (L REC(NFA)). Es existiert ein vollständiger NFA B mit L = L(B). Es existiert ein ε-nfa
MehrWas sind Neuronale Netze?
Neuronale Netze Universität zu Köln SS 2010 Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert Referenten: Aida Moradi, Anne Fleischer Datum: 23. 06. 2010 Was sind Neuronale Netze? ein Netzwerk
MehrAbschnitt 18: Effizientes Suchen in Mengen
Abschnitt 18: Effizientes Suchen in Mengen 18. Effizientes Suchen in Mengen 18.1 Vollständig ausgeglichene binäre Suchbäume 18.2 AVL-Bäume 18.3 Operationen auf AVL-Bäumen 18.4 Zusammenfassung 18 Effizientes
MehrArtefakte bei digitalen Bildempfängern in der Mammographie
15. Fortbildungsseminar der APT 02. Juli 2011 Kassel Artefakte bei digitalen Bildempfängern in der Mammographie Dipl.-Ing. S. Schopphoven Referenzzentrum Mammographie Südwest am Universitätsklinikum Gießen
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!
MehrInhaltliche Planung für die Vorlesung
Vorlesung: Künstliche Intelligenz - Mustererkennung - P LS ES S ST ME Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme
MehrModellierung von Non Player Chareacters
Modellierung von Non Player Chareacters Konzeption Künstlicher Charaktere Games Summer Camp 2006 Cindy Löther Inhalt 1 Einleitung 2 Definitionen 3 Non Player Characters (NPC) 4 Modellierung von NPCs 5
MehrThema: Intelligenzunterschiede
Thema: Intelligenzunterschiede Zur Bedeutung des Wissens Warum können wir uns manches so schwer merken? 3 Hans baute ein Boot. Urs liess einen Drachen steigen. Lutz ass einen Apfel. Beat ging über das
MehrComputational Intelligence 1 / 20. Computational Intelligence Künstliche Neuronale Netze Perzeptron 3 / 20
Gliederung / Künstliche Neuronale Netze Perzeptron Einschränkungen Netze von Perzeptonen Perzeptron-Lernen Perzeptron Künstliche Neuronale Netze Perzeptron 3 / Der Psychologe und Informatiker Frank Rosenblatt
MehrJan Parthey, Christin Seifert. 22. Mai 2003
Simulation Rekursiver Auto-Assoziativer Speicher (RAAM) durch Erweiterung eines klassischen Backpropagation-Simulators Jan Parthey, Christin Seifert jpar@hrz.tu-chemnitz.de, sech@hrz.tu-chemnitz.de 22.
MehrHannah Wester Juan Jose Gonzalez
Neuronale Netze Supervised Learning Proseminar Kognitive Robotik (SS12) Hannah Wester Juan Jose Gonzalez Kurze Einführung Warum braucht man Neuronale Netze und insbesondere Supervised Learning? Das Perzeptron
Mehr2. Fraktale Geometrie
2. Fraktale Geometrie Komplexe Systeme ohne charakteristische Längenskala z.b. Risse in festen Materialien, Küstenlinien, Flussläufe und anderes.. Skaleninvariante Systeme Gebrochene Dimensionen Fraktale
MehrMaster Management AG Monica Master. ACE Allgemeines Problemlösen (hohe Präzision)
Master Management AG - www.master.ch - 044 919 88 44 Erstellt: 11.02.2016 15:34:47. Zertifizierter Benutzer: Master Administrator Monica Master ACE Allgemeines Problemlösen (hohe Präzision) - 12.02.2014
MehrProaktive Entscheidungsunterstützung für Geschäftsprozesse durch neuronale Netze
Proaktive Entscheidungsunterstützung für Geschäftsprozesse durch neuronale Netze INAUGURALDISSERTATION zur Erlangung des akademischen Grades eines Doktors der Wirtschaftswissenschaften an der Wirtschaftswissenschaftlichen
MehrAlexandru Arion, Benjamin Schöllhorn, Ingo Reese, Jürgen Gebhard, Stefan Patsch, Stephan Frank
Message Broker (MB) Alexandru Arion, Benjamin Schöllhorn, Ingo Reese, Jürgen Gebhard, Stefan Patsch, Stephan Frank Programmierung verteilter Systeme Lab Institut für Informatik Universität Augsburg Universitätsstraße
MehrSelbsteinschätzungstest Auswertung und Lösung
Selbsteinschätzungstest Auswertung und Lösung Abgaben: 46 / 587 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: Durchschnitt: 7 Frage (Diese Frage haben ca. 0% nicht beantwortet.) Welcher Vektor
MehrPhillips Kurve. Einführung in die Makroökonomie. 10. Mai 2012 SS Einführung in die Makroökonomie (SS 2012) Phillips Kurve 10.
Phillips Kurve Einführung in die Makroökonomie SS 2012 10. Mai 2012 Einführung in die Makroökonomie (SS 2012) Phillips Kurve 10. Mai 2012 1 / 23 Hintergrund 1958 stellte A. W. Phillips die Inflationsrate
MehrGrafik Soft. Version 2.0. Datum: Hersteller: mesics gmbh. Für Windows 98/ME/NT4.0/2000/XP Betriebssysteme
Grafik Soft Version 2.0 Datum: 04.02.2004 Hersteller: mesics gmbh Für Windows 98/ME/NT4.0/2000/XP Betriebssysteme Inhalt: EINLEITUNG 3 INSTALLATION 4 DIE DATENBANK 4 EINEN NEUEN TEST AUFZEICHNEN 6 TESTS
Mehr4 Hauptsätze der Thermodynamik
I Wärmelehre -21-4 Hauptsätze der hermodynamik 4.1 Energieformen und Energieumwandlung Innere Energie U Die innere Energie U eines Körpers oder eines Systems ist die gesamte Energie die darin steckt. Es
MehrWie können intelligente Software-Agenten helfen, erneuerbare Energien ins Netz zu integrieren?
Wie können intelligente Software-Agenten helfen, erneuerbare Energien ins Netz zu integrieren? Dr. Michael Metzger Projektleiter Siemens Corporate Technology Copyright Selbstorganisierendes Energie- Automatisierungssystem
MehrMessung und Manipulation von Emotionen in effizienter Kommunikation
Messung und Manipulation von Emotionen in effizienter Kommunikation Dr. André Weinreich Marketing Club Berlin 20.05. 2014 André Weinreich, a.weinreich@emolyzr.de Zusammenfassung Emotionen sind Stellungnahmen
MehrGemeinsam sind wir stark?
Rüdiger Arnscheid Gemeinsam sind wir stark? Zum Zusammenhang zwischen Grappenkohäsion und Gruppenleistung Waxmann Münster / New York München / Berlin Inhalt 1 Einleitung 13 2 Gruppenkohäsion aus der Sicht
MehrFallbeispiel: Intelligente Steuerung von Geschäftsprozessen auf Basis von Big Data
Fallbeispiel: Intelligente Steuerung von Geschäftsprozessen auf Basis von Big Data Institut für Finanz- und Aktuarwissenschaften Lise-Meitner-Str. 14 89081 Ulm Oktober 2015 www.ifa-ulm.de Einführung Mit
MehrNeuronalen Netzen. Jens Lehmann. 1. März Institut für Künstliche Intelligenz Fakultät Informatik Technische Universität Dresden
Institut für Künstliche Intelligenz Fakultät Informatik Technische Universität Dresden 1. März 2005 Neurosymbolische Integration versucht künstliche neuronale Netze und Logikprogrammierung zu vereinen
MehrWissensbasierte 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
MehrAnforderungsanalyse von Feldbussystemen in Hinblick auf den Einsatz in Ambient Intelligence
Anforderungsanalyse von Feldbussystemen in Hinblick auf den Einsatz in Ambient Intelligence INF-M1 Anwendung 1 - Wintersemester 2009/2010 09.Dezember 2009 Gliederung Motivation Zielsetzung Anforderungen
MehrLogik für Informatiker
Logik für Informatiker Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Logik in der Informatik Was ist Logik? 2 Logik in der Informatik Was ist Logik? Mathematisch? 3 Logik in der Informatik
MehrIdeen und Konzepte der Informatik. Programme und Algorithmen Kurt Mehlhorn
Ideen und Konzepte der Informatik Programme und Algorithmen Kurt Mehlhorn November 2016 Algorithmen und Programme Algorithmus = Schritt-für-Schritt Vorschrift zur Lösung eines Problems. Formuliert man
MehrAllgemeine (Künstliche) Neuronale Netze. Rudolf Kruse Neuronale Netze 40
Allgemeine (Künstliche) Neuronale Netze Rudolf Kruse Neuronale Netze 40 Allgemeine Neuronale Netze Graphentheoretische Grundlagen Ein (gerichteter) Graph ist ein Tupel G = (V, E), bestehend aus einer (endlichen)
MehrEinfache Materialkartengenerierung mit 4a impetus mittels Neuronaler Netze für Schäume, Waben, M.Rollant (4a engineering GmbH)
Einfache Materialkartengenerierung mit 4a impetus mittels Neuronaler Netze für Schäume, Waben, M.Rollant (4a engineering GmbH) Workshop Kunststoffe, Filderstadt 24. September 2013 DYNAmore GmbH Industriestraße
MehrTEDS Vibrations-Sensoren
TEDS Vibrations-Sensoren Orientierung: - Vortrag ist ausgerichtet auf Forderungen und Anwendungen von intelligenten Vibrationssensoren im Test und Produktentwicklung - Ansprüche an intelligente Sensoren
MehrNeuere Konzepte von Intelligenz und deren Probleme. Thomas Hoch Martina Weber
Neuere Konzepte von Intelligenz und deren Probleme Thomas Hoch 0055281 Martina Weber 0105535 Kognitive Fähigkeiten F Persönlichkeit Performance Neuere Intelligenz-Konzepte (job performance): Tacit Knowledge
MehrBildgebung mit Röntgenstrahlen. Bildqualität
Bildqualität Scanogramm Röntgen- Quelle Detektor Entwicklung Verarbeitung Tomogramm Einflussfaktoren Rauschen Kontrast Schärfe System- Rauschen (Verstärker) Strahlen- Dosis (Quantenrauschen) Objekt- Dicke
MehrStatistik II für Betriebswirte Vorlesung 12
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die
Mehr"15 Jahre APM - Wieso haben heutige Projekte immer noch Performance Probleme?"
"15 Jahre APM - Wieso haben heutige Projekte immer noch Performance Probleme?" Dienstag, 13. Mai 2014-16:45 bis 17:45 Goldsaal B JAX 2014 Stefan Siegl Stefan.siegl@novatec-gmbh.de NovaTec Consulting GmbH
MehrNeuronale Netze mit mehreren Schichten
Neuronale Netze mit mehreren Schichten Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Neuronale Netze mit mehreren
MehrVersion Referenzhandbuch. DiscretePhoton H.264 encoder. DiscretePhoton.
Version 1.1.5 Referenzhandbuch DiscretePhoton H.264 encoder DiscretePhoton www.discretephoton.com Referenzhandbuch Über DiscretePhoton H.264-Encoder DiscretePhoton H.264 encoder Window version ist geliefert
MehrInformatik. Christian Kuhn. Web 2.0. Auswirkungen auf internetbasierte Geschäftsmodelle. Diplomarbeit
Informatik Christian Kuhn Web 2.0 Auswirkungen auf internetbasierte Geschäftsmodelle Diplomarbeit Bibliografische Information der Deutschen Nationalbibliothek: Bibliografische Information der Deutschen
Mehrsensorischer Speicher: sehr viele Informationen, aber nur sehr kurz
Lernen lernen? Haben Sie gelernt, wie man lernt? In der Schule, in der Ausbildung? Nein? Lernen Sie, wie man lernt! Auf den folgenden Folien finden Sie einige Anregungen zum Thema Lernen... Gedächtnismodelle
MehrAutomatische 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
MehrZwischenbericht Projektarbeit
LMU München / LFE Medieninformatik Bearbeiter: Sven Siorpaes Bearbeitungsbeginn: 18.05.2004 Betreuer: Dipl.-Inf. Enrico Rukzio Verantwortlicher Hochschullehrer: Prof. H. Hußmann 24.09.04 Zwischenbericht
MehrMafI I: Logik & Diskrete Mathematik (F. Hoffmann)
Lösungen zum 14. und letzten Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (F. Hoffmann) 1. Ungerichtete Graphen (a) Beschreiben Sie einen Algorithmus, der algorithmisch feststellt, ob
MehrThe Intelligent Way of Project and Planning Data Management
The Intelligent Way of Project and Planning Data Management EN4M Multi-Projekt- und Planungsdaten-Management System (PPDM) Mit der Software EN4M können Unternehmen Projekte und Prozesse planen, steuern
MehrAnwendung Rechnernetze Thema: Spracheingabe. Michael Pöhnert Matrikel: INF04 Kennnummer: 12538
Anwendung Rechnernetze Thema: Spracheingabe Michael Pöhnert Matrikel: INF04 Kennnummer: 12538 Gliederung - Einleitung - Theoretische Grundlagen - Praktische Durchführung - Zusammenfassung - Quellenangaben
MehrKorrektur- und Vorbeugungsmaßnahmen
Dokument: 06-VA-AG-01 Datum des LAV-Beschlusses: 06.11.2006 Seite 1 von 5 Inhalt 1 Zweck, Ziel... 1 2 Geltungsbereich... 1 3 Begriffe... 2 4 Verfahren... 3 4.1 Erkennung und Bewertung von Fehlern... 4
Mehr4.9.7 Konstruktion der Suffixbäume
.9.7 Konstruktion der Suffixbäume Beipiel: xabxa (siehe Abbildung.27) Man beginnt mit der Konstruktion eines Suffixbaumes für gesamten String und schreibt eine 1 am Blatt, weil der Suffix xabxa an der
MehrEntlohnung im Experiment Annette Kirstein
Entlohnung im Experiment Annette Kirstein Ökonomische Anreize in Unternehmen und Märkten vom 20. Januar 2009 Eine der wichtigsten Annahmen in der Ökonomik ist: Finanzielle Anreize verbessern die Leistung.
MehrKohonennetze Selbstorganisierende Karten
Kohonennetze Selbstorganisierende Karten Julian Rith, Simon Regnet, Falk Kniffka Seminar: Umgebungsexploration und Wegeplanung mit Robotern Kohonennetze: Neuronale Netze In Dendriten werden die ankommenden
MehrLernumgebung für das Travelling Salesman Problem. Bedienungsanleitung. Projekt im Sommersemester 2016 Betreuer: Prof. Dr.
Lernumgebung für das Travelling Salesman Problem Bedienungsanleitung Projekt im Sommersemester 2016 Betreuer: Prof. Dr. Peter Klutke Alexander Kirijatov (286925), Andreas Peter (266601), Benjamin Heckel
MehrEinführung in das Maschinelle Lernen I
Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL
MehrAufgabenstellung zur Prozesseinheit im 2. Lehrjahr
Aufgabenstellung zur Prozesseinheit im 2. Lehrjahr 1. Prozess und Ausgangslage 1.1. Prozess Berufsbildnerin/Berufsbildner und Lernende/r bestimmen den zu erarbeitenden Prozess aufgrund des aktuellen Arbeitsbereiches.
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrDomain-independent. independent Duplicate Detection. Vortrag von Marko Pilop & Jens Kleine. SE Data Cleansing
SE Data Cleansing Domain-independent independent Duplicate Detection Vortrag von Marko Pilop & Jens Kleine http://www.informatik.hu-berlin.de/~pilop/didd.pdf {pilop jkleine}@informatik.hu-berlin.de 1.0
Mehr