Lineare Klassifikatoren (Kernel)
|
|
- Falko Diefenbach
- vor 6 Jahren
- Abrufe
Transkript
1 Universität Potsdam Institut für Informatik Lehrstuhl Lineare Klassifikatoren (Kernel) Blaine Nelson, Christoph Sawade, Tobias Scheffer
2 Inhalt Kernel für strukturierte Datenräume String Kernel, Graph Kernel Hauptidee: Kernel-Lernen trennt Daten & Lernen Lernalgorithmus wird entwickelt, um eine gute Trennung der Klassen in einem Featureraum zu erreichen. Kernel-Funktion wird entwickelt, um paarweise Ähnlichkeiten zwischen Daten zu beschreiben. Diese entspricht dem Skalarprodukt im Featureraum. Diese Kernel Abstraktion ermöglicht es, auf nicht notwendigerweise numerischen Daten zu lernen. 2
3 Review: Kernelfunktionen Die Kernelfunktion k x, x = φ x T φ x berechnet das Produkt der Feature-Mappings zweier Instanzen. Kann oft ohne explizite Repräsentation der φ x berechnet werden. Beispiel: polynomieller Kernel: k poly x i, x j = x i T x j + 1 p Unendlich-dimensionale Feature-Mappings möglich Beispiel: RBF-Kernel: k RBF x i, x j = e γ x i x j 2 Für jede positiv-definite Kernelfunktion gibt es ein Feature-Mapping φ x, so dass k x, x = φ x T φ x. Für gegebene Kernel-Matrix liefert die Mercer Map ein Feature-Mapping. 3
4 Review: Polynomieller Kernel Kernel: k poly x i, x j = x i T x j + 1 p, 2D-Eingabe, p = 2. k poly x i, x j = x i T x j = x i1 x i2 x j1 x j2 + 1 = x 2 i1 x 2 j1 + x 2 i2 x j2 2 = x i1 x j1 + x i2 x j x i1 x j1 x i2 x j2 + 2x i1 x j1 + 2x i2 x j x j1 2 x j2 = 2 x i1 2 x i2 2x i1 x i2 2x i1 2x i2 1 φ x i T Alle Polynome 2. Grades über Eingabeattribute = x i x i 2x i 1 T x j x j 2x j 1 2x j1 x j2 2x j1 2x j2 1 φ x j 4
5 STRING KERNEL 5
6 Strings (Zeichenketten): Motivation Strings sind ein häufig auftretender nichtnumerischer Datentyp. Dokumente und s sind Strings. DNS und Protein-Sequenzen sind Strings. 6
7 String Kernels String eine Folge von Zeichen, die aus einem Alphabet Σ gebildet wird: s = s 1 s 2 s n mit s = n. Die Menge aller Strings ist Σ = s i:j = s i s i+1 s j. Σ n n N. Teilfolge: Sei i 0,1 n. Dann enthalte s i jene Buchstaben des Wortes s, für die der entsprechende Eintrag von i gleich 1 ist: zb, falls s= abcd dann s 1,0,0,1 = ad Ein String-Kernel ist eine reellwertige Funktion auf Σ Σ. Dieser Kernel muss positiv definit sein. Wir werden Kernel mit Hilfe des Featureraums der Substrings/Teilfolge entwerfen. 7
8 Bag-of-Words Kernel Für Textdaten nehmen wir als Featureraum die folgende Menge: X = 0,1 S ; dabei bezeichne S die Menge aller auftretenden Wörter. Dear Beneficiary, your address has been picked online in this years MICROSOFT CONSUMER AWARD as a Winner of One Hundred and Fifty Five Thousand Pounds Sterling Attribute Wort 1 kommt vor? Wort m kommt vor? m 1,000,000 Instanz x Address Beneficiary Friend Sterling Science Bag-of-Words Kernel berechnet die Anzahl der gemeinsamen Wörter zwischen zwei Texten. Kann dies effizient berechnet werden? 8
9 Spectrum Kernel In diesem Fall betrachten wir den Featureraum der alle möglichen Zeichenfolgen der Länge p enthält, die sich mit dem Alphabet Σ bilden lassen. φ s u ist dann die Anzahl wie oft u Σ p in dem String s enthalten ist. Der p-spectrum Kernel ist dann das Ergebnis κ p s, t = φ s u T φ t u u Σ p φ aa ab ba bb K aaab bbab aaaa baab aaab bbab aaaa baab aaab bbab aaaa baab
10 Spectrum Kernel Berechnung Der p-spectrum Kernel kann berechnet werden, ohne das explizite Feature-Mapping zu berechnen: s p+1 t p+1 κ p s, t = I s i:i+p 1 = t j:j+p 1 i=1 j=1 Diese Berechnung ist in O p s t. Mit Hilfe der Trie-Datenstruktur reduziert sich die Laufzeit zu O p max s, t. Natürlich können wir hier auch (gewichtete) Summen verschiedener solcher Kernel berechnen. 10
11 All-Subsequences Kernel Eine Teilfolge ist eine geordnete Teilmenge eines Strings Jede Teilfolge eines Strings s der Länge n wird eindeutig durch ein i 0,1 n indiziert. Die Teilfolge, die i entspricht, sei wie oben s i. Betrachten wir den Featureraum, der alle Zeichenfolgen der Alphabets Σ enthält. φ s u ist die Anzahl wie oft u Σ p als Teilfolge des Strings s auftritt. Man erhält den All-Subsequences Kernel als Ergebnis κ p s, t = φ s u T φ t u u Σ 11
12 All-Subsequences Kernel Der All-Subsequences Kernel ist gegeben durch κ p s, t = φ s u T φ t u u Σ wobei φ s u die Anzahl ist, wie oft u Σ p als Teilfolge des Strings s auftritt. φ a b aa ab ba bb aaa aab aba abb baa bab bba bbb aab bab bba Problem: es gibt min k in s. s k, Σk Teilfolgen der Länge 12
13 All-Subsequences Kernel Wie können wir die exponentielle Größe des expliziten Featureraum vermeiden? Der All-Subsequences Kernel lässt sich schreiben als κ s, t = I s i = t j i,j Bei dem Vergleich der Zeichenfolgen treten dabei zwei Möglichkeiten auf: Das letzte Zeichen von s wird nicht im Vergleich verwendet. Das letzte Zeichen von s wird im Vergleich verwendet. κ sσ, t = I s i = t j i,j κ s,t + I s i = u j u t=uσv i,j κ s,u 13
14 All-Subsequences Kernel κ s, t # gemeinsamer Teilfolgen zwischen s und t Ignoriere das letzte Zeichen von s Finde alle k, so dass t k = s n. # gemeinsamer Teilfolgen zwischen s 1:n 1 und t # gemeinsamer Teilfolgen zwischen s 1:n 1 und t 1:k 1 κ s 1:n 1, t + k:t k =s n κ s 1:n 1, t 1:k 1 14
15 All-Subsequences Kernel Basierend auf dieser Zerlegung, erhalten wir eine Rekursion mit den folgenden Startbedingungen: κ s, = 1 und κ, s = 1 für alle s und Rekursionsformeln κ s, t = κ s 1:n 1, t + κ s 1:n 1, t 1:k 1 k:t k =s n κ s, t = κ s, t 1:m 1 + κ s 1:k 1, t 1:m 1 k:s k =t m 1. Term entspricht dem Fall: ignorieren des letzten Zeichens 2. Term entspricht mögliche Auftreten des letzten Zeichens in dem anderen String Naive Rekursion ist noch exponentiell dynamische Programmierung 15
16 Lösung mit dynamischem Programmieren Anfangszustand: entspricht nur 1 Teilfolge m a c h i n e l 1 e 1 a 1 r 1 n 1 i 1 n 1 g 1 16
17 Lösung mit dynamischem Programmieren l stimmt mit keinem Zeichen in machine überein m a c h i n e l e 1 a 1 r 1 n 1 i 1 n 1 g 1 17
18 Lösung mit dynamischem Programmieren e stimmt mit dem letzten Zeichen in machine überein e m a c h i n e l e a 1 r 1 n 1 i 1 n 1 g 1 18
19 Lösung mit dynamischem Programmieren a stimmt mit dem 2. Zeichen in machine überein a m a c h i n e l e a r 1 n 1 i 1 n 1 g 1 19
20 Lösung mit dynamischem Programmieren r stimmt mit keinem Zeichen in machine überein m a c h i n e l e a r n 1 i 1 n 1 g 1 20
21 Lösung mit dynamischem Programmieren n stimmt mit dem 6. Zeichen in machine überein n & an m a c h i n e l e a r n i 1 n 1 g 1 21
22 Lösung mit dynamischem Programmieren i stimmt mit dem 5. Zeichen in machine überein i & ai m a c h i n e l e a r n i n 1 g 1 22
23 Lösung mit dynamischem Programmieren n stimmt mit dem 6. Zeichen in machine überein n in an & ain m a c h i n e l e a r n i n g 1 23
24 Lösung mit dynamischem Programmieren g stimmt mit keinem Zeichen in machine überein m a c h i n e l e a r n i n g
25 Lösung mit dynamischem Programmieren m a c h i n e l e a r n i n g Gesamtzahl der gemeinsamen Teilfolgen: 11 25
26 All-Subsequences Kernel Mit Caching von Teilergebnissen läuft diese dynamische Programmierlösung in O s t. AllSubseqKernel( s, t ) FOR j = 0: t : DP[0,j] = 1; FOR i = 1: s : last = 0; cache[0]=0; FOR k = 1: t : cache[k] = cache[last]; IF t k = s i THEN cache[k] += DP[i-1,k-1]; last = k; FOR k = 0: t : DP[i,k] = DP[i-1,k] + cache[k]; RETURN DP[ s, t ]; Hinweis: Strings sind 1-indiziert und DP & cache haben einen 0-Index für. 26
27 String Kernel Wie haben einige String Kernel gesehen, die effizient berechnet werden können (mit Hilfe der dynamischen Programmierung, Tries, etc.): Bag-of-Words Kernel p-spectrum Kernel All-Subsequences Kernel Viele andere Varianten existieren (Teilfolgen mit fester Länge, sprunggewichtete Teilfolgen, etc.) Wahl des Kernels hängt von dem anwendungsspezifischen Ähnlichkeitsbegriff ab. Kernel Normalisierung / Zentrierung sind üblich. 27
28 GRAPH KERNEL 28
29 Graphen: Motivation Graphen werden häufig verwendet um Objekte und ihre Beziehung zu einander zu modellieren: Bio-Informatik: Molekülbeziehungen Internet, soziale Netzwerke Zentrale Fragen: Wie ähnlich sind zwei Graphen? Wie ähnlich sind zwei Knoten innerhalb eines Graphen? 29
30 Betrachten wir eine Menge von Webseiten, deren Links den Kanten in einem Graphen entsprechen. Ein Kernel auf den Knoten des Graphen ist nützlich für das Lernen auf den verschiedenen Webseiten. Ein Kernel auf ganzen Graphen ist nützlich, um Komponenten des Internets zu vergleichen (zb. Domänen) 30 Graph Kernel: Beispiel
31 Graph Kernel: Beispiel Betrachten wir eine Menge von verschiedenen Stoffwechselwegen (Sequenzen von Interaktionen zwischen Molekülen) Ein Knoten-Kernel ist nützlich um die Ähnlichkeit verschiedener Moleküle zu messen. Ein Graph-Kernel ist ein nützlich um die Ähnlichkeit verschiedener Stoffwechselwege zu bestimmen. 31
32 Graphen: Definition Ein Graph G = V, E besteht aus einer Menge von Knoten v 1,, v n V, einer Menge von Kanten E V V. Datenstruktur zur Repräsentation von Graphen: Adjazenzmatrix: A = a ij, a i,j=1 ij = I v i, v j E n Adjazenzliste Inzidenzmatrix v 1 v 3 v 2 v 4 G 1 = V 1, E 1 V 1 = v 1,, v 4 A 1 = E 1 = v 1, v 1, v 1, v 2, v 2, v 3, v 4, v
33 Ähnlichkeit zwischen Graphen Zentrale Frage: Wie ähnlich sind sich zwei Graphen? 1. Möglichkeit: Zählen von Isomorphismen zwischen (Teil-) Graphen. v 1 v 2 v a v b v 3 v 5 v 4 v c v d v e G 1 = V 1, E 1 G 2 = V 2, E 2 33
34 Isomorphie von Graphen Isomorphismus: Zwei Graphen G 1 = V 1, E 1 & G 2 = V 2, E 2 sind isomorph, wenn eine bijektive Abbildung existiert, so dass f V 1 V 2 v i, v j E 1 f v i, f v j E 2 v 1 v 2 v a v b v 3 v 5 v 4 v c v d v e G 1 = V 1, E 1 G 2 = V 2, E 2 34
35 Isomorphie von Graphen Isomorphismus: Zwei Graphen G 1 = V 1, E 1 & G 2 = V 2, E 2 sind isomorph, wenn NP-hard! eine bijektive Abbildung existiert, so dass f V 1 V 2 v i, v j E 1 f v i, f v j E 2 v 1 v 2 v a v b v 3 v 5 v 4 v c v d v e G 1 = V 1, E 1 G 2 = V 2, E 2 35
36 Ähnlichkeit zwischen Graphen Zentrale Frage: Wie ähnlich sind sich zwei Graphen? 2. Möglichkeit: Zähle Anzahl gemeinsamer Wege in den Graphen. v 1 v 2 v a v b v 3 v 5 v 4 v c v d v e G 1 = V 1, E 1 G 2 = V 2, E 2 36
37 Gemeinsame Wege in Graphen Anzahl der Wege von einem Knoten zu jedem anderen der Länge 0 ist gleich der Anzahl der Knoten. v 1 v 3 v 1 v 3 v 2 v 4 v 2 v 4 G 1 = V 1, E 1 37
38 Gemeinsame Wege in Graphen Anzahl der Wege von einem Knoten zu jedem anderen der Länge 1 sind durch die Adjanzenzmatrix gegeben. 1 v 1 v 3 v 2 v 4 G 1 = V 1, E 1 Von v 1 v 2 A 1 = v 3 v v 1 v 2 v 3 v 4 Nach 38
39 Gemeinsame Wege in Graphen Anzahl der Wege von einem Knoten zu jedem anderen der Länge k sind durch die k-te Potenz der Adjanzenzmatrix gegeben. 1 v 1 v 3 v 2 v 4 G 1 = V 1, E 1 Von v 1 A 2 v 2 1 = v 3 v v 1 v 2 v 3 v 4 Nach 39
40 Gemeinsame Wege in Graphen Anzahl der Wege von einem Knoten zu jedem anderen der Länge k sind durch die k-te Potenz der Adjanzenzmatrix gegeben. Beweis? k 1 v 1 v 3 v 2 v 4 G 1 = V 1, E 1 A 1 k = Von v 1 v 2 v 3 v v 1 v 2 v 3 v 4 Nach k > 2 40
41 Gemeinsame Wege in Graphen Anzahl der Wege von einem Knoten zu jedem anderen der Länge k sind durch die k-te Potenz der Adjanzenzmatrix gegeben. k 1 v 1 v 3 v 2 v 4 G 1 = V 1, E 1 Von v 1 A k v 2 1 = v 3 v v 1 v 2 v 3 v 4 Nach k > 2 n Anzahl der Wege der Länge k: i,j=1 A k ij = 1 T A k 1 41
42 Gemeinsame Wege in Graphen Gemeinsame Wege sind durch Produkt-Graphen gegeben: G = V, E V = V 1 V 2 E = v, v, w, w v, w E 1 v, w E 2 a a1 a2 b 1 b1 b2 c 2 c1 c2 G 1 G 2 G 42
43 Ähnlichkeit zwischen Graphen Ähnlichkeit zwischen Graphen: Anzahl gemeinsamer Wege in den Graphen. a b c 1 2 a1 b1 c1 G 1 G 2 G a2 b2 c2 Von a1 a2 A 0 b1 = b2 c1 c a1 a2 b1 b2 c1 c2 Nach CP 0 = n i,j=1 A 0 ij = 6 43
44 Ähnlichkeit zwischen Graphen Ähnlichkeit zwischen Graphen: Anzahl gemeinsamer Wege in den Graphen. a b c a1 b1 c1 G 1 G 2 G a2 b2 c2 Von a1 a2 b1 A = b2 c1 c a1 a2 b1 b2 c1 c2 Nach CP 1 = CP 0 + n i,j=1 A 1 ij = = 12 44
45 Ähnlichkeit zwischen Graphen a b c Ähnlichkeit zwischen Graphen: Anzahl gemeinsamer Wege in den Graphen a1 b1 G 1 G 2 G c1 a2 b2 c2 Von a1 a2 A 2 b1 = b2 c1 c a1 a2 b1 b2 c1 c2 Nach CP 2 = CP 1 + n i,j=1 A 2 ij = = 16 45
46 Ähnlichkeit zwischen Graphen Ähnlichkeit zwischen Graphen: Anzahl gemeinsamer Wege in den Graphen. a b c G G 2 a1 b1 c1 G a2 b2 c2 Von a1 a2 A 3 b1 = b2 c1 c a1 a2 b1 b2 c1 c2 Nach CP 3 = CP 2 + n i,j=1 A 3 ij = = 16 46
47 Ähnlichkeit zwischen Graphen Ähnlichkeit zwischen Graphen: Anzahl gemeinsamer Wege in den Graphen. a b c G G 2 a1 b1 c1 G a2 b2 c2 CP = A k ij n k=0 i,j=1 Von a1 a2 A k b1 = b2 c1 c2 = a1 a2 b1 b2 c1 c2 Nach k > 2 47
48 Ähnlichkeit zwischen Graphen Ähnlichkeit zwischen Graphen: Anzahl gemeinsamer Wege in den Graphen. a b c G 1 Bei Zyklen, kann es unendlich viele Wege geben! 1 2 G 2 L n CP L = A k ij k=0 i,j=1 a1 b1 c1 G a2 b2 c2 Von a1 a2 A k b1 = b2 c1 c2 = 3 2 L L k 1 k 1 k a1 a2 b1 b2 c1 c2 Nach k > 2 48
49 Ähnlichkeit zwischen Graphen Ähnlichkeit zwischen Graphen: Anzahl gemeinsamer Wege in den Graphen. Bei Zyklen, kann es unendlich viele Wege geben! Einfluss von langen Pfaden heruntergewichten. Random-Walk Kernel k G 1, G 2 = k G 1, G 2 = n 1 λ k k A V 1 V 2 k=0 i,j=1 n 1 λ k V 1 V 2 k! k=0 i,j=1 A k ij ij = 1T I λa 1 1 V 1 V 2 = 1T exp λa 1 V 1 V 2 Kernel können mittels Sylvester Gleichungen in O n 3 berechnet werden. 49
50 Ähnlichkeit zwischen Knoten Ähnlichkeit zwischen Graphen: Gewichtete Anzahl gemeinsamer Wege in den Graphen. Annahme: Knoten sind ähnlich, wenn sie durch viele Wege verbunden sind. Random-Walk Kernel k v i, v j = λ k A k k v i, v j = k=1 k=1 λ k k! A k ij ij = I λa 1 = exp λa ij ij 50
51 Weitere Graph-Kernel Kürzeste-Wege Kernel Ein kürzester Weg zwischen allen Paaren von Knoten kann mit dem Floyd-Warshall-Algorithmus in O V 3 berechnet werden. Wir vergleichen dann alle Paare von kürzesten Wegen zwischen zwei Graphen in der Zeit O V 1 2 V 2 2. Teilbaum Kernel Idee: Benutze X = 0,1 S als Featureraum; wobei S die Menge aller verschiedener Bäume ist. Der Kernel kann für eine feste Höhe rekursiv berechnet werden. Größe Baume werden durch ihn runtergewichtet. 51
52 Zusammenfassung - strukturierte Kernel Kernelfunktionen sind ein Maß der Ähnlichkeit, um nicht-numerische Daten vergleichen zu können: String Kernel Sie zählen die Anzahl der gemeinsamen Teilzeichenfolgen zwischen 2 Strings. Graph Kernel Sie verwenden gemeinsame Strukturen zwischen Graphen als Basis für ihren Featureraum: Wege Gemeinsame-Wege Kernel, Random-Walk Kernel, Kürzeste-Wege Kernel Teilbäume Teilbaum Kernel Kernels sind auch auf andere Strukturen (zb. Bäume, Bilder,...) definiert Der Kernel wird je nach Anwendung ausgewählt. 52
Fortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrTeil III. Komplexitätstheorie
Teil III Komplexitätstheorie 125 / 160 Übersicht Die Klassen P und NP Die Klasse P Die Klassen NP NP-Vollständigkeit NP-Vollständige Probleme Weitere NP-vollständige Probleme 127 / 160 Die Klasse P Ein
MehrTheorie der Informatik. Theorie der Informatik. 6.1 Einführung. 6.2 Alphabete und formale Sprachen. 6.3 Grammatiken. 6.4 Chomsky-Hierarchie
Theorie der Informatik 17. März 2014 6. Formale Sprachen und Grammatiken Theorie der Informatik 6. Formale Sprachen und Grammatiken Malte Helmert Gabriele Röger Universität Basel 17. März 2014 6.1 Einführung
MehrLösungsvorschläge und Erläuterungen Klausur zur Vorlesung Grundbegriffe der Informatik 15. September 2016
Lösungsvorschläge und Erläuterungen Klausur zur Vorlesung Grundbegriffe der Informatik 15. September 2016 Klausurnummer Nachname: Vorname: Matr.-Nr.: Diese Klausur ist mein 1. Versuch 2. Versuch in GBI
MehrFormale Methoden 2. Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2015/2016
Formale Methoden 2 Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2015/2016 Teil 3: Kodierung 1 Motivation 2 Exkurs Grundlagen formaler Sprachen 3 Grundlagen 4 Beispielkodierungen FM2 (WS 2014/15,
MehrAlgorithmen und Datenstrukturen Kapitel 6 Komplexitätstheorie
Algorithmen und Datenstrukturen Kapitel 6 Komplexitätstheorie Einführung in P und NP Frank Heitmann heitmann@informatik.uni-hamburg.de 11. November 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de
Mehr11. Woche: Turingmaschinen und Komplexität Rekursive Aufzählbarkeit, Entscheidbarkeit Laufzeit, Klassen DTIME und P
11 Woche: Turingmaschinen und Komplexität Rekursive Aufzählbarkeit, Entscheidbarkeit Laufzeit, Klassen DTIME und P 11 Woche: Turingmaschinen, Entscheidbarkeit, P 239/ 333 Einführung in die NP-Vollständigkeitstheorie
MehrWintersemester 2004/ Februar 2005
Lehrstuhl für Praktische Informatik III Norman May B6, 29, Raum C0.05 68131 Mannheim Telefon: (0621) 181 2517 Email: norman@pi3.informatik.uni-mannheim.de Matthias Brantner B6, 29, Raum C0.05 68131 Mannheim
MehrProgramm heute. Algorithmen und Datenstrukturen (für ET/IT) Übersicht: Graphen. Definition: Ungerichteter Graph. Definition: Ungerichteter Graph
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 07 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München 7 Fortgeschrittene Datenstrukturen Graphen
Mehr19. Dynamic Programming I
495 19. Dynamic Programming I Fibonacci, Längste aufsteigende Teilfolge, längste gemeinsame Teilfolge, Editierdistanz, Matrixkettenmultiplikation, Matrixmultiplikation nach Strassen [Ottman/Widmayer, Kap.
MehrAlgorithmen und Datenstrukturen 2-1. Seminar -
Algorithmen und Datenstrukturen 2-1. Seminar - Dominic Rose Bioinformatics Group, University of Leipzig Sommersemster 2010 Outline 1. Übungsserie: 3 Aufgaben, insgesamt 30 28 Punkte A1 Spannbäume (10 8
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 25. Vorlesung Dynamisches Programmieren Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Klausurvorbereitung Tipp: Schreiben Sie sich alle Fragen
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Tutorium 24-6. Sitzung Marcus Georgi tutorium@marcusgeorgi.de 04.12.2009 1 Repräsentation von Graphen im Rechner Adjazenzlisten Adjazenzmatrizen Wegematrizen 2 Erreichbarkeitsrelationen
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
MehrStud.-Nummer: Datenstrukturen & Algorithmen Seite 1
Stud.-Nummer: Datenstrukturen & Algorithmen Seite 1 Aufgabe 1. / 16 P Instruktionen: 1) In dieser Aufgabe sollen Sie nur die Ergebnisse angeben. Diese können Sie direkt bei den Aufgaben notieren. 2) Sofern
Mehr16. November 2011 Zentralitätsmaße. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87
16. November 2011 Zentralitätsmaße H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87 Darstellung in spektraler Form Zentralität genügt Ax = κ 1 x (Herleitung s. Tafel), daher ist x der Eigenvektor
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 10
D-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler Lösungen Serie 10 1. Für a 1 : 1 1 0, a 2 : 1 1, a 3 : 1 1 1, b : 2 2 2 1 und A : (a 1, a 2, a 3 ) gelten welche der folgenden Aussagen? (a) det(a)
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 4: Wörter (und vollständige Induktion) Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Oktober 2008 1/29 Überblick Wörter Wörter Das leere Wort Mehr zu
Mehr2 Alphabete, Wörter, Sprachen und die Darstellung von Problemen
Das Tiefste, das wir erfahren können, sind die Offenbarungen der Mystik. Sie sind das fundamentalste Gefühl, das an der Wiege aller wahren Kunst und Wissenschaft steht. Wer es nicht kennt, kann sich nicht
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 26. Vorlesung Greedy- und Approximationsalgorithmen Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Operations Research Optimierung für Wirtschaftsabläufe:
MehrDas Problem des Handlungsreisenden
Seite 1 Das Problem des Handlungsreisenden Abbildung 1: Alle möglichen Rundreisen für 4 Städte Das TSP-Problem tritt in der Praxis in vielen Anwendungen als Teilproblem auf. Hierzu gehören z.b. Optimierungsprobleme
Mehr2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung
2 Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0
MehrÜbungsblatt 14. Lineare Algebra II, Prof. Dr. Plesken, WS 2008/09
Übungsblatt 14 Lineare Algebra II, Prof. Dr. Plesken, WS 2008/09 Aufgabe 3. (Symmetrisches Produkt. 4 Punkte.) Sei V ein n-dimensionaler K-Vektorraum mit Basis B V n und ϕ: V K[x 1,...,x n ] 1 der Isomorphismus,
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen)
WS 2015/16 Diskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrEinführung in die Theoretische Informatik
Technische Universität München Fakultät für Informatik Prof. Tobias Nipkow, Ph.D. Sascha Böhme, Lars Noschinski Sommersemester 2 Lösungsblatt 23. Mai 2 Einführung in die Theoretische Informatik Hinweis:
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrReguläre Sprachen. R. Stiebe: Theoretische Informatik für ING-IF und Lehrer,
Reguläre Sprachen Reguläre Sprachen (Typ-3-Sprachen) haben große Bedeutung in Textverarbeitung und Programmierung (z.b. lexikalische Analyse) besitzen für viele Entscheidungsprobleme effiziente Algorithmen
MehrIsomorphismus. Definition Gruppen-Isomorphismus. Seien (G, +) und (G, ) Gruppen. Die Abbildung f : G G heißt Gruppen-Isomorphismus, falls gilt
Isomorphismus Definition Gruppen-Isomorphismus Seien (G, +) und (G, ) Gruppen. Die Abbildung f : G G heißt Gruppen-Isomorphismus, falls gilt 1 f ist bijektiv f (u + v) = f (u) f (v) für alle u, v G, die
MehrHidden-Markov-Modelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Hidden-Markov-Modelle Tobias Scheffer Thomas Vanck Hidden-Markov-Modelle: Wozu? Spracherkennung: Akustisches Modell. Geschriebene
MehrBerechnung von Abständen
3. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 3.4. Es sei G = (V, E) ein Graph. Der Abstand d(v, w) zweier Knoten v, w V ist die minimale Länge eines Weges von v nach w.
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrAlgo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7
1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten
MehrLineare Differenzengleichungen
Lineare Differenzengleichungen Die Fibonacci-Zahlen F n sind definiert durch F 0 = 0 F 1 = 1 F n = F n 1 +F n 2 für n >= 2 Die letzte Zeile ist ein Beispiel für eine homogene lineare Differenzengleichung
Mehr1 Raumwechsel: Gr. 19 (Fr 12-14, F-334) diese Woche in D Studie zum Arbeitsverhalten von Studierenden unter Leitung
Organisatorisches Algorithmen und Datenstrukturen Kapitel 6 Komplexitätstheorie in P und NP Frank Heitmann heitmann@informatik.uni-hamburg.de 1 Raumwechsel: Gr. 19 (Fr 12-14, F-334) diese Woche in D-129.
MehrReguläre Ausdrücke. Michael Jäger. 4. April 2017
Reguläre Ausdrücke Michael Jäger 4. April 2017 Zeichenketten und Sprachen Ein Alphabet ist eine endliche Menge von Symbolen. Beispiele: 1. Σ 1 = {0, 1} 2. Σ 2 = {a, b, c, d, e, f, g, h, i, j, k, l, m,
MehrDefinition 7.1. Der Coxeter Graph zu W ist der ungerichtete gewichtete Graph Γ W = (V, E), mit Eckenmenge V und Kantenmenge E, gegeben durch V = und
7. Coxeter Graphen Um die endlichen Spiegelungsgruppen zu klassifizieren, wollen wir ihnen nun Graphen zuordnen, die die Gruppen bis auf Isomorphie eindeutig bestimmen. Im Folgenden sei wie vorher Π Φ
MehrEinheit 11 - Graphen
Einheit - Graphen Bevor wir in medias res (eigentlich heißt es medias in res) gehen, eine Zusammenfassung der wichtigsten Definitionen und Notationen für Graphen. Graphen bestehen aus Knoten (vertex, vertices)
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Dynamische Programmierung Einführung Ablaufkoordination von Montagebändern Längste gemeinsame Teilsequenz Optimale
MehrIsomorphie von Bäumen
Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................
Mehr3 Ein wenig Kombinatorik
3 Ein wenig Kombinatori Definition i) Zu jedem n N definiere 1 2 3 n Saubere Definition ist indutiv 1! 1 (Konvention: 0! 1) (n +1)!(n +1) ii) Für n N und (N {0}) mit0 n setze!(n )! 1 2 n (n +1) (n +2)
MehrKapitel 12: Induktive
Kapitel 12: Induktive Datenstrukturen Felix Freiling Lehrstuhl für Praktische Informatik 1 Universität Mannheim Vorlesung Praktische Informatik I im Herbstsemester 2009 Folien nach einer Vorlage von H.-Peter
MehrEigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Siehe Analysis (von der Hude, Folie 20: Definition 2.3. Ein Vektor x R n heißt Eigenvektor der quadratischen n n-matrix A zum Eigenwert λ R, wenn gilt Ax = λx Die Eigenwerte
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 16: Erste Algorithmen in Graphen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für
MehrTheorie der Informatik
Theorie der Informatik 6. Formale Sprachen und Grammatiken Malte Helmert Gabriele Röger Universität Basel 17. März 2014 Einführung Beispiel: Aussagenlogische Formeln Aus dem Logikteil: Definition (Syntax
Mehr7. Transitive Hülle. Kante des Graphen. Zusatz-Kante der transitiven Hülle
In Anwendungen ist es oft interessant zu wissen, ob man überhaupt von einem Knoten v zu einem Knoten w gelangen kann, ganz gleich wie lang der Weg auch ist. Gegeben sei dabei ein gerichteter Graph G =
MehrAlgorithmen und Komplexität Lösungsvorschlag zu Übungsblatt 8
ETH Zürich Institut für Theoretische Informatik Prof. Dr. Angelika Steger Florian Meier, Ralph Keusch HS 2017 Algorithmen und Komplexität Lösungsvorschlag zu Übungsblatt 8 Lösungsvorschlag zu Aufgabe 1
Mehr6.1 Präsentationen von Gruppen
244 6.1 Präsentationen von Gruppen Es geht jetzt um die Beschreibung von Gruppen durch Erzeugende und Relationen, also z. B. um die genaue Beschreibung dessen, was Zeilen wie die folgende bedeuten: G :=
MehrAlgorithmen und Komplexität
Algorithmen und Komplexität Dynamische Programmierung Markus Ullrich Norbert Baum Fachbereich Informatik - IIb07 Hochschule Zittau/Görlitz 28. Mai 2009 1 / 29 Wie sieht es mit langen Ketten aus? A 1 A
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrGraphentheorie Graphentheorie. Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke
Graphen Graphentheorie Graphentheorie Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke 2 Was ist ein Graph? Ein Graph ist in der Graphentheorie eine abstrakte Struktur,
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrAlgorithmen und Datenstrukturen. Organisatorisches. Christian Komusiewicz Ernst-Abbe-Platz 2, R3315
Algorithmen und Datenstrukturen Christian Komusiewicz Ernst-Abbe-Platz 2, R3315 christian.komusiewicz@uni-jena.de Friedrich-Schiller-Universität Jena Institut für Informatik http://users.fmi.uni-jena.de/
MehrADS: Algorithmen und Datenstrukturen 1
ADS: Algorithmen und Datenstrukturen 1 Teil 13+ɛ Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
Mehrκ(k) k K S Algorithmus zur Bestimmung eines spannenden Baumes mit minimalen Kosten (Kruskal, 1965).
5. Graphenprobleme Im folgenden bezeichnen G = (E, K) einen endlichen Graphen mit der Eckenmenge E und der Kantenmenge K. G kann ungerichtet, gerichtet, schlicht oder nicht schlicht sein. 5.1 Spannende
MehrNash-Gleichgewichte in 2-Spieler Systemen. Katharina Klost Freie Universität Berlin
Nash-Gleichgewichte in 2-Spieler Systemen Katharina Klost Freie Universität Berlin Seminar über Algorithmen, 29.10.2013 Grundlegende Definitionen A Gewinnmatrix für Spieler 1, B Gewinnmatrix für Spieler
MehrAm Dienstag, den 16. Dezember, ist Eulenfest. 1/45
Am Dienstag, den 16. Dezember, ist Eulenfest. 1/45 Grundbegriffe der Informatik Einheit 12: Erste Algorithmen in Graphen Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrDie Komplexitätsklassen P und NP
Die Komplexitätsklassen P und NP Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen November 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit und
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrRelationen und DAGs, starker Zusammenhang
Relationen und DAGs, starker Zusammenhang Anmerkung: Sei D = (V, E). Dann ist A V V eine Relation auf V. Sei andererseits R S S eine Relation auf S. Dann definiert D = (S, R) einen DAG. D.h. DAGs sind
Mehr5 Lineare Abbildungen
5 Lineare Abbildungen Pink: Lineare Algebra HS 2014 Seite 56 5 Lineare Abbildungen 5.1 Definition Gegeben seien Vektorräume U, V, W über einem Körper K. Definition: Eine Abbildung f : V W heisst K-linear,
MehrTheoretische Informatik 1
heoretische Informatik 1 uringmaschinen David Kappel Institut für Grundlagen der Informationsverarbeitung echnische Universität Graz 11.03.2016 Übersicht uring Maschinen Algorithmusbegriff konkretisiert
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik. a 0 = 0 =
Lösungsskizzen zu den Klausuraufgaben zum Kurs 4 Algorithmische Mathematik 4KSL3 6 Punkte Aufgabe. Die Folge (a n ) n N natürlicher Zahlen a n sei rekursiv definiert durch a 0 = 0, a n = a n + n falls
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 6 (WS 2010/2011) Abgabetermin: Donnerstag, 27. November
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 6 (WS 2010/2011) Abgabetermin: Donnerstag, 27. November http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzugen zur Vorlesung: Der Vollständigkeit
MehrLernmodul 2 Graphen. Lernmodul 2: Geoobjekte und ihre Modellierung - Graphen
Folie 1 von 20 Lernmodul 2 Graphen Folie 2 von 20 Graphen Übersicht Motivation Ungerichteter Graph Gerichteter Graph Inzidenz, Adjazenz, Grad Pfad, Zyklus Zusammenhang, Trennende Kante, Trennender Knoten
MehrVorlesung Diskrete Strukturen Graphen: Wieviele Bäume?
Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2009/10 1 Bernhard Ganter, TU Dresden Modul Einführung
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
Mehr5 Lineare Abbildungen
5 Lineare Abbildungen Pink: Lineare Algebra 2014/15 Seite 59 5 Lineare Abbildungen 5.1 Definition Gegeben seien Vektorräume U, V, W über einem Körper K. Definition: Eine Abbildung f : V W heisst K-linear,
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2010/11
MehrWorkshop Einführung in die Sprache Haskell
Workshop Einführung in die Sprache Haskell Nils Rexin, Marcellus Siegburg und Alexander Bau Fakultät für Informatik, Mathematik und Naturwissenschaften Hochschule für Technik, Wirtschaft und Kultur Leipzig
MehrD-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung. Serie 11
D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung Serie 11 1. Wir betrachten das überbestimmte Gleichungssystem Ax = y mit 1 1 1 1 A := 1 1 0 1 0 1, y := 2 3 0 0 1 4 Berechnen Sie die
Mehr4. Kreis- und Wegeprobleme Abstände in Graphen
4. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 4.4. Es sei G = (V,E) ein Graph. Der Abstand d(v,w) zweier Knoten v,w V ist die minimale Länge eines Weges von v nach w. Falls
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmische Bioinformatik 1
Algorithmische Bioinformatik 1 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Algorithmen
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
MehrVariante A. Hinweise
Lehrstuhl C für Mathematik (Analsis Prof. Dr. Y. Guo Aachen, den 6..3 Klausur zur Höheren Mathematik I WS /3 Variante A Hinweise Zugelassene Hilfsmittel: Als Hilfsmittel zugelassen sind handschriftliche
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (1) Darstellung Traversierung Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 441 Generalisierung von Bäumen Verallgemeinerung (von Listen zu Graphen)
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
Mehr2.4 Lineare Abbildungen und Matrizen
24 Lineare Abbildungen und Matrizen Definition 24 Seien V, W zwei K-Vektorräume Eine Abbildung f : V W heißt lineare Abbildung (lineare Transformation, linearer Homomorphismus, Vektorraumhomomorphismus
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrAlgorithmische Bioinformatik 1
Algorithmische Bioinformatik 1 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Paarweises
MehrAutomatentheorie und Formale Sprachen
Automatentheorie und Formale Sprachen Mengen, Alphabete, Wörter, formale Sprachen Dozentin: Wiebke Petersen 29.4.2009 Wiebke Petersen Automatentheorie und formale Sprachen SoSe 09 Mengen Definition 1.
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
Mehr3.5 Schnelle Fouriertransformation (FFT, DFT)
3.5 Schnelle Fouriertransformation (FFT, DFT) 3.5.1 Grundlagen Ein Polynom P = i a ix i C[x] vom Grad n ist eindeutig durch seine Koeffizienten a i bestimmt, d.h. man hat eine Bijektion {Polynome C[x]
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 5. Dezember 2017 INSTITUT FÜR THEORETISCHE 0 05.12.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
MehrGraphalgorithmen 2. Dominik Paulus Dominik Paulus Graphalgorithmen / 47
Graphalgorithmen Dominik Paulus.0.01 Dominik Paulus Graphalgorithmen.0.01 1 / 7 1 Spannbäume Kruskal Prim Edmonds/Chu-Liu Datenstrukturen Fibonacci-Heap Union/Find Kürzeste Pfade Dijkstra Bellman-Ford
MehrVorlesung Diskrete Strukturen Graphen: Wieviele Bäume?
Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter WS 2009/10 Isomorphie Zwei Graphen (V 1, E 1 ) und (V 2, E 2 ) heißen isomorph, wenn es eine bijektive, Kanten erhaltende und Kanten
Mehr2. November Gradfolgen Zusammenhang Kürzeste Wege. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37
2. November 2011 Gradfolgen Zusammenhang Kürzeste Wege H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37 Satz von Erdős und Gallai Eine Partition einer natürlichen Zahl ist genau dann die Gradfolge
MehrDigraphen, DAGs und Wurzelbäume
Digraphen (gerichtete Graphen) Slide 1 Digraphen, DAGs und Wurzelbäume Digraphen (gerichtete Graphen) Slide 2 Eingangs- und Ausgangsgrad Bei einer gerichteten Kante e = (u,v) E heißt u Startknoten von
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 8 FS 16
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik. April 0
MehrRelationen und Funktionen
Relationen und Funktionen Relationen und Funktionen Vorkurs Informatik Theoretischer Teil WS 2013/14 2. Oktober 2013 Vorkurs Informatik WS 2013/14 1/27 Relationen und Funktionen > Relationen Relationen
Mehr4.4 Hermitesche Formen
44 Hermitesche Formen Wie üblich bezeichnen wir das komplex konjugierte Element von ζ = a + bi C (a, b R) mit ζ = a bi Definition 441 Sei V ein C-Vektorraum Eine hermitesche Form (HF) auf V ist eine Abbildung
MehrProgrammierung 2. Dynamische Programmierung. Sebastian Hack. Klaas Boesche. Sommersemester 2012. hack@cs.uni-saarland.de. boesche@cs.uni-saarland.
1 Programmierung 2 Dynamische Programmierung Sebastian Hack hack@cs.uni-saarland.de Klaas Boesche boesche@cs.uni-saarland.de Sommersemester 2012 2 Übersicht Stammt aus den Zeiten als mit Programmierung
MehrLösungen zur Vorlesung Berechenbarkeit und Komplexität
Lehrstuhl für Informatik 1 WS 009/10 Prof. Dr. Berthold Vöcking 0.0.010 Alexander Skopalik Thomas Kesselheim Lösungen zur Vorlesung Berechenbarkeit und Komplexität. Zulassungsklausur Aufgabe 1: (a) Worin
Mehr