Entscheidungsunterstützung/ Künstliche Intelligenz. Teil 4
|
|
- Gerhardt Buchholz
- vor 6 Jahren
- Abrufe
Transkript
1 Entscheidungsunterstützung/ Künstliche Intelligenz Teil 4 BiTS, Sommersemester 2005 Dr. Stefan Kooths KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 1
2 Gliederung 1. Einführung 2. Entscheidungslehre 3. Entscheidungsunterstützungssysteme 4. Künstliche Intelligenz im Überblick 5. AHP und ANP 6. GENEFER-Technologien 7. Prognosen (Finanzzeitreihen) 8. Simulation (Spielkonsolenmarkt) 9. MSS-Produktpräsentationen KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 2
3 GENEFER-Technologien Basistechnologie: Fuzzy-Systeme Grundkonzept: Hybridisierung Inputidentifizierung: Fuzzy-Curves/-Surfaces Fuzzifizierung: Wettbewerbslernen Regelgenerierung evolutionär/induktiv neuronal (Wettbewerbslernen) Simplifizierung: genetisch Tuning genetisch neuronal (Backprop) KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 3
4 GENEFER-Technologien Basistechnologie: Fuzzy-Systeme Grundkonzept: Hybridisierung Inputidentifizierung: Fuzzy-Curves/-Surfaces Fuzzifizierung: Wettbewerbslernen Regelgenerierung evolutionär/induktiv neuronal (Wettbewerbslernen) Simplifizierung: genetisch Tuning genetisch neuronal (Backprop) KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 4
5 Klassische Mengen und Fuzzy Mengen Zugehörigkeitsgrad (ZG) 1 klassische Menge (binäre Zugehörigkeit) Zugehörigkeitsgrad (ZG) 1 Fuzzy-Menge (graduelle Zugehörigkeit) 0,5 "nicht warm" "warm" 0,5 "fuzzy-warm" ,5 scharfer Trennwert Temperatur in C (b) 0 -Level-Set (Zugehörigkeit ) Temperatur in C (b) Unschärfebereich Support (Zugehörigkeit > 0) KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 5
6 kühl vom Grad 0,19 angenehm vom Grad 0,82 Indikatorfunktion Fuzzifizierung Raumtemperatur linguistische Variable (LV) ZG 1 kalt kühl angenehm warm sehr warm Ausprägungen linguistische Terme (LT j ) Definition von Zugehörigkeitsfunktionen 0,5 Fuzzy-Mengen (F j ) Verbindung zwischen linguistischer und reelwertiger Ebene ,7 scharfe Eingabe b scharfe Basisvariable (B) KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 6
7 Fuzzifizierung: Schwarz-Weiß-Grau-Beispiel KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 7
8 Fuzzifizierung: Ökonomisches Beispiel 1 ZG sehr niedrig Auslastungsgrad einer Maschine niedrig normal hoch sehr hoch 0, Betriebsstunden/Tag KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 8
9 Fuzzy-Mengen: Grundformen trianguläre Form Gauß-Form 1 ZG 1 ZG 0,5 0,5 linke Weite rechte Weite 0,37 wl wr linke Weite (wl) Zentrum (z) rechte Weite (wr) b Zentrum (z) b KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 9
10 Gaußproblem: Dominanzeffekt der großen Weite ZG 1 ZG 1 rel. ZG1 F2 F1 rel. ZG1 F2 F1 0,5 0, KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 10
11 Randsättigung als Lösung des Gaußproblems 1 ZG kalt sehr warm 0, b KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 11
12 Fuzzy-Regeln: Aufbau und Inferenzprinzip Stilisierte Form einer Fuzzy-Regel IF Bedingung(en) THEN Reaktion auf Bedingung(en) Konditionalteil Konsekutivteil Inferenzprinzip Fuzzy-Regel Konditionalteil Übertragung des Erfülltheitsgrades (= Applikationsgrad der Regel) Konsekutivteil KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 12
13 Fuzzy-Inferenz: Beispiel Inflationsprognosen Determinante Erwartungsgröße ZG 1 hohe Arbeitslosigkeit (Fuzzy-Menge FW) ZG 1 niedrige Inflation (Fuzzy-Menge FD) 0,5 hat Einfluß auf... 0, Arbeitslosenquote in % d Inflationsrate in % 4 e Konditionalteil Konsekutivteil 1 ZG ZG 1 Skalierung 0,5 ZG = 0,52 Übertragung des Applikationsgrades 0,5 Signifikanzgrad 0 d d = 8,15 % Arbeitslosenquote in % Inflationsrate in % 4 e KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 13
14 Fuzzy-Regelbasis: Inflationsprognose fuzzifizierte Folgerung Inflationsrate in % e ZG 1 0, WENN sehr niedrige Arbeitslosigkeit DANN sehr hohe Inflation WENN niedrige Arbeitslosigkeit DANN hohe Inflation WENN normale Arbeitslosigkeit DANN normale Inflation DANN WENN hohe Arbeitslosigkeit DANN niedrige Inflation Regelbasis W E N N WENN sehr hohe AL DANN sehr niedrige Infl. 1 ZG 0,5 0,53 0,15 0 d d = 4,85 Arbeitslosenquote in % fuzzifizierte Bedingung KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 14
15 Abgabenaufkommen Fuzzy-Regelbasis: Laffer-Kurve (Abschätzung des Abgabenaufkommens) 0 WENN niedriger Abgabensatz DANN mittleres Abgabenaufkommen WENN sehr niedriger Abgabensatz DANN niedriges Abgabenaufkommen WENN mittlerer Abgabensatz DANN hohes Abgabenaufkommen 0 Abgabensatz WENN hoher Abgabensatz DANN mittleres Abgabenaufkommen WENN sehr hoher Abgabensatz DANN niedriges Abgabenaufkommen KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 15
16 Fuzzy-Inferenz: Akkumulation verschiedene Regeln mit identischen Konsekutivteil Signifikanzgrad = min(1,summe der Applikationsgrade) KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 16
17 Fuzzy-Inferenz: Aggregation Auswertung mehrdimensionaler Fuzzy-Regeln Fuzzy-Und Minimum-Operator Produkt-Operator KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 17
18 Regel n Regel n-1 Regel 3 Regel 2 Regel 1 Fuzzy-Regelauswertung im Überblick AGGREGATION AKKUMULATION INFERENZ i.e.s. Auswertung multidimensionaler Regelbedingungen IF-Term X2 IF-Term Y3 IF-Term X4 IF-Term Y2 ZG(X2) ZG(Y3) ZG(X4) ZG(Y2) Fuzzy Und Fuzzy Und ZG(X2 AND Y3) ZG(X4 AND Y2) THEN-Term E4 THEN-Term E4 identischer Konsekutivterm E4 Regelbündelung bei identischem Konsekutivterm ZG(X2 AND Y3) ZG(X4 AND Y2) limit. SUM ZG(E4) Konsekutivterm E4 gewichtete Fuzzy-Partitionierung der Erwartungsgröße E5 fuzzifizierte Erwartungsgröße e IF-Term X1 IF-Term Y5 ZG(X1) ZG(Y5) Fuzzy Und ZG(X1 AND Y5)... THEN-Term E1 Konsekutivterm E1 ZG(X1 AND Y5) = ZG(E1) Konsekutivterm E1 E4 E3 E2 IF-Term X5 IF-Term Y2 IF-Term X4 IF-Term Y3 ZG(X5) ZG(Y2) ZG(X4) ZG(Y3) Fuzzy Und Fuzzy Und ZG(X5 AND Y2) ZG(X4 AND Y3) THEN-Term E5 THEN-Term E5 identischer Konsekutivterm E5 ZG(E5) ZG(X5 AND Y2) ZG(X4 AND Y3) limit. SUM Konsekutivterm E5 E1 ZG 1 ZG(E4) ZG(E5) 0 Ergebnis: Applikationsgrade der Regeln Ergebnis: Signifikanzgrade der Konsekutivterme Fuzzy-Inferenzergebnismenge KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 18
19 Defuzzifizierung Suche nach dem repräsentativen scharfen Wert der Outputbasisvariablen Center-of-Maximum-Verfahren Center-of-Maximum-Verfahren 1 ZG 0,5 0 SIW = e^ (gewichtete Zentren) e KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 19
20 Defuzzifizierung Suche nach dem repräsentativem scharfen Wert der Outputbasisvariablen Center-of-Area-Verfahren Center-of-Area-Verfahren 1 ZG 0,5 0 SIW = e^ (Flächenschwerpunkt) e KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 20
21 Fuzzy-Inferenzprozess KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 21
22 reellwertige Ebene linguistische Ebene Fuzzy-Regelung (Fuzzy-Control) Fuzzy-Regler Inferenz IF... THEN... IF... THEN... IF... THEN... Fuzzifizierung Defuzzifizierung gewünschtes Systemergebnis Sollwertvorgabe! scharfer Systemoutput scharfe Umweltzustände Regelstrecke (technisches System) scharfe Stellgrößen scharfe Störgrößen Systemumgebung (exogene Einflüsse) KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 22
23 Wissensbasis eines Regelsystems KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 23
24 GENEFER-Technologien Basistechnologie: Fuzzy-Systeme Grundkonzept: Hybridisierung Inputidentifizierung: Fuzzy-Curves/-Surfaces Fuzzifizierung: Wettbewerbslernen Regelgenerierung evolutionär/induktiv neuronal (Wettbewerbslernen) Simplifizierung: genetisch Tuning genetisch neuronal (Backprop) KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 24
25 Hybridisierung KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 25
26 GENEFER-Technologien Basistechnologie: Fuzzy-Systeme Grundkonzept: Hybridisierung Inputidentifizierung: Fuzzy-Curves/-Surfaces Fuzzifizierung: Wettbewerbslernen Regelgenerierung evolutionär/induktiv neuronal (Wettbewerbslernen) Simplifizierung: genetisch Tuning genetisch neuronal (Backprop) KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 26
27 Fuzzy-Curves/Fuzzy-Surfaces Skalierung (Einheitsinterval) Fuzzy-Menge zu jedem Datenpunkt skaliert mit Outputwert Interpretation als Fuzzy Regelbasis Defuzzifierung über alle Beobachtungen Ordnung der Input-Größen gemäß MSE KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 27
28 Fuzzy-Curves: Datenpunkt-Fuzzy-Mengen KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 28
29 Fuzzy-Curves: Punktbestimmung KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 29
30 Fuzzy-Curves: Synthetisches Beispiel KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 30
31 Fuzzy-Surfaces Problem abhängiger Inputs ( Kolinearität ) Ausdehung auf zweidimensionale Betrachtung (Inputpaare) Fuzzy-Regel: defuzzifizierter Schätzwert (Punkt auf Fuzzy-Surface) KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 31
32 FC-FS-Algorithmus: Pseudocode KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 32
33 GENEFER-Technologien Basistechnologie: Fuzzy-Systeme Grundkonzept: Hybridisierung Inputidentifizierung: Fuzzy-Curves/-Surfaces Fuzzifizierung: Wettbewerbslernen Regelgenerierung evolutionär/induktiv neuronal (Wettbewerbslernen) Simplifizierung: genetisch Tuning genetisch neuronal (Backprop) KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 33
34 Evolutionäre Regelgenerierung: Kriterien Completeness: Covering-Value Consistency: Kompatibilitätsgrad Konzept der positiven und negativen Beobachtungspunkte k = TDS - / TDS + Gauss-ZG: Mindestzugehörigkeitswert KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 34
35 Evolutionäre Regelgenerierung: Pseudocode KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 35
36 Evolutionäre Regelgenerierung: Beispiel KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 36
37 Evolutionäre Regelgenerierung: Fitness-Bewertung KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 37
38 Evolutionäre Regelgenerierung: Regelanzahl Ähnlichkeit Beobachtungspunkte Granularität der Fuzzifizierung Mindestabdeckung ( ) KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 38
39 scharfer Wert von Determinante 2 scharfer Wert von Determinante 1 tatsächlicher scharfer Wert der Erwartungsgröße Neuronale Regelgenerierung (Wettbewerbslernen) Fuzzy UND vollverknüpfte Regelbasis Fuzzy UND Fuzzy UND Fuzzy UND Fuzzy UND g 4 m,k Fuzzy UND Fuzzy UND Eingabesignalfluß für Konditionalteil Fuzzy UND Fuzzy UND Erwartungsgrößenfuzzifizierung Eingabesignalfluß für Konsekutivteil KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 39
40 GENEFER-Technologien Basistechnologie: Fuzzy-Systeme Grundkonzept: Hybridisierung Inputidentifizierung: Fuzzy-Curves/-Surfaces Fuzzifizierung: Wettbewerbslernen Regelgenerierung evolutionär/induktiv neuronal (Wettbewerbslernen) Simplifizierung: genetisch Tuning genetisch neuronal (Backprop) KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 40
41 Simplifizierung der Rule Base: Ist weniger mehr? Nebenbedinung: Completeness! CV einer RB in Bezug auf Trainingsbeispiel CVs einer RB in Bezug auf Trainingsmenge TSCD = Training-Set Completeness Degree Fitnessfunktion KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 41
42 Simplifizierungsalgorithmus: Pseudocode KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 42
43 GENEFER-Technologien Basistechnologie: Fuzzy-Systeme Grundkonzept: Hybridisierung Inputidentifizierung: Fuzzy-Curves/-Surfaces Fuzzifizierung: Wettbewerbslernen Regelgenerierung evolutionär/induktiv neuronal (Wettbewerbslernen) Simplifizierung: genetisch Tuning genetisch neuronal (Backprop) KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 43
44 Tuning der Fuzzification Base: Genetisch 1 Reellwertige Kodierung Beschränkung des Suchraums KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 44
45 Tuning der Fuzzification Base: Genetisch 2 Crossover Operatoren Mutationsoperator mit: KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 45
46 Tuning der Fuzzification Base: Neuronal (MBP) keine Anpassung ALTE WEITEN Anpassung ALTE ZENTREN ALTE REGELGEWICHTE 2a konstante Überlappung lernen 1 lernen keine Anpassung 3 keine erlernte Weitenänderung 4 Error-Backpropagation-Algorithmus mit Perzeptionsintervall und optionaler Randsättigungsabschmelzung 4 konstante exogene Gewichtung aller Regeln 5 optionale Extremwertlimitierung 6 Negativkorrektur Negativkorrektur 2b optionale relative Deckelung der trainierten Parameteränderung 7 Weiten proportional zum Zentrenabstand optionale Konservierung der Regelbasis 11 optionale maximale Nachbartermüberlappung 9 b) optionale Weitenreduktion a) optionale Zentrenverschiebung 8 Normierung 10 optionale minimale Nachbarzentrenüberlappung und obligatorische Mindesttermüberlappung (triang. ZGF) obgligatorische Untergrenze: Weiten 0,0001 NEUE WEITEN NEUE ZENTREN NEUE REGELGEWICHTE KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 46
FELJC Fuzzyregler.odt 1. a) Die Vorgehensweise der klassischen Regelungstechnik
FELJC Fuzzyregler.odt 1 Fuzzy-Regler In diesem Kurs werden nur die Grundlagen anhand von Beispielen behandelt. Für Fuzzifizierung, Inferenz und Defuzzifizierung gibt es viele unterschiedliche Methoden,
MehrEinführung in die Fuzzy Logik
Einführung in die Fuzzy Logik Einleitung und Motivation Unscharfe Mengen fuzzy sets Zugehörigkeitsfunktionen Logische Operatoren IF-THEN-Regel Entscheidungsfindung mit dem Fuzzy Inferenz-System Schlußbemerkungen
MehrFuzzy Logic. Seminar im Sommersemester 2006 an der TU-Darmstadt (Prof. Dr. Fürnkranz) 06/18/06 Knowledge Engineering in Computer Spielen 1
Fuzzy Logic Seminar im Sommersemester 2006 an der TU-Darmstadt (Prof. Dr. Fürnkranz) 06/18/06 Knowledge Engineering in Computer Spielen 1 Geschichte und Definition Grundlegende Begriffe Fuzzy Process Anwendungen
MehrAndreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg
Andreas Scherer Neuronale Netze Grundlagen und Anwendungen vieweg Inhaltsverzeichnis Vorwort 1 1 Einführung 3 1.1 Was ist ein neuronales Netz? 3 1.2 Eigenschaften neuronaler Netze 5 1.2.1 Allgemeine Merkmale
MehrNeuronale Netze. Anna Wallner. 15. Mai 2007
5. Mai 2007 Inhalt : Motivation Grundlagen Beispiel: XOR Netze mit einer verdeckten Schicht Anpassung des Netzes mit Backpropagation Probleme Beispiel: Klassifikation handgeschriebener Ziffern Rekurrente
MehrFundamente der Computational Intelligence
Wintersemester 2005/06 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Kapitel 2: Fuzzy Systeme Inhalt Fuzzy Mengen
MehrGrundlagen der Fuzzy-Logik
Grundlagen der Fuzzy-Logik Seminarvortrag Julian Górny Matrikelnummer: 995146 Gliederung 1 Einleitung 2 Grundlagen 3 Fuzzy-Controller 4 Anwendungsbeispiel 5 Fazit und Ausblick Seite 2 Einleitung Bestimmte
MehrSPS-Grundlagen. Aufbau, Programmierung (IEC 61131, S7), Simulation, Internet, Sicherheit. Bearbeitet von Jens von Aspern
SPS-Grundlagen Aufbau, Programmierung (IEC 61131, S7), Simulation, Internet, Sicherheit Bearbeitet von Jens von Aspern 02. Auflage, überarb. + erw. 2009. Taschenbuch. 273 S. Paperback ISBN 978 3 7785 4060
MehrFuzzy-Inferenz. Fuzzy-Inferenz. Fuzzy-Inferenz. Fuzzy-Inferenz. Klassische Logik. Aussagenlogische Regel: a b
Fuzzy-Inferenz Fuzzy-Inferenz Klassische Logik. Produktionsregelsystem D, R mit D = {a} und R = {a b} Schlußfolgern mit Forward-Chaining (Modus Ponens, MP): a height is tall {0, 1} b weight is heavy {0,
MehrIntelligenz in Datenbanken. Dr. Stefan Freundt Star512 Datenbank GmbH. star512 datenbank gmbh
Intelligenz in Datenbanken Dr. Stefan Freundt Star512 Datenbank GmbH Einleitung Definition von Business! Definition von Intelligenz? Künstliche Intelligenz: Motivation Schach erfordert Intelligenz ==>
MehrFuzzy-Logik Kontext C mit Interpretation. A B
Unexaktes Schlußfolgern Einführung Fuzzy-Mengen Fuzzy-Logik Formel. A B Kontext C mit Interpretation. A B Modifizierer von Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung C mit
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
MehrVerwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen
Verwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen Katharina Witowski (DYNAmore GmbH) Peter Reithofer (4a engineering GmbH) Übersicht Problemstellung Parameteridentifikation
Mehr4 Inferenz und Defuzzifizierung
4 Inferenz und Defuzzifizierung In diesem Kapitel werden wir unser erstes Fuzzyprojekt erstellen; eine einfache Laufkatzenregelung ist unser Ziel. Und damit Sie auch gleich sehen, dass das Projekt funktionstüchtig
MehrWarum konvergieren Genetische Algorithmen gegen ein Optimum?
1 / 21 Gliederung 1 Das Schematheorem Motivation Begriffe Herleitung Ergebnis Das Schematheorem Das Schematheorem Motivation 3 / 21 Warum konvergieren Genetische Algorithmen gegen ein Optimum? Theoretische
MehrEinführung in die Fuzzy-Logik (zur Anwendung in Fuzzy-Reglern)
Seminar Datenverarbeitung SS 98 Einführung in die Fuzzy-Logik (zur Anwendung in Fuzzy-Reglern) Bearbeiter: Michael Hubo Betreuer: Matthias Ortmann Inhaltsverzeichnis 1. MOTIVATION...2 2. WAS BEDEUTET FUZZY-LOGIK?...2
Mehr7 Feed-Forward-Fuzzy-Regler (FFF-Regler)
7 Feed-Forward-Fuzzy-Regler (FFF-Regler) Moderne verfahrenstechnische Prozesse werden von Prozessleitsystemen gesteuert, überwacht und dokumentiert. Stetig steigende Ansprüche an die Produktqualität in
MehrEin Fuzzy-Control geführtes Lüftungssystem für Niedrigenergie- und Passivhäuser
Ein Fuzzy-Control geführtes Lüftungssystem für Niedrigenergie- und Passivhäuser Dr. Christiane Kettner und Willi Schmidt, Ritter Energie-und Umwelttechnik 76307 Karlsbad-Langensteinbach 1. Einleitung Die
MehrAutomatische, datengetriebene Modellgenerierung - Entwicklung und praktische Anwendung -
Institut für Innovative Inform atik-anwendungen Automatische, datengetriebene Modellgenerierung - Entwicklung und praktische Anwendung - P. Gemmar Fachhochschule Trier Entwicklung hydrologischer Modelle
Mehr23.1 Constraint-Netze
Grundlagen der Künstlichen Intelligenz 1. April 2015 2. Constraint-Satisfaction-Probleme: Constraint-Netze Grundlagen der Künstlichen Intelligenz 2. Constraint-Satisfaction-Probleme: Constraint-Netze Malte
Mehr3. Die GUI-Tools der Fuzzy-Logic-Toolbox
-20-3. Die GUI-Tools der Fuzzy-Logic-Toolbox Im folgenden sollen die wichtigsten Komponenten, die Graphical user interface (GUI-) tools, zum Erstellen von Fuzzy-Produktionsregelsystemen (fuzzy inference
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrFuzzy Logic und Wahrscheinlichkeit
Philosophische Fakultät Institut für Philosophie, Lehrstuhl für Theoretische Philosophie, Holm Bräuer M.A. Fuzzy Logic und Wahrscheinlichkeit Ein Kurzüberblick Was ist Fuzzy Logic? Fuzzy-Logik (englisch:
Mehrx 2 x 1 x 3 5.1 Lernen mit Entscheidungsbäumen
5.1 Lernen mit Entscheidungsbäumen Falls zum Beispiel A = {gelb, rot, blau} R 2 und B = {0, 1}, so definiert der folgende Entscheidungsbaum eine Hypothese H : A B (wobei der Attributvektor aus A mit x
MehrStructurally Evolved Neural Networks for Forecasting
Structurally Evolved Neural Networks for Forecasting - Strukturierte neuronale Netze für Vorhersagen Institut für Informatik - Ausgewählte Kapitel aus dem Bereich Softcomputing Agenda Grundlagen Neuronale
MehrFunktion Das Skript erstellt ROC-Kurven mit Konfidenzbändern, berechnet (gewichtete) Cutoff-Punkte und (partial) Area under the Curve (AUC, pauc).
Skriptname: ROC_pAUC7.jsl JMP-Version: JMP 7 Datum: 10.09.2007 Download: ROC.zip Funktion Das Skript erstellt ROC-Kurven mit Konfidenzbändern, berechnet (gewichtete) Cutoff-Punkte und (partial) Area under
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
MehrEinführung in die Fuzzy Logic
Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]
MehrOptimale Produktliniengestaltung mit Genetischen Algorithmen
Optimale Produktliniengestaltung mit Genetischen Algorithmen 1 Einleitung 2 Produktlinienoptimierung 3 Genetische Algorithmen 4 Anwendung 5 Fazit Seite 1 Optimale Produktliniengestaltung mit Genetischen
MehrFuzzy Logik. Ausarbeitung zur Vorlesung Methoden der Künstlichen Intelligenz Betreuung: Prof. Dr. Harald Gläser
Fuzzy Logik Ausarbeitung zur Vorlesung Methoden der Künstlichen Intelligenz Betreuung: Prof. Dr. Harald Gläser an der Fachhochschule Furtwangen Hochschule für Technik und Wirtschaft Fachbereich Wirtschaftsinformatik
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 01/13 Hochschule Augsburg Mathematik : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren
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
MehrUniversität Stuttgart Institut für Automatisierungs- und Softwaretechnik Prof. Dr.-Ing. Dr. h. c. P. Göhner
Universität Stuttgart Institut für Automatisierungs- und Softwaretechnik Prof. Dr.-Ing. Dr. h. c. P. Göhner PRÜFUNG AUTOMATISIERUNGSTECHNIK II SS 20 Name: Matrikelnummer: Note: Prüfungstag: 5.09.20 Prüfungsdauer:
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
MehrRegelungstechnik für Ingenieure
Manfred Reuter Serge Zacher Regelungstechnik für Ingenieure Analyse, Simulation und Entwurf von Regelkreisen 12., korrigierte und erweiterte Auflage Mit 388 Abbildungen, 11 Beispielen und 34 Aufgaben STUDIUM
MehrEine kleine Einführung in neuronale Netze
Eine kleine Einführung in neuronale Netze Tobias Knuth November 2013 1.2 Mensch und Maschine 1 Inhaltsverzeichnis 1 Grundlagen neuronaler Netze 1 1.1 Kopieren vom biologischen Vorbild...... 1 1.2 Mensch
MehrKapitel L:IV. IV. Nichtklassische Logiken. Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung
Kapitel L:IV IV. Nichtklassische Logiken Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung L:IV-1 Nonclassical Logics LETTMANN/STEIN 1998-2013 Fuzzy-Mengen
MehrBayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (1) 1 / 22 Gliederung 1 Unsicheres Wissen 2 Schließen
MehrEin 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
MehrDr. Barbara Lindemann. Fragebogen. Kolloquium zur Externen Praxisphase. Dr. Barbara Lindemann 1
Dr. Barbara Lindemann Fragebogen Kolloquium zur Externen Praxisphase Dr. Barbara Lindemann 1 Überblick 1. Gütekriterien quantitativer Forschungen 2. Fragebogenkonstruktion 3. Statistische Datenanalyse
Mehrf f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
MehrSeminar Imperfektion und Datenbanken WS 2003/2004
Fuzzy Logik im Einsatz der Automobilindustrie Beispiele, wie hilfreich die Fuzzy Logik in der Automobilindustrie ist: Antiblockiersystem Automatisches Schalten Simulation von Abstandhalten Simulation von
MehrReinforcement Learning
Reinforcement Learning 1. Allgemein Reinforcement Learning 2. Neuronales Netz als Bewertungsfunktion 3. Neuronales Netz als Reinforcement Learning Nils-Olaf Bösch 1 Allgemein Reinforcement Learning Unterschied
MehrMethoden der unscharfen Optimierung
Methoden der unscharfen Optimierung Mike Hüftle Juli 2005 Inhaltsverzeichnis 1 Einleitung 2 1.1 Unscharfe Mengen.......................... 2 2 Unscharfe Mengen 3 2.1 Zugehörigkeit.............................
MehrProf. Dr. H. Brenner Osnabrück SS Analysis II. Vorlesung 50. Hinreichende Kriterien für lokale Extrema
Prof. Dr. H. Brenner Osnabrück SS 205 Analysis II Vorlesung 50 Hinreichende Kriterien für lokale Extrema Wir kommen jetzt zu hinreichenden Kriterien für die Existenz von lokalen Extrema einer Funktion
MehrLeistungsprogrammplanung im Krankenhaus mit genetischen Algorithmen Ein Ansatz mit Hilfe der InEK-Referenzwerte auf Kostenmodul-Ebene.
Leistungsprogrammplanung im Krankenhaus mit genetischen Algorithmen Ein Ansatz mit Hilfe der InEK-Referenzwerte auf Kostenmodul-Ebene. Prof. Dr. Axel Focke Hochschule Neu-Ulm Wileyallee 5 89231 Neu-Ulm
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Landmarkenbasierte anhand anatomischer Punkte interaktiv algorithmisch z.b. zur Navigation im OP Markierung von
MehrWärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen
Wärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen Internationale Energiewirtschaftstagung Wien - 12.02.2015 Maike Hasselmann, Simon Döing Einführung Wärmeversorgungsanlagen
MehrVorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Uwe Ligges Informatik LS 8 22.04.2010 1 von 26 Gliederung 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der
MehrNachholklausur zur Vorlesung Makroökonomik II Sommersemester Bitte auf dem Lösungsblatt angeben!
Freiburg, 12.01.2015 Nachholklausur zur Vorlesung Makroökonomik II Sommersemester 2014 Klausur A Bitte auf dem Lösungsblatt angeben! Teil I: Multiple Choice (15 Punkte) 1. Das Solow-Modell bildet von den
MehrTextmining Klassifikation von Texten Teil 2: Im Vektorraummodell
Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten Teil
MehrPerzeptronen. Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Perzeptronen Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Perzeptronen 1 / 22 Gliederung 1 Schwellwert-Logik (MCCULLOCH-PITTS-Neuron)
MehrKybernetik Intelligent Agents- Action Selection
Kybernetik Intelligent Agents- Action Selection Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 26. 06. 2012 Intelligent Agents Intelligent Agents Environment
MehrGrundlagen der Informatik I (Studiengang Medieninformatik)
Grundlagen der Informatik I (Studiengang Medieninformatik) Thema: 3. Datentypen, Datenstrukturen und imperative Programme Prof. Dr. S. Kühn Fachbereich Informatik/Mathematik Email: skuehn@informatik.htw-dresden.de
MehrWelche Verteilung sollte ich verwenden?
Welche Verteilung sollte ich verwenden? Die Auswahl eines Verteilungstyps für eine Annahme ist einer der schwierigsten Schritte beim Erstellen eines Crystal Ball-Modells. Crystal Ball verfügt über 21 kontinuierliche
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
MehrDie Fuzzy-Logik als methodischer Ansatz in der wissensbasierten Informationsverarbeitung
Ilka Kürbis, Ruhr-Universität Bochum, 20.Jan. 200 Die Fuzzy-Logik als methodischer Ansatz in der wissensbasierten Informationsverarbeitung am Fallbeispiel der Bewertung von luftchemischen Messdaten Logik
MehrMÜNSTER. Intelligente Lichtsteuerung mit Hilfe von Fuzzy Logik. ZfP-Sonderpreis der DGZfP beim Regionalwettbewerb Jugend forscht
ZfP-Sonderpreis der DGZfP beim Regionalwettbewerb Jugend forscht MÜNSTER Intelligente Lichtsteuerung mit Hilfe von Fuzzy Logik Lioba Feuring Moritz Neuberger Schule: Gymnasium Paulinum Münster Jugend forscht
MehrKapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete
Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.4 Binäre Suche Aufgabenstellung: Rate eine Zahl zwischen 100 und 114! Algorithmus 4.1 INPUT: OUTPUT:
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrModul Entscheidungsunterstützung in der Logistik. Einführung in die Programmierung mit C++ Übung 2
Fakultät Verkehrswissenschaften Friedrich List, Professur für Verkehrsbetriebslehre und Logistik Modul Entscheidungsunterstützung in der Logistik Einführung in die Programmierung mit C++ Übung 2 SS 2016
MehrSeminar: Multi-Core Architectures and Programming. Viola-Jones Gesichtsdetektor
Seminar: Multi-Core Architectures and Programming Viola-Jones Gesichtsdetektor Hardware-Software-Co-Design Universität Erlangen-Nürnberg 1 Übersicht Einleitung Viola-Jones Gesichtsdetektor Aufbau Blockmerkmale
MehrTechnische. Kybernetik
Technische Kybernetik Gliederung Was ist Kybernetik? Regelung und Rückkopplung Typischer Regelkreis Konkretes Beispiel: das invertierte Pendel Allgemeine Kybernetische Vorgehensweise Problemlösung schafft
MehrÖkonomische Bewertung: Hintergrund und Methodenüberblick
Ökonomische Bewertung: Hintergrund und Methodenüberblick Prof. Dr. Frank Wätzold (Brandenburgische Technische Universität Cottbus) Vilm 8.11.2011 SEITE 1 SEITE 2 Einleitung Einleitung 1. Vom Dessert zur
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrArtificial Life und Multiagentensysteme
Vortrag im Rahmen des Seminars: Artificial Life und Multiagentensysteme Prof. Dr. Winfried Kurth Sommersemester 2003 Prognose von Zeitreihen mit GA/GP Mathias Radicke, Informatikstudent, 10. Semester Gliederung
MehrLeistungsprogrammplanung im Krankenhaus mit genetischen Algorithmen Ein Ansatz mit Hilfe der InEK-Referenzwerte auf Kostenmodul-Ebene.
Leistungsprogrammplanung im Krankenhaus mit genetischen Algorithmen Ein Ansatz mit Hilfe der InEK-Referenzwerte auf Kostenmodul-Ebene. Dr. rer. pol. Axel Focke Universität Duisburg-Essen Lehrstuhl Medizin-Management
MehrNeuronale Netze. Einführung i.d. Wissensverarbeitung 2 VO UE SS Institut für Signalverarbeitung und Sprachkommunikation
Neuronale Netze Einführung in die Wissensverarbeitung 2 VO 708.560+ 1 UE 442.072 SS 2012 Institut für Signalverarbeitung und Sprachkommunikation TU Graz Inffeldgasse 12/1 www.spsc.tugraz.at Institut für
MehrWirtschaftsmathematik
Helge Röpcke Markus Wessler Wirtschaftsmathematik Methoden - Beispiele - Anwendungen Mit 84 Bildern, 113 durchgerechneten Beispielen und 94 Aufgaben mit ausführlichen Lösungen im Internet Fachbuchverlag
MehrFuzzylogik und Regelbasierte Systeme
Fuzzylogik und Regelbasierte Systeme Ausarbeitung für das Masterprojekt: Thomas Beermann Dennis Huning Dennis Löhr Inhaltsverzeichnis I. Übersicht Autor: Dennis Löhr, B.Sc. 2 1. Übersicht 3 1.1. Einleitung....................................
MehrEntscheidungsunterstützung/ Künstliche Intelligenz. Teil 3
Entscheidungsunterstützung/ Künstliche Intelligenz Teil 3 BiTS, Sommersemester 2005 Dr. Stefan Kooths KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 3 1 Gliederung 1. Einführung 2.
MehrUE Algorithmen und Datenstrukturen 1 UE Praktische Informatik 1. Übung 5. Asymptotische Laufzeitkomplexität Definition Regeln Beispiele
UE Algorithmen und Datenstrukturen 1 UE Praktische Informatik 1 Übung 5 Asymptotische Laufzeitkomplexität Definition Regeln Beispiele Institut für Pervasive Computing Johannes Kepler Universität Linz Altenberger
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. Datenanalyse II. Stefan Etschberger Sommersemester 2005
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg Datenanalyse II Stefan Etschberger Sommersemester 2005 Organisatorisches Vorlesung Montag, 10.15-11.45 Uhr Vorlesungsmaterialien
MehrBayes sches Lernen: Übersicht
Bayes sches Lernen: Übersicht Bayes sches Theorem MAP, ML Hypothesen MAP Lernen Minimum Description Length Principle Bayes sche Klassifikation Naive Bayes Lernalgorithmus Teil 5: Naive Bayes + IBL (V.
MehrVorstellung von Bewegung Berlin Brain Computer Interfaces (BBCI)
Vorstellung von Bewegung Berlin Brain Computer Interfaces (BBCI) Let the machines learn! Jela Ruhe, Sara Winter 02.12.2009 BMI Universität Bielefeld ౧ Gliederung 2 Einführung Methoden Experimente & Ergebnisse
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.
MehrLaborversuche und Wahlpflichtfächer
Laborversuche und Wahlpflichtfächer Wärmeleitung Lernziele: Verständnis und Erfahrung in Bezug auf Wärmeleitung sammeln. Ingenieurtechnisches Gespür für Größenordnungen und den Einfluss der Parameter entwickeln.
MehrMultikriterielle Bewertungsverfahren
Multikriterielle Bewertungsverfahren Vergleich verschiedener multikriterieller Bewertungsverfahren mit MapModels (leopold.riedl@tuwien.ac.at) http://srf.tuwien.ac.at/lva/akdagi Workshop-Übersicht Teil
MehrFuzzy-Logik und Fuzzy Control - Begriffe und Definitionen
Fuzzy-Logik und Fuzzy Control - Begriffe und Definitionen R. Mikut, S. Böhlmann, B. Cuno, J. Jäkel, A. Kroll, T. Rauschenbach, B.-M. Pfeiffer, T. Slawinski Kontakt: Forschungszentrum Karlsruhe Institut
MehrDatenorientierte SA. Aufbau und Grundlagen. Aufbau und Grundlagen. Aufbau und Grundlagen. Was sind neuronale Netze?
Datenorientierte SA Was sind neuronale Netze? Neuronale Netze: Grundlagen und Anwendungen Neuronale Netze bilden die Struktur eines Gehirns oder eines Nervensystems ab Andreas Rauscher 0651993 Damir Dudakovic
MehrKünstliche Intelligenz - Optimierungsprobleme - Suche in Spielbäumen
Künstliche Intelligenz - Optimierungsprobleme - Suche in Spielbäumen Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Optimierungsprobleme
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der
MehrEntwurf, Test und Analyse adaptiver Regelungsstrategien für einen nichtlinearen totzeitbehafteten technischen Prozess
Fakultät Informatik Institut für angewandte Informatik- Professur Technische Informationssysteme Verteidigung der Diplomarbeit: Entwurf, Test und Analyse adaptiver Regelungsstrategien für einen nichtlinearen
MehrKapitel ML:XII. XII. Other Unsupervised Learning. Nearest Neighbor Strategies. Self Organizing Maps Neural Gas. Association Analysis Rule Mining
Kapitel ML:XII XII. Other Unsupervised Learning Nearest Neighbor Strategies Self Organizing Maps Neural Gas Association Analysis Rule Mining Reinforcement Learning ML:XII-1 Unsupervised Others LETTMANN
MehrGrundlagen der Programmierung 2 (Comp-D)
Grundlagen der Programmierung 2 (Comp-D) Prof. Dr. Manfred Schmidt-Schauÿ Künstliche Intelligenz und Softwaretechnologie 31. Mai 2007 Operationen auf Grammatiken Ziel: Normalisierungen, Vereinfachungen
MehrVortrag zum Hauptseminar Hardware/Software Co-Design
Fakultät Informatik Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Vortrag zum Hauptseminar Hardware/Software Co-Design Robert Mißbach Dresden, 02.07.2008
MehrSOI 2013. Die Schweizer Informatikolympiade
SOI Die Schweizer Informatikolympiade Lösung SOI Wie schreibe ich eine gute Lösung? Bevor wir die Aufgaben präsentieren, möchten wir dir einige Tipps geben, wie eine gute Lösung für die theoretischen
MehrEinführung in das Programmieren Prolog Sommersemester 2006. Teil 2: Arithmetik. Version 1.0
Einführung in das Programmieren Prolog Sommersemester 2006 Teil 2: Arithmetik Version 1.0 Gliederung der LV Teil 1: Ein motivierendes Beispiel Teil 2: Einführung und Grundkonzepte Syntax, Regeln, Unifikation,
MehrKapitel 5: Ensemble Techniken
Ludwig Maximilians Universität München Institut für Informatik Lehr- und Forschungseinheit für Datenbanksysteme Skript zur Vorlesung Knowledge Discovery in Databases II im Sommersemester 2009 Kapitel 5:
MehrAssoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei Beobachtung von 2 Merkmalen stellt sich die Frage, ob es Zusammenhänge oder Abhängigkeiten zwischen den
MehrMakroökonomie I/Grundlagen der Makroökonomie
age 1 1 Makroökonomie I/Grundlagen der Makroökonomie Kapitel 7: Das AS-AD-Modell Günter W. Beck 1 age 2 2 Überblick Einleitung Das aggregierte Angebot Die aggregierte Nachfrage Gleichgewicht in der kurzen
MehrDynamische Schlammalterregelung mit Fuzzy-Logic DWA/VDI Tagung Mess- und Regelungstechnik in abwassertechnischen Anlagen Fulda 2011
Dynamische Schlammalterregelung mit Fuzzy-Logic DWA/VDI Tagung Mess- und Regelungstechnik in abwassertechnischen Anlagen Fulda 2011 Dr. Martin Michel Mensch Beckentiefe Hydraulik C N Kohlenstoff, Stickstoff
MehrEinwegfunktionen. Problemseminar. Komplexitätstheorie und Kryptographie. Martin Huschenbett. 30. Oktober 2008
Problemseminar Komplexitätstheorie und Kryptographie Martin Huschenbett Student am Institut für Informatik an der Universität Leipzig 30. Oktober 2008 1 / 33 Gliederung 1 Randomisierte Algorithmen und
MehrBinary Decision Diagrams (BDDs) 1
Handout 22.11.2011 Binary Decision Diagrams (BDDs) 1 Übersicht Es gibt viele verschiedene Möglichkeiten um Boole sche Funktionen zu repräsentieren (Boole sche Formeln, Minterme, Wahrheitstabellen, ). Manche
MehrGrundlagen: Algorithmen und Datenstrukturen
Grundlagen: Algorithmen und Datenstrukturen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 00
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
MehrComputational Intelligence
Vorlesung Computational Intelligence Stefan Berlik Raum H-C 80 Tel: 027/70-267 email: berlik@informatik.uni-siegen.de Inhalt Überblick Rückblick Optimierungsprobleme Optimierungsalgorithmen Vorlesung Computational
MehrAufgabe 1 Probabilistische Inferenz
Seite 1 von 9 Aufgabe 1 Probabilistische Inferenz (30 Punkte) In einer medizinischen Studie wurden die Auswirkungen von Metastasen bildenden Karzinomen untersucht. Dabei wurde folgendes festgestellt: Bei
Mehr