Modellierung von Blickbewegungen
|
|
- Margarete Sofia Kramer
- vor 6 Jahren
- Abrufe
Transkript
1 Modellierung von Blickbewegungen Ausgangssituation Empirische Untersuchung Aufstellen einer Untersuchungshypothese Experiment Analyse der Experimentdaten Test der Untersuchungshypothese Ziel Erklärungsansatz für experimentelle Beobachtungen Entwicklung eines (mehr oder weniger) formalen Modells Beschreibung des Zusammenhangs von abhänigen und unabhängigen Variablen 1
2 Beispiel Newtonsche Gravitationstheorie Aufstellen einer Untersuchungshypothese Experiment Analyse der Experimentdaten Test der Untersuchungshypothese Gravitationsgesetz Formalisierung Newtons Gravitationsmodells Berechnungsvorschrift für Gravitationskraft zwischen zwei Objekten bekannter Masse und Abstand Keine Erklärung der Ursache von Gravitation m1m F = γ 2 r 2 Beispiel Problem Berechung der Trajektorien von mehr als zwei Objekten unmöglich Lösungsansatz Numerische Approximation Iterative Berechung von Systemzuständen Diskretisierung der Zeit notwendig: Kleine Diskretisierungsschritte: Hohe Präzision, aber rechenaufwändig Große Diskretisierungsschritte: Rechenaufwand akzeptabel, aber geringe Präzision Simulation komplexer Systeme erst in jüngerer Vergangenheit möglich Aber: Viele Systeme sind störanfällig, langfristige Vorhersagen kritisch 2
3 Was können wir aus Computersimlationen lernen? Vergleich der Ergebnisse von Computersimulationen mit empirischen Daten gibt Aufschluss über die Adäquatheit der Simulation Unstimmigkeiten deuten auf Unzulänglichkeiten hin Nicht alle Eigenschaften des Systems wurden berücksichtigt Das Modell ist unvollständig oder (teilweise) falsch Lösung: Suche nach Modelloptimierungen durch weitere Experimente und erneuten Abgleich von empirischen mit modellgenerierten Daten Besseres Verständnis komplexer Prozesse durch Computersimulationen 3
4 Ziel Verständnis und Modellierung mentaler Prozesse Verständnis der Informationsverarbeitung im Gehirn Neuronale Ebene Funktionale Ebene Kommunikation zwischen Neuronen und neuronale Informationsverarbeitung und Lernen Neuronale Modelle Funktionale Struktur des Gehirns, regionale Aufgabenspezialisierung Phänomenologische Modelle Neuronale Modelle Biologisch motiviert Simulation von (wenigen) Neuronen und ihrer Verbindungen Künstliche Neuronale Netze Neuron Mathematische Rechenvorschrift Eingaben: Ausgaben anderer Neuronen Ausgaben: Ergebnis der Berechnung wird an andere Neuronen weitergegeben Verbindungen Lernen und Adaptation durch Anpassen der Gewichtungen der Verbindungen Unterschiedliche Netzwerk-Architekturen Verschiedene Lernalgorithmen 4
5 Phänomenologische Modelle Keine Imitation physiologischer (neuronaler) Prozesse Statt dessen Reproduktion perzeptiver und kognitiver high-level Funktionen Modellierung funktionaler Subsysteme: Neuronencluster Gehirnregionen Gehirnleistungen / -funktionen Modellalgorithmen imitieren Subsystem-Effekte / -Funktionen Irrelevant: Innere Subsystemen-Struktur Effekte: Reduktion der Modellkomplexität High-level Modellierung wird möglich 5
6 Vergleichende visuelle Suche Wo ist der Unterschied? Modell-Idee Globale Ebene Attentive Ebene Okulomotorische Ebene 6
7 Modellansätze Random Walk Greedy TSP Kohonen Rezeptive Felder Clustering Drei-Ebenen Modell Random Walk Virtuelle, zufällige Augenbewegungen basierend auf statistischer Verteilung der empirischen Blickbewegungsparameter lokalen Stimuluscharakteristika Beispiel: Modellierung Sakkadenlänge 7
8 Random Walk Verfahren Statistische Reproduktion der empirischen Verteilung der Sakkadenlängen Zufällige Auswahl der Sakkadenlänge in Abhängigkeit der lokalen Objektdichte an einer Blickposition Berücksichtigung der empirischen Häufigkeitsverteilung als Zufallsverteilung Random Walk erzeugt mit zunehmender Objektdichte kürzere Sakkaden Random Walk Verteilungen und Modellparameter Sakkadenlänge Sakkadenlänge lokale Objektdichte am Startpunkt einer Sakkade lokale Objektdichte in der Mitte einer Sakkade Fixationsdauer lokale Objektdichte an Fixationspunkten Anzahl aufeinander folgender Fixationen innerhalb einer Bildhälfte lokale Objektdichte des jeweils ersten Fixationspunktes Absoluter Winkel aller Sakkaden innerhalb einer Bildhälfte Winkel aufeinander folgender Sakkaden innerhalb der gleichen Bildhälfte 8
9 Random Walk Vereinfachungen Modellgenerierte Fixationspunkte werden zu Objektpositionen gerundet Startpunkt wird zufällig auf einem Objekt gewählt Bei Wechsel der Bildhälfte werden korrespondierende Objekte fixiert Ende bei Finden des Unterschieds Zufällige Anzahl von Verifikationssakkaden (2-4) Random Walk Ergebnisse Adäquate Modellierung von low-level Faktoren der Blickpfade (FD,SL) Unzureichende Modellierung von RT Prozesse kognitiv höherer Ebenen unberücksichtigt, insbesondere globale Verarbeitungsstrategien Empirie Modell 9
10 Globale Ebene Modellierung globaler Suchstrategien Greedy TSP Springe als nächstes jeweils zu dem Objekt, das dem aktuell fixierten geometrisch am nächsten liegt Berechne den Suchpfad so, dass die Gesamtstrecke zwischen Startund Endpunkt minimiert wird Clustering Minimiere die Distanzen innerhalb eines Clusters und maximiere die Distanzen zwischen Clustern Rezeptive Felder Berechnung durch hierarchische Partitionierung mittels räumlich orientierter rezeptiver Felder 10
11 Modellierung globaler Suchstrategien Kohonen Berechne den Suchpfad iterativ Gewichtsvektoren einer Neuronenkette repräsentieren die Suchpfadpositionen Ein Adaptationsverfahren optimiert dabei die Nachbarschaftsverhältnisse der Stationen entlang des Pfads Die Objektpositionen übernehmen die Rolle von Trainingsbeispielen Wähle einen zufälligen Eingabevektor des Merkmalraums Bestime ein Neuron j mit v w j v wi, i j, d.h. das Neuron mit der besten Repräsentation von v ( winner ) Verändere alle Gewichtsvektoren in Richtung des Eingabevektors j mit der adaptiven Schrittweite h ij. ε ist ein zusätzlicher Parameter für die globale Schrittweite: new old w = w + ε h v w, ε 0,1 i i ij ( ) [ ] i Modellierung globaler Suchstrategien 11
12 Drei-Ebenen-Modell Globale Ebene Variante des TSP. Suchpfad mit minimaler Gesamtstrecke, jedoch unter bevorzugtem Besuch farbgleicher Objekte nacheinander. Startpunkt: Objekt oben links Ziel: Optimierung des Gesamt-Verarbeitungsaufwands Drei-Ebenen-Modell Attentive Ebene Unterteilung der Objektmenge in räumliche Cluster Memorierung von Farbe und Form der Objekte im betreffenden Cluster Aufmerksamkeitsverlagerung auf das entsprechende Cluster in der anderen Bildhälfte Vergleich: Unterschied gefunden Abarbeitung der folgenden Cluster Verifikation, sonst Aufmerksamkeitsverlagerung durch Kapazität des Arbeitsgedächtnisses und spezifische Charakteristika von Stimuli bestimmt Ziel: Optimierung der Gedächtnisbelastung 12
13 Drei-Ebenen-Modell Okulomotorische Ebene Programmierung und Ausführung konkreter Sakkaden unter Berücksichtigung von Ungenauigkeiten von Fixationspunkten ( saccadic noise ) Drei-Ebenen-Modell Globale Ebene Attentive Ebene Okulomotorische Ebene 13
14 Experimentelle Methode Stimuli Aufgabe Finde die 5! oder Finde die grüne 5! 14
15 Ursache-Wirkung Hypothese Ursache Farbinformation Vorwissen beeinflusst Keine Farbinformation Unabhängige Variablen Wirkung Suchzeit RT Suchzeit Anzahl Fixationen NF Blickbewegungen Sakkadenlänge SL Abhängige Variablen Erwartungen - Ergebnisse Suchzeit RT mit Farbinfomation geringer als ohne Anzahl Fixationen NF mit Farbinfomation geringer als ohne Sakkadenlänge SL mit Farbinfomation kürzer als ohne Beispiel-Trajektorien Finde die rote 5! Finde die grüne 9! 15
16 Beispiel-Trajektorien Finde die 9! Finde die 8! Modellansatz Was soll modelliert werden? RT, NF und SL Blicktrajektorien Mit Farbinformation Realisation & Implementation Vorschlag: Nearest-neighbour Algorithmus Ohne Farbinformation Parameter: Berücksichtigung der unabhängigen Variable Farbinformation 16
17 Nearest-neighbour Modell Start beliebiges Startobjekt ja Farbinfomation? nein geometrisch nächstes Objekt in Zielfarbe geometrisch nächstes Objekt nein Zielobjekt gefunden? ja nein Ende Modell-Pfade Finde 8! Finde die grüne 9! 17
18 Nearest-neighbour Modell Optimierung Zeilen- oder spaltenweise Suche Suchrichtung von rechts oder links bzw. von oben oder unten Bevorzugt Sakkaden in Richtung von Regionen geringer Farbentropie Zufällige Sakkaden in Richtung unbesuchter Regionen, falls keine gleichfarbigen benachbarten Objekte Z.B. dynamische Anpassung der Grösse der Nachbarschaftsregion Histogramme für Sakkadenlängen und -winkel Modellierung der Häufigkeitsverteilungen Nearest-neighbour Modell Optimierung (Fortsetzung) Rauschen von Fixationspunkten ( saccadic noise ) Gedächtnis: Merken (und vergessen ) bereits besuchter Objekte Fixationsdauer: Abhängig von Sakkadenlänge und -winkel Abhängig von geometrischer Ähnlichkeit zum Ziel Suchzeit Sakkadendauer: Abhängig von Sakkadenlänge 18
19 Modell-Pfade Finde 8! Finde die grüne 9! 19
Grundlagen der Versuchsmethodik. Datenauswertung. Datenvisualisierung
Grundlagen der Versuchsmethodik Datenauswertung Datenvisualisierung Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu
Mehr1 Einleitung. 2 Clustering
Lernende Vektorquantisierung (LVQ) und K-Means-Clustering David Bouchain Proseminar Neuronale Netze Kurs-Nr.: CS4400 ISI WS 2004/05 david@bouchain.de 1 Einleitung Im Folgenden soll zum einen ein Überblick
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrSakkadenwinkel Fixationskoordinaten Fixationsdauern Pupillendurchmesser...
Rohdaten Sakkadenwinkel Fixationskoordinaten Fixationsdauern Pupillendurchmesser... Rohdaten Weiterverarbeitung Off-line, Speicherung in Datei On-line, z.b. blick-kontingente Stimulus-Manipulation Grafische
MehrParametersystematik der Augen- und Blickbewegungen für arbeitswissenschaftliche Untersuchungen
Schriftenreihe Rationalisierung und Humanisierung Band 34 Matthias Rötting Parametersystematik der Augen- und Blickbewegungen für arbeitswissenschaftliche Untersuchungen D 82 (Diss. RWTH Aachen) Shaker
MehrGrundlagen der Versuchsmethodik, Datenauswertung und -visualisierung
Grundlagen der Versuchsmethodik, Datenauswertung und -visualisierung Sommersemster 007 Analyse und Modellierung von Blickbewegungen Veranstalter: Hendrik Koesling Grundlagen der Versuchsmethodik, Datenauswertung
MehrMustererkennung. Übersicht. Unüberwachtes Lernen. (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren Gaussian-Mixture Modelle
Mustererkennung Unüberwachtes Lernen R. Neubecker, WS 01 / 01 Übersicht (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren 1 Lernen Überwachtes Lernen Zum Training des Klassifikators
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Clustering: Partitioniere Objektmenge in Gruppen(Cluster), so dass sich Objekte in einer Gruppe ähnlich sind und Objekte
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
MehrBayesianische Netzwerke - Lernen und Inferenz
Bayesianische Netzwerke - Lernen und Inferenz Manuela Hummel 9. Mai 2003 Gliederung 1. Allgemeines 2. Bayesianische Netzwerke zur Auswertung von Genexpressionsdaten 3. Automatische Modellselektion 4. Beispiel
MehrWissensbasierte Systeme. Kombinatorische Explosion und die Notwendigkeit Heuristischer Suche. Heuristiken und ihre Eigenschaften
1 Michael Beetz Technische Universität München Wintersemester 2004/05 Kombinatorische Explosion und die Notwendigkeit Heuristischer Suche 2 3 der Eigenschaften der 4 : 8-Puzzle 5 Heuristiken und ihre Eigenschaften
MehrClusteranalyse: Gauß sche Mischmodelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse: Gauß sche Mischmodelle iels Landwehr Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
MehrEntwicklung einer hp-fast-multipole-
Entwicklung einer hp-fast-multipole- Boundary-Elemente-Methode Übersicht: 1. Motivation 2. Theoretische Grundlagen a) Boundary-Elemente-Methode b) Fast-Multipole-Methode 3. Erweiterungen a) Elementordnung
MehrAuswirkungen des Bildschirmflimmerns auf die visuelle Leistung. Martina Ziefle
Auswirkungen des flimmerns auf die visuelle Leistung Martina Ziefle Hohe Bildwiederholfrequenzen: förderlich oder hinderlich? DIN 66234, Teil 2 (1990) Bildwiederholfrequenz > Flimmerverschmelzung EU-richtlinie
MehrWie passen große Aufgaben in kleine Rechner?
Wie passen große Aufgaben in kleine Rechner? Steffen Börm Christian-Albrechts-Universität zu Kiel Night of the Profs, 16. November 2012 S. Börm (CAU Kiel) Große Aufgaben Kleine Rechner 16. November 2012
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
MehrInhalt. 8.1 Motivation. 8.2 Optimierung ohne Nebenbedingungen. 8.3 Optimierung unter Nebenbedingungen. 8.4 Lineare Programmierung
8. Optimierung Inhalt 8.1 Motivation 8.2 Optimierung ohne Nebenbedingungen 8.3 Optimierung unter Nebenbedingungen 8.4 Lineare Programmierung 8.5 Kombinatorische Optimierung 2 8.1 Motivation Viele Anwendungen
MehrVisuelle Wahrnehmung
Visuelle Wahrnehmung Reizinformation aus der Umwelt Frage nach den Reizinformationen Wahrnehmung Vorwissen Frage nach den kognitiven Einflüssen Aktivität des Nervensystems Frage nach den physiologischen
MehrThema 3: Radiale Basisfunktionen und RBF- Netze
Proseminar: Machine Learning 10 Juli 2006 Thema 3: Radiale Basisfunktionen und RBF- Netze Barbara Rakitsch Zusammenfassung: Aufgabe dieses Vortrags war es, die Grundlagen der RBF-Netze darzustellen 1 Einführung
MehrSelective visual attention ensures constancy of sensory representations: Testing the influence of perceptual load and spatial competition
Selective visual attention ensures constancy of sensory representations: Testing the influence of perceptual load and spatial competition Detlef Wegener, F. Orlando Galashan, Dominique N. Markowski, Andreas
MehrAnalysis of Crash Simulation Data using Spectral Embedding with Histogram Distances
Analysis of Crash Simulation Data using Spectral Embedding with Histogram Distances Luisa Schwartz Universität Bonn Institut für Numerische Simulation Fraunhofer SCAI 25. September 2014 Luisa Schwartz
MehrTheoretische Informatik 1
Theoretische Informatik 1 Boltzmann Maschine David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2014 Übersicht Boltzmann Maschine Neuronale Netzwerke Die Boltzmann Maschine Gibbs
MehrKonzentrische U-Bahn-Linienpläne
Bachelor-Kolloquium Konzentrische U-Bahn-Linienpläne Magnus Lechner 19.03.2014 Betreuer: Prof. Dr. Alexander Wolff Dipl.-Inf. Martin Fink Motivation Warum sind U-Bahn-Linienpläne von Interesse? Motivation
MehrModellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
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
MehrVon den Bildungsstandards zum Schulkurrikulum
Gegenüberstellung der Inhalte der Bildungsstandards und der Inhalte in den Schülerbänden für die Klassen 5 und 6 Von den Bildungsstandards zum Schulkurrikulum 1. Leitidee Zahl Verschiedene Darstellungsformen
MehrAlgorithmus zum Graphen-Matching. und. Anwendung zur inhaltsbasierten Bildersuche
Algorithmus zum Graphen-Matching und Anwendung zur inhaltsbasierten Bildersuche Gliederung 1. Einführung 2. Algorithmus Beschreibung Beispiel Laufzeit 3. Anwendung des Algorithmus Seite 1 von 18 1. Einführung
MehrVerbesserungsheuristiken
Verbesserungsheuristiken Bestandteile der Lokalen Suche Für schwierige Optimierungsaufgaben haben Verbesserungsheuristiken eine große praktische Bedeutung. Sie starten mit Ausgangslösungen, die von z.b.
MehrLineare Regression. Christian Herta. Oktober, Problemstellung Kostenfunktion Gradientenabstiegsverfahren
Lineare Regression Christian Herta Oktober, 2013 1 von 33 Christian Herta Lineare Regression Lernziele Lineare Regression Konzepte des Maschinellen Lernens: Lernen mittels Trainingsmenge Kostenfunktion
MehrNICHTRESTRINGIERTE OPTIMIERUNG
3 NICHTRESTRINGIERTE OPTIMIERUNG Die Aufgabe, mit der wir uns im Folgen beschäftigen werden, ist die Lösung von Minimierungsproblemen der Form minimiere f(x) in R n, (3.1) wobei f : R n R eine gegebene
MehrErweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells
Erweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells Sebastian Wildfeuer Parameteridentifikation > 23. September 2008 > Folie 1 Themenübersicht Ausgangssituation,
MehrEinführung in die Linguistik, Teil 4
Einführung in die Linguistik, Teil 4 Lesen Markus Bader, Frans Plank, Henning Reetz, Björn Wiemer Einführung in die Linguistik, Teil 4 p. 1/28 Lesen und Introspektion Lesen ist ein kontinuierlicher Vorgang.
MehrVorlesung 7 GRAPHBASIERTE BILDSEGMENTIERUNG
Vorlesung 7 GRAPHBASIERTE BILDSEGMENTIERUNG 195 Bildsegmentierung! Aufgabe: Bestimme inhaltlich zusammenhängende, homogene Bereiche eines Bildes! Weit verbreitetes Problem in der Bildverarbeitung! Viele
MehrNumerische Integration
A1 Numerische Integration Einführendes Beispiel In einem Raum mit der Umgebungstemperatur T u = 21.7 C befindet sich eine Tasse heissen Kaffees mit der anfänglichen Temperatur T 0 80 C. Wie kühlt sich
MehrKlassifikation linear separierbarer Probleme
Klassifikation linear separierbarer Probleme Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Klassifikation linear
MehrDer diskrete Kalman Filter
Der diskrete Kalman Filter Fachbereich: Informatik Betreuer: Marc Drassler Patrick Winkler 1168954 6. Dezember 2004 Technische Universität Darmstadt Simulation und Systemoptimierung Darmstadt Dribbling
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
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
Mehr3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
MehrAnalyse kognitiver Benutzermodelle für die Evaluation von Mensch-Maschine-Systemen. Jeronimo Dzaack
Analyse kognitiver Benutzermodelle für die Evaluation von Mensch-Maschine-Systemen Jeronimo Dzaack Agenda Einführung Gestaltung von MMS, kognitive Modellierung Interface-Studie Prozesssteuerung, Design,
MehrSeminar Kognitive Robotik. Interne Modelle I Vorwärtsmodelle Vortragender: Rüdiger Timpe
Seminar Kognitive Robotik Interne Modelle I Vortragender: Rüdiger Timpe Quellen Miall/Wolpert: Forward Models for Physiological Motor Control (1996) Blakemore/Wolpert/Frith: Why can't you tickle yourself?
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
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
MehrAnt Colony Optimization (ACO)
Ant Colony Optimization (ACO) Daniel Blum 24.4.2003 Projektgruppe 431 Metaheuristiken Lehrstuhl 11, Fachbereich Informatik, Universität Dortmund 1 Übersicht Vorbild Natur Übertragung der Ideen Beispiele
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
Mehr1 Einleitung Definitionen, Begriffe Grundsätzliche Vorgehensweise... 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Definitionen, Begriffe........................... 1 1.2 Grundsätzliche Vorgehensweise.................... 3 2 Intuitive Klassifikation 6 2.1 Abstandsmessung zur Klassifikation..................
MehrSozialwissenschaftliche Modelle und Daten SoSe 2010
Sozialwissenschaftliche Modelle und Daten SoSe 2010 LS Sozialwissenschaftliche Methodenlehre und Sozialstatistik C. Dudel C. Dudel Sozialwissenschaftliche Modelle und Daten SoSe 2010 1 23 1 Formalia 2
MehrZwei Modelle retinaler Verarbeitung
Zwei Modelle retinaler Verarbeitung 8.1.2006 http://www.uni-oldenburg.de/sinnesphysiologie/15247.html Vorlesungsprogramm 17.10.05 Motivation 24.10.05 Passive Eigenschaften von Neuronen 31.10.05 Räumliche
MehrStochastik-Praktikum
Stochastik-Praktikum Zeitreihenanalyse Peter Frentrup Humboldt-Universität zu Berlin 19. Dezember 2017 (Humboldt-Universität zu Berlin) Zeitreihenanalyse 19. Dezember 2017 1 / 13 Übersicht 1 Zeitreihen
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014, überarbeitet am 20. Januar 2017 Übersicht Stand der Kunst: Bilderverstehen, Go spielen Was ist ein Bild in Rohform?
Mehr... Text Clustern. Clustern. Einführung Clustern. Einführung Clustern
Clustern Tet Clustern Teile nicht kategorisierte Beispiele in disjunkte Untermengen, so genannte Cluster, ein, so daß: Beispiele innerhalb eines Clusters sich sehr ähnlich Beispiele in verschiedenen Clustern
MehrData Mining und Statistik: Gemeinsamkeiten und Unterschiede. Daniel Meschenmoser
Data Mining und Statistik: Gemeinsamkeiten und Unterschiede Daniel Meschenmoser Übersicht Gemeinsamkeiten von Data Mining und Statistik Unterschiede zwischen Data Mining und Statistik Assoziationsregeln
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrÄhnlichkeits- und Distanzmaße
Ähnlichkeits- und Distanzmaße Jörg Rahnenführer, Multivariate Verfahren, WS89, TU Dortmund 11.1.8-1 - Ähnlichkeits- und Distanzmaße Jörg Rahnenführer, Multivariate Verfahren, WS89, TU Dortmund 11.1.8 -
Mehr5. Clusteranalyse Vorbemerkungen. 5. Clusteranalyse. Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Vorbemerkungen 5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer
Mehr2.5.2 Selbstorganisierte Karten: das Modell von Kohonen. Weil es beim Perzeptron keine Wechselwirkung in der Verarbeitungsschicht
2.5.2 Selbstorganisierte Karten: das Modell von Kohonen Weil es beim Perzeptron keine Wechselwirkung in der Verarbeitungsschicht zwischen den einzelnen Neuronen gibt, spielt deren räumliche Anordnung keine
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
MehrDer Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze Reinhard Eck 1
Der Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze 2.04.2006 Reinhard Eck Was reizt Informatiker an neuronalen Netzen? Wie funktionieren Gehirne höherer Lebewesen?
MehrTutorium zur Vorlesung Differentielle Psychologie
Tutorium zur Vorlesung Differentielle Psychologie Heutige Themen: Intelligenz II Larissa Fuchs Welche Themen / Fragen im Bereich der Differentiellen Psychologie interessieren euch? 09.11.2016 Intelligenz
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
MehrComputational Neuroscience
Computational Neuroscience Vorlesung WS 2005/2006 Josef Ammermüller Jutta Kretzberg http://www.uni-oldenburg.de/sinnesphysiologie/ 14508.html Begriffsdefinitionen Computational Neuroscience Churchland
MehrWissensbasierte Systeme
Analytisch lösbare Optimierungsaufgaben Das Chaos-Spiel gründet auf der folgenden Vorschrift: Man startet von einem beliebigen Punkt aus geht auf einer Verbindung mit einem von drei zufällig gewählten
Mehr4. Segmentierung von Objekten Video - Inhaltsanalyse
4. Segmentierung von Objekten Video - Inhaltsanalyse Stephan Kopf Inhalt Vorgehensweise Berechnung der Kamerabewegungen zwischen beliebigen Bildern Transformation eines Bildes Hintergrundbilder / Panoramabilder
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 20.07.2017 1 von 11 Überblick Künstliche Neuronale Netze Motivation Formales Modell Aktivierungsfunktionen
MehrKünstliche Neuronale Netze
Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches
MehrPraktikum Simulationstechnik Rene Schneider, Benjamin Zaiser
Praktikum Simulationstechnik Rene Schneider, Benjamin Zaiser 11.11.2008 CSM Master: Praktikum Simulationstechnik, rs034, bz003 2 Befehlsübersicht Begriffsdefinition / Neuronale Netze: / / 11.11.2008 CSM
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
MehrAllgemeine Psychologie -
Allgemeine Psychologie - Wahrnehmung von Mike Wendt HOGREFE GÜTTINGEN BERN WIEN PARIS OXFORD PRAG TORONTO BOSTON AMSTERDAM KOPENHAGEN STOCKHOLM FLORENZ HELSINKI Inhaltsverzeichnis 1 Einführung 11.1.1 Wahrnehmung:
MehrSystemtheorie 1. Formale Systeme 1 # WS 2006/2007 Johannes Kepler Universität Linz, Österreich
Einführung 1 Systemtheorie 1 Formale Systeme 1 #342234 http://fmv.jku.at/fs1 WS 2006/2007 Johannes Kepler Universität Linz, Österreich Univ. Prof. Dr. Armin Biere Institut für Formale Modelle und Verifikation
MehrKonnektionismus und Kognition
Markus Pospeschill Konnektionismus und Kognition Ein Einführung Verlag W. Kohlhammer Inhalt 3 Inhalt Prolog 7 1 Kognitive Prozesse 9 1.1 Modellansätze zur Erforschung kognitiver Prozesse 9 1.1.1 Kognitionspsychologie
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 10: Naive Bayes (V. 1.0)
MehrTraining von RBF-Netzen. Rudolf Kruse Neuronale Netze 134
Training von RBF-Netzen Rudolf Kruse Neuronale Netze 34 Radiale-Basisfunktionen-Netze: Initialisierung SeiL fixed ={l,...,l m } eine feste Lernaufgabe, bestehend ausmtrainingsbeispielenl=ı l,o l. Einfaches
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrInhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
MehrNP-vollständige Probleme
Effiziente Algorithmen Lösen NP-vollständiger Probleme 256 NP-vollständige Probleme Keine polynomiellen Algorithmen, falls P NP. Viele wichtige Probleme sind NP-vollständig. Irgendwie müssen sie gelöst
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
MehrAufmerksamkeit II Bewusstsein
Aufmerksamkeit II Bewusstsein VL Wahrnehmung und Aufmerksamkeit, Dipl.-Psych. S. Raisig, Humboldt Universität Berlin, WS 2008/2009 Wozu dient selektive Aufmerksamkeit? 1. Binding Problem Objekt wird von
MehrEinführung in die medizinische Bildverarbeitung SS 2013
Einführung in die medizinische Bildverarbeitung SS 2013 Stephan Gimbel 1 Kurze Wiederholung Gradienten 1. und 2. Ableitung grad( f ( x, y) ) = f ( x, y) = f ( x, y) x f ( x, y) y 2 f ( x, y) = 2 f ( x,
Mehr- rationale Zahlen - Brüche - Dezimalbrüche - Prozentangaben. - Diagramm - Häufigkeitstabelle. - Anteile (auch in Prozent)
zahl 20 Zahl - verschiedene Darstellungsformen von - vergleichen und anordnen - Brüche - Dezimalbrüche - Prozentangaben - Häufigkeitstabelle - Anteile (auch in Prozent) Kapitel 1 Rationale 1 Brüche und
MehrSelbstorganisierende Karten
Selbstorganisierende Karten (engl. Self-Organizing Maps (SOMs)) Rudolf Kruse Neuronale Netze 169 Selbstorganisierende Karten Eine selbstorganisierende Karte oder Kohonen-Merkmalskarte ist ein neuronales
MehrSchwellenwertelemente. Rudolf Kruse Neuronale Netze 8
Schwellenwertelemente Rudolf Kruse Neuronale Netze 8 Schwellenwertelemente Ein Schwellenwertelement (Threshold Logic Unit, TLU) ist eine Verarbeitungseinheit für Zahlen mitneingängenx,...,x n und einem
MehrStatistische Methoden in der Wirtschaftsund Sozialgeographie
Statistische Methoden in der Wirtschaftsund Sozialgeographie Ort: Zeit: Multimediapool Rechenzentrum Mittwoch 10.15-11-45 Uhr Material: http://www.geomodellierung.de Thema: Beschreibung und Analyse Wirtschafts-
MehrDynamisches Routing in der Logistik
Informatik, Angewandte Informatik, Technische Informationssysteme Dynamisches Routing in der Logistik Tobias Dimmel Dresden, 24.05.2012 Agenda 1. Begriffe 2. Traveling Salesman Problem 3. Ameisenalgorithmus
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
MehrModelle des Lesens II.
Grundlagen der Sprachdidaktik * SS 2004 1 Modelle des Lesens II. Diagnosemöglichkeiten in der Schule Um die Probleme eines leseschwachen Kindes grob einordnen zu können, kann eine Wortliste mit den folgenden
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
MehrAlgorithmische Geometrie
Algorithmische Geometrie Martin Peternell TU Wien 31. Fortbildungstagung für Geometrie 2010, Strobl 1 Themen der Algorithmische Geometrie Entwurf von Algorithmen für geometrische Fragestellungen betreffend
MehrLineare Regression. Volker Tresp
Lineare Regression Volker Tresp 1 Die Lernmaschine: Das lineare Modell / ADALINE Wie beim Perzeptron wird zunächst die Aktivierungsfunktion gewichtete Summe der Eingangsgrößen x i berechnet zu h i = M
MehrDipl.-Ing. Christoph Erath 10. November FVM-BEM Kopplung. Was gewinnen wir, wenn wir zwei numerische Methoden miteinander koppeln?
Dipl.-Ing. Christoph Erath 10. November 2007 FVM-BEM Kopplung Was gewinnen wir, wenn wir zwei numerische Methoden miteinander koppeln? Seite 2 FVM-BEM Kopplung 10. November 2007 Dipl.-Ing. Christoph Erath
Mehr(hoffentlich kurze) Einführung: Neuronale Netze. Dipl.-Inform. Martin Lösch. (0721) Dipl.-Inform.
(hoffentlich kurze) Einführung: martin.loesch@kit.edu (0721) 608 45944 Überblick Einführung Perzeptron Multi-layer Feedforward Neural Network MLNN in der Anwendung 2 EINFÜHRUNG 3 Gehirn des Menschen Vorbild
MehrRecommender Systeme mit Collaborative Filtering
Fakultät für Informatik Technische Universität München Email: rene.romen@tum.de 6. Juni 2017 Recommender Systeme Definition Ziel eines Recommender Systems ist es Benutzern Items vorzuschlagen die diesem
MehrMentale Modelle und kognitive Täuschungen
Mentale Modelle und kognitive Täuschungen Theorien des deduktiven Denkens Theorien auf dem algorithmischen Level: Wie führen Menschen Berechnungen und Deduktion aus? Theorien auf dem berechnenden Level:
MehrComputer Vision: Segmentierung I
Computer Vision: Segmentierung I D. Schlesinger TUD/INF/KI/IS Der Plan: D. Schlesinger () CV: Segmentierung I 1 / 13 Segmentierung Man hat das... Man braucht das. D. Schlesinger () CV: Segmentierung I
MehrPaper Computer Science Experiment. Computation (NP-Vollständigkeit) Traveling Salesman
Paper Computer Science Experiment Great Principles of Computing Computation (NP-Vollständigkeit) Thema Traveling Salesman Unterrichtsform Lernen am Modell Voraussetzung Wahrscheinlich kennen viele Schüler/innen
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrBerechnung approximierter Voronoi-Zellen auf geometrischen Datenströmen
Definition Berechnung approximierter Voronoi-Zellen auf geometrischen Datenströmen Seminar über Algorithmen WS 2005/2006 Vorgetragen von Oliver Rieger und Patrick-Thomas Chmielewski basierend auf der Arbeit
MehrBayes-Netze (2) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (2) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (2) 1 / 23 Gliederung 1 Zusammenhang zwischen Graphenstruktur
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Mehr