Fallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994:
|
|
- Curt Brahms
- vor 5 Jahren
- Abrufe
Transkript
1 Fallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994: 1 Retrieve the most similar case 2 Reuse the solution and other information of the case 3 Revise the proposed solution 4 Retain the useful part of the case 1
2 Fallbasierte Klassifikation Kernidee: Suche ähnlichen Fall und übernimm dessen Lösung Lösungsauswahl: Mittels Ähnlichkeitsmaß über Merkmalsvektor wie zb Hamming-Abstand : Anzahl der übereinstimmenden im Verhältnis zu allen Merkmalen, meist mit Zusatzwissen Beispiel: Autotyp Km-Stand Benzinverbrauch Motor ruckelt Springt nicht an Geräusche Lösung Neuer Fall Alter Fall 1 Alter Fall 2 Marke A ja meistens Klopfen? Marke B ja manchmal Klingeln und Klopfen Zündkerzen verbraucht Marke A nein immer keine Batterie leer Alter Fall 3 Marke C ja meistens unbekannt C-Turbo defekt Zusatzwissen für Ähnlichkeitsmaß: 1 Gewicht (relative Bedeutung der Merkmale) 2 Abnormalität (zur Modifikation des Gewichtes in Abhängigkeit der Merkmalsausprägung) 3 Ähnlichkeitstyp (individuell, skaliert, gruppiert) 4 Ähnlichkeitsangabe (Wissen zur Berechnung partieller Ähnlichkeiten) 5 Datenabstraktionen (zur Vorberechnung von Merkmalsabstraktionen) 6 Filter (zb Abstraktionsebene zur Unterscheidung zwischen Merkmalen und Merkmalsabstraktionen) 7 Lösungsspezifische Modifikationen, zb lösungsspezfisches Gewicht oder Ausschlussregeln 2
3 Wissen über Ähnlichkeitsmaß 1 Filter mittels Abstraktionsebene: Merkmale und Merkmalsabstraktionen werden in Abstraktionsebenen eingeteilt, von denen eine benutzt wird 2 Gewichtung: Für die Berechnung der Bedeutung eines Merkmals sind folgende Attribute erforderlich: - Gewicht: eine Zahl, die die Bedeutung des Merkmals angibt - Abnormalität: Liste von Zahlen, die das Gewicht in Abhängigkeit der Merkmalsausprägung modifizieren - Fallspezifische_Gewichtung: vom Benutzer oder von der Lösung des Vergleichsfalles stammende Zahl, die das Gewicht überschreibt 3 Ähnlichkeitsangaben: Eine Typ-Angabe und eine inhaltliche Angabe pro Merkmal, auf deren Basis mit einer typ-spezifischen Formel die relative Ähnlichkeit zwischen zwei Merkmalsausprägungen berechnet wird Das Ergebnis ist eine Zahl zwischen 0 und 1 Die relative Ähnlichkeit wird mit der Gewichtung des Merkmals verrechnet 4 Regelbasiertes Wissen: Für die Herleitung von Merkmalsabstraktionen und das kategorische Setzen von Lösungen 3
4 Ablaufdiagramm zur fallbasierten Klassifikation Testauswahl Standard- Indikation Tests Datenerfassung Merkmale Datenabstraktion Merkmale Merkmal-Filter Merkmale Vorauswahl Falldatenbank Fälle Fälle Lösungsbasierter Filter (regelbasiert) Vollvergleich Fälle Lösungen Bestimmung der Lösungen 4
5 Darstellung von Alternativen der fallbasierten Klassifikation 0 Testauswahl 1 Datenerfassung 2 Datenabstraktion 3 Merkmal-Filter 4 Herleitung ähnlicher Fälle 41 Vorauswahl und Vergleich 411 Vorauswahl 4111 Keine Vorauswahl 4112 Mit gewichteten Merkmalen 412 Lösungsbasierter Filter (mit Regeln) 413 Vollvergleich der Restfälle 42 Hill-Climbing in Fallnachbarschaften 421 Wähle Startfälle 422 Bestimme Fallnachbarschaft 423 Lösungsbasierter Filter (mit Regeln) (so) 424 Vollvergleich der Restfälle (so) 5 Bestimmung der Lösungen 5
6 Beispiel aus D3 (Wissenseingabe) 6
7 Beispiel aus D3 (Problemlösung) 7
8 Alternativen der Diagnostik-Methoden 1 Klassifikation 11 Testauswahl 111 Benutzer-Auswahl 112 Standardisierte Indikation 113 Kosten-Nutzen-Analyse 12 Datenerfassung 121 -> Interviewerkomponente 122 Überprüfen der Antworten 123 Ableiten von Folgefragen 13 Datenabstraktion 14 Sichere Lösungsbewertung 15 Unsichere Lösungsbewertung 151 Heuristische Bewertung 1511 Herleitung verdächtigter Lösungen 1512 Herleitung bestätigter Lösungen 152 Statistische Bewertung 153 Fallbasierte Bewertung 1531 Merkmal-Filter 1532 Herleitung ähnlicher Fälle Vorauswahl und Vergleich Vorauswahl Keine Vorauswahl Mit gewichteten Merkmalen Lösungsbasierter Filter (mit Regeln) Vollvergleich der Restfälle Hill-Climbing in Fallnachbarschaften Wähle Startfälle Bestimme Fallnachbarschaft Lösungsbasierter Filter (mit Regeln) (so) Vollvergleich der Restfälle (so) 1533 Bestimmung der Lösungen 154 Überdeckende Bewertung 1541 Berechnung der Einfachüberdeckungen 1542 Berechnung der Mehrfachüberdeckungen 155 Funktionale Bewertung 1551 Entdeckung von Diskrepanzen 1552 Berechnung der Einfachüberdeckungen (so) 1553 Berechnung der Mehrfachüberdeckungen (so) 8
9 Bewertung der Wissensarten Wissensart Wissensquelle Objektivierbarkeit Bedeutung von Wahrscheinlichkeiten Verdachtsgenerierung Verdachtsüberprüfung Stellen von Mehrfachdiagnosen Erklärungsfähigkeit sicher Erfahrungswissen heuristisch Erfahrungswissen statistisch Falldaten fallvergleichend Falldaten und Erfahrung überdeckend Erfahrung und Literatur funktional Literatur Qualität bzw Ausprägung der Eigenschaft: und = schlecht bzw gering, = mittel, und = gut bzw hoch 9
10 Integration der Wissensarten Benutzer, Meßgeräte Merkmalerfassungs- Vorverarbeitungs- Indikation zusätzlicher Merkmalsklassen Hinzufügen von Merkmalen und Merkmalsabstraktionen heuristischer Generierung von Verdachtshypothesen globale Steuerung Unterscheidung zwischen ähnlichen Verdachtshypothesen Verdachtsgenerierung und -überprüfung statistischer fallvergleichender Überprüfung der Verdachtshypothesen Überprüfung der Verdachtshypothesen überdeckender funktionaler 10
11 Struktur einer integrierenden Blackboard Merkmale mit Werten: M1 = W1 M2 = W2 Mn = Wn Merkmalsabstraktionen mit Werten: MA1 = W1 MA2 = W2 MAm = Wm Lösungen heuristisch statistisch fallvergleichend überdeckend funktional Lösung 1 wahrscheinlich (0,6) höchstwahrscheinlich (0,9) plausibel (0,8) Lösung 2 verdächtigt unplausibel (0,2) Lösung 3 verdächtigt neutral (0,2) möglich (0,5) Lösung 4 sicher (1,0) sicher (0,95) plausibel (1,0) 11
Fallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994:
Fallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994: 1. Retrieve the most similar case 2. Reuse the solution and other information of the case 3. Revise the proposed
MehrWas bisher geschah. Klassifikation: Zuordnung Merkmal (Symptom) Lösung (Diagnose)
Was bisher geschah Klassifikation: Zuordnung Merkmal (Symptom) Lösung (Diagnose) M Menge aller Merkmale L Menge aller Lösungen Zuordnung als Relation R M L Zuordnung als Funktion f : M L {0, 1} (charakteristische
MehrKapitel MK:V. V. Diagnoseansätze
Kapitel MK:V V. Diagnoseansätze Diagnoseproblemstellung Diagnose mit Bayes Evidenztheorie von Dempster/Shafer Diagnose mit Dempster/Shafer Truth Maintenance Assumption-Based TMS Diagnosis Setting Diagnosis
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
MehrÜberdeckende Klassifikation
Überdeckende Klassifikation Kernidee: Wissen der Art: Wenn Lösung dann Merkmal (mit Häufigkeit) Lösungsauswahl: Wähle die Lösung, die die beobachteten Merkmale am besten erklären (überdecken) kann. Problemmerkmale
MehrProblemklassen. Diagnostik (Klassifikation): Die Lösung wird aus einer Menge vorgegebener Alternativen ausgewählt.
Problemklassen Diagnostik (Klassifikation): Die Lösung wird aus einer Menge vorgegebener Alternativen ausgewählt. Konstruktion: Die Lösung wird aus einer Menge vorgegebener Bausteine zusammengesetzt. Simulation:
Mehr8. Entscheidungsunterstützende Programme
8. Entscheidungsunterstützende Programme Einteilungen nach verschiedenen Kriterien Historische Perspektive Wissensarten und Wissensakquisition Beispielsysteme: QMR und EON Trends Medizinische Informatik
Mehr1. Problembereich besteht aus:
Problemklassen Diagnostik (Klassifikation): Die Lösung wird aus einer Menge vorgegebener Alternativen ausgewählt. Konstruktion: Die Lösung wird aus einer Menge vorgegebener Bausteine zusammengesetzt. Simulation:
MehrCase-based Reasoning und Strategische Unternehmensberatung
Otto-Friedrich-Universität Bamberg Professur für Angewandte Informatik / Kognitive Systeme KogSys-Seminar Analogie Case-based Reasoning und Strategische Unternehmensberatung Alexei Kosucho Bamberg, 2008
MehrProjektgruppe KIMAS. 1. Case-based Reasoning 2. Retrieval Li Liu. Case-based Reasoning. Gliederung
Projektgruppe KIMAS Case-based Reasoning 5.9.2003 Li Liu Gliederung 1. Case-based Reasoning 2. Retrieval 2.1 Fallrepräsentation 2.2 Ähnlichkeitsbestimmung 3. Revise 4. Reuse 5. Retain 6. Fazit Projektgruppe
Mehr8 Einführung in Expertensysteme
8 Einführung in Expertensysteme 24. Vorlesung: Problemlösungsmethoden in Expertensystemen Problemklassen: abstrakte Zusammenfassung von Aufgabenstellungen, die sich in Bezug auf die Natur des Problemlöseprozesses
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
MehrTechnische Universität München TOPSIS. Technique for Order Preference by Similarity to Ideal Solution. - Eine Technik der Effizienzanalyse -
TOPSIS Technique for Order Preference by Similarity to Ideal Solution - Eine Technik der Effizienzanalyse - 1 Gliederung 1. Wiederholung Normalisierung (AHP) 2. Definition Effizienz 3. Ablauf von TOPSIS
MehrSchulcurriculum Mathematik
Fachkonferenz Mathematik Schulcurriculum Mathematik Schuljahrgang 9 Lehrwerk: Fundamente der Mathematik 9, Cornelsen-Verlag, ISBN 978-3-06-040149-9 Das Schulcurriculum ist auf Grundlange des Stoffverteilungsplans
MehrWahrscheinlichkeitsrechnung und Statistik
Wahrscheinlichkeitsrechnung und Statistik Für Ingenieurstudenten an Fachhochschulen von Michael Sachs erweitert Wahrscheinlichkeitsrechnung und Statistik Sachs schnell und portofrei erhältlich bei beck-shopde
MehrInhalt. Wissensbasierte Diagnose Entscheidungsbäume Bayes-Netze Fallbasiertes Schließen Funktionsorientierte Diagnose Modellbasierte Systeme
Inhalt 2 Wissensbasierte Diagnose 3 Diagnose bezeichnet hier das Rückschließen auf mögliche Ursachen, welche zu beobachtbaren Wirkungen führen. Heutige Diagnosesysteme haben gute Diagnosebasisfunktionen,
MehrProblemklassen. Diagnostik (Klassifikation): Die Lösung wird aus einer Menge vorgegebener Alternativen ausgewählt.
Problemklassen Diagnostik (Klassifikation): Die Lösung wird aus einer Menge vorgegebener Alternativen ausgewählt. Konstruktion: Die Lösung wird aus einer Menge vorgegebener Bausteine zusammengesetzt. Simulation:
MehrFallbasierte Bewertung von Internet-Domainnamen. Von Sebastian Dieterle
Fallbasierte Bewertung von Internet-Domainnamen Von Sebastian Dieterle Einleitung Einleitung Grundlagen Ansatz Evaluierung Schlussfolgerungen 2 Entstehung eines interdisziplinären Ansatzes 2002-: Unternehmensgründung
MehrLeseprobe. Michael Sachs. Wahrscheinlichkeitsrechnung und Statistik. für Ingenieurstudenten an Fachhochschulen. ISBN (Buch):
Leseprobe Michael Sachs Wahrscheinlichkeitsrechnung und Statistik für Ingenieurstudenten an Fachhochschulen ISBN (Buch): 978-3-446-43797-5 ISBN (E-Book): 978-3-446-43732-6 Weitere Informationen oder Bestellungen
Mehr4. Lernen von Entscheidungsbäumen
4. Lernen von Entscheidungsbäumen Entscheidungsbäume 4. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse
MehrChi Quadrat-Unabhängigkeitstest
Fragestellung 1: Untersuchung mit Hilfe des Chi-Quadrat-Unabhängigkeitstestes, ob zwischen dem Herkunftsland der Befragten und der Bewertung des Kontaktes zu den Nachbarn aus einem Anderen Herkunftsland
MehrZeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: k = n (n + 1) 2
Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k = k=1 n (n + 1). 2 Aufgabe 2. (5 Punkte) Bestimmen Sie das folgende Integral mithilfe partieller
MehrRegelbasierte Diagnose - Wie findet man die Fehlerursachen in komplexen Anlagen?
Motivation Modellbasierter Ansatz Schluss - Wie findet man die Fehlerursachen in komplexen Anlagen? Georg Brummund 28.01.2010 Motivation Modellbasierter Ansatz Schluss Motivation Einsatzgebiet Vorwärtsverkettung
MehrEinführung in Expertensysteme
Frank Puppe Einführung in Expertensysteme Zweite Auflage Mit 86 Abbildungen Springer-Verlag Berlin Heidelberg New York London Paris Tokyo HongKong Barcelona Budapest Inhaltsverzeichnis Teil I. Einführung
MehrIntelligente Systeme
Intelligente Systeme Fallbasiertes Schließen Prof. Dr. R. Kruse C. Braune {kruse,cbraune}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrTutorial: Balken- und Tortendiagramm
Tutorial: Balken- und Tortendiagramm In der Tabelle ist die Notenverteilung von 510 Teilnehmern an Mathematik Proseminaren angegeben (NA bedeutet einen unbekannten Wert). Der Sachverhalt sollte in zwei
MehrEntscheidungen bei der Durchführung einer Cluster-Analyse
7712Clusterverfahren Entscheidungen bei der Durchführung einer Cluster-Analyse nach: Eckes, Thomas, und Helmut Roßbach, 1980: Clusteranalysen; Stuttgart:Kohlhammer A. Auswahl der Merkmale Festlegung des
MehrKapitel 4: Data Mining DATABASE SYSTEMS GROUP. Überblick. 4.1 Einleitung. 4.2 Clustering. 4.3 Klassifikation
Überblick 4.1 Einleitung 4.2 Clustering 4.3 Klassifikation 1 Klassifikationsproblem Gegeben: eine Menge O D von Objekten o = (o 1,..., o d ) O mit Attributen A i, 1 i d eine Menge von Klassen C = {c 1,...,c
MehrMedian 2. Modus < Median < Mittelwert. Mittelwert < Median < Modus. 2 Modalwerte oder Modus viel größer bzw. viel kleiner als Mittelwert
Universität Flensburg Zentrum für Methodenlehre Tutorium Statistik I Modus oder Modalwert (D) : - Geeignet für nominalskalierte Daten - Wert der häufigsten Merkmalsausprägung - Es kann mehrere Modalwerte
MehrWissensbasierte Systeme
FH Wedel Prof. Dr. Sebastian Iwanowski WBS6 Folie 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 6: Wissensbasierte Diagnosemethoden im Vergleich FH Wedel Prof. Dr. Sebastian Iwanowski WBS6
MehrItem-based Collaborative Filtering
Item-based Collaborative Filtering Paper presentation Martin Krüger, Sebastian Kölle 28.04.2011 Seminar Collaborative Filtering KDD Cup 2011: Aufgabenbeschreibung Track 1 Item-based Collaborative Filtering
MehrDeskriptive Statistik Erläuterungen
Grundlagen der Wirtschaftsmathematik und Statistik Erläuterungen Lernmaterial zum Modul - 40601 - der Fernuniversität Hagen 7 2.1 Einfache Lageparameter aus einer gegebenen Messreihe ablesen Erklärung
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrIntelligente Systeme
Intelligente Systeme Fallbasiertes Schließen Prof. Dr. R. Kruse C. Moewes G. Ruß {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrAutomatische Vergabe von RVK-Notationen mittels fallbasiertem Schließen. Magnus Pfeffer Universitätsbibliothek Mannheim
Automatische Vergabe von RVK-Notationen mittels fallbasiertem Schließen Magnus Pfeffer Universitätsbibliothek Mannheim Gliederung Motivation und Historie Verfahren Umsetzung Experimentelle Ergebnisse Nachnutzung
MehrKreisdiagramm, Tortendiagramm
Kreisdiagramm, Tortendiagramm Darstellung der relativen (absoluten) Häufigkeiten als Fläche eines Kreises Anwendung: Nominale Merkmale Ordinale Merkmale (Problem: Ordnung nicht korrekt wiedergegeben) Gruppierte
MehrKapitel 2. Mittelwerte
Kapitel 2. Mittelwerte Im Zusammenhang mit dem Begriff der Verteilung, der im ersten Kapitel eingeführt wurde, taucht häufig die Frage auf, wie man die vorliegenden Daten durch eine geeignete Größe repräsentieren
Mehrentschieden hat, obwohl die Merkmalsausprägungen in der Grundgesamtheit voneinander abhängig sind.
Bsp 1) Die Wahrscheinlichkeit dafür, dass eine Glühbirne länger als 200 Stunden brennt, beträgt 0,2. Wie wahrscheinlich ist es, dass von 10 Glühbirnen mindestens eine länger als 200 Stunden brennt? (Berechnen
Mehr3. Deskriptive Statistik
3. Deskriptive Statistik Eindimensionale (univariate) Daten: Pro Objekt wird ein Merkmal durch Messung / Befragung/ Beobachtung erhoben. Resultat ist jeweils ein Wert (Merkmalsausprägung) x i : - Gewicht
MehrFrequent Itemset Mining + Association Rule Mining
Frequent Itemset Mining + Association Rule Mining Studiengang Angewandte Mathematik WS 2015/16 Frequent Itemset Mining (FIM) 21.10.2015 2 Einleitung Das Frequent-Itemset-Mining kann als Anfang des modernen,
MehrWissensbasierte Diagnosesysteme mit d3web
Wissensbasierte Diagnosesysteme mit d3web http://www.d3web.de Tutorial KFZ Diagnose-Wissensbasis unter Verwendung verschiedener Wissensarten -- mit Office Dateien Autoren: Bärbel Wicht, Frank Puppe, Joachim
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
MehrMedizinisches Beispiel
Problemstellung Stimmen zwei oder mehrere Beobachter in ihrer Einschätzung überein? (im engl.: rater agreement oder interrater agreement) Beispiel: Zwei Professoren beurteilen die Referate oder Seminararbeiten
MehrKapitel 4: Data Mining
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Skript zur Vorlesung: Einführung in die Informatik: Systeme und Anwendungen Sommersemester 2017 Kapitel 4: Data Mining Vorlesung:
MehrSTACK Mathematische Aufgaben mit ILIAS testen (Ein Frage-Typ im ILIAS-Objekt Test)
STACK Mathematische Aufgaben mit ILIAS testen (Ein Frage-Typ im ILIAS-Objekt Test) Inhalt: Einleitung Vorteile von STACK-Fragen Beispielaufgabe Generierung einer Zufallsfrage 1. Einleitung Der elektronische
MehrMAT Gleichungen 14 DS. Alle Schüler/innen können...
MAT 08-01 Gleichungen 14 DS Leitidee: Zahlen und Operationen Thema im Buch: Gleich gleicher Gleichung Gleichungen in Form von Streichholzbildern mit Worten beschreiben und umgekehrt. mithilfe von Variablen
MehrClustering 2010/06/11 Sebastian Koch 1
Clustering 2010/06/11 1 Motivation Quelle: http://www.ha-w.de/media/schulung01.jpg 2010/06/11 2 Was ist Clustering Idee: Gruppierung von Objekten so, dass: Innerhalb einer Gruppe sollen die Objekte möglichst
MehrQUANTITATIVE VS QUALITATIVE STUDIEN
1 QUANTITATIVE VS QUALITATIVE STUDIEN Q UA N T I TAT I V E ST U D I E (lat. quantitas: Größe, Menge) Q UA L I TAT I V E ST U D I E (lat.: qualitas = Beschaffenheit, Merkmal, Eigenschaft, Zustand) 2 QUANTITATIVES
Mehr2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 25 26 28
MehrPräsentation der Vertiefungsarbeit von Tobias Stumpp
Präsentation der Vertiefungsarbeit von Tobias Stumpp Agenda 1. 2. 3. 4. 5. 6. 7. 1. Experten Expertensysteme Motivation / Grenzen Eigenschaften und Architektur eines XPS Shells Was sind Experten? Sehr
MehrZeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n (2k 1) = n 2.
Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k=1 (2k 1) = n 2. Aufgabe 2. (7 Punkte) Gegeben sei das lineare Gleichungssystem x + 2z = 0 ay
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik Häufigkeitsverteilungen Statistische Kennwerte 3 Multivariate Statistik 4 Regression 5 Ergänzungen Deskriptive
MehrWahrscheinlichkeits - rechnung und Statistik
Michael Sachs Mathematik-Studienhilfen Wahrscheinlichkeits - rechnung und Statistik für Ingenieurstudenten an Fachhochschulen 4., aktualisierte Auflage 2.2 Eindimensionale Häufigkeitsverteilungen 19 absolute
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2009/2010 Musterlösung für das 1. Übungsblatt Aufgabe 1: Anwendungsszenario Überlegen Sie sich ein neues Szenario des klassifizierenden Lernens (kein
MehrAnalyse von Kontingenztafeln
Analyse von Kontingenztafeln Mit Hilfe von Kontingenztafeln (Kreuztabellen) kann die Abhängigkeit bzw. die Inhomogenität der Verteilungen kategorialer Merkmale beschrieben, analysiert und getestet werden.
MehrKapitel 1 Beschreibende Statistik
Beispiel 1.5: Histogramm (klassierte erreichte Punkte, Fortsetzung Bsp. 1.1) 0.25 0.2 Höhe 0.15 0.1 0.05 0 0 6 7 8,5 10 11 erreichte Punkte Dr. Karsten Webel 24 Beispiel 1.5: Histogramm (Fortsetzung) Klasse
MehrZAHLENDREIECKE DURCH VERGLEICHEN UND PROBIEREN
ZAHLENDREIECKE DURCH VERGLEICHEN UND PROBIEREN Zahlendreiecke, die innen leer sind und aussen durch drei Zahlen aus 0, 1, 2,... gegeben sind, lassen sich nicht durch direktes Rechnen lösen. Auch kann es
MehrStoffverteilungsplan Mathematik Leistungskurs. Lambacher Schweizer Stochastik ISBN Klassenarbeit
Lambacher Schweizer Q3.1 Grundlegende Begriffe der Grundlagen der Wahrscheinlichkeitstheorie: Beschreiben von Zufallsexperimenten (Laplace-Experimente) unter Verwendung der Begriffe Ergebnis, Ergebnismenge,
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF DR ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 07052013 Mittelwerte und Lagemaße II 1 Anwendung und Berechnung
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
MehrFallbasiertes Schließen und Software Reuse
Fallbasiertes Schließen und Software Reuse Seminararbeit eingereicht bei Frau Prof. Dr. Ute Schmid Lehrstuhl für Angewandte Informatik - Kognitive Systeme Otto-Friedrich-Universität Bamberg im Wintersemester
MehrStoffverteilungsplan Mathematik Grundkurs. Lambacher Schweizer Stochastik ISBN Klassenarbeit
Q3.1 Grundlegende Begriffe der Grundlagen der Wahrscheinlichkeitstheorie: Beschreiben von Zufallsexperimenten (Laplace-Experimente) unter Verwendung der Begriffe Ergebnis, Ergebnismenge, Ereignis und Wahrscheinlichkeit
MehrFuzzy Funktionale Abhängigkeiten (FFD) Julie Orzea Betreuer: Heiko Schepperle
Fuzzy Funktionale Abhängigkeiten (FFD) Julie Orzea Betreuer: Heiko Schepperle Fuzzy Funktionale Abhängigkeiten Fuzzy Datenbanken (FFD) Verschiedene (fuzzy) Funktionale Abhängigkeiten Inferenz-Regeln, Schlüssel
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
MehrBetriebliches Wissensmanagement VL12 - Information Retrieval und Fallbasiertes Schließen SoSe 2016, 11. Juli 2016
Betriebliches Wissensmanagement VL12 - Information Retrieval und Fallbasiertes Schließen SoSe 2016, 11. Juli 2016 Lehrstuhl für Wirtschaftsinformatik und Electronic Government Universität Potsdam Chair
MehrEffektstärken Nachtrag
Effektstärken Nachtrag Benchmarks für Effektstärken gehen auf Cohen (1988) zurück, nimmt man statistische Hintergründe der Berechnung und Umrechnung ernst, sind Angaben jedoch teilweise inkonsistent (vgl.
MehrKapitel X - Lineare Regression
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel X - Lineare Regression Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Agenda 1 Untersuchung
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
Mehr2. Vorlesung Expertensysteme
Soft Control (AT 3, RMA) 2. Vorlesung Expertensysteme 2. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrStatistik I. Zusammenfassung und wichtiges zur Prüfungsvorbereitung. Malte Wissmann. 9. Dezember Universität Basel.
Zusammenfassung und wichtiges zur Prüfungsvorbereitung 9. Dezember 2008 Begriffe Kenntnis der wichtigen Begriffe und Unterscheidung dieser. Beispiele: Merkmal, Merkmalsraum, etc. Skalierung: Nominal etc
MehrÜberblick. Grundkonzepte des Bayes schen Lernens. Wahrscheinlichstes Modell gegeben Daten Münzwürfe Lineare Regression Logistische Regression
Überblick Grundkonzepte des Baes schen Lernens Wahrscheinlichstes Modell gegeben Daten Münzwürfe Lineare Regression Logistische Regression Baes sche Vorhersage Münzwürfe Lineare Regression 57 Erinnerung:
MehrAuswahl eines geeigneten mehrdimensionalen. für die Ressourceneffizienzbewertung von Prozessketten. Seminarvortrag.
Auswahl eines geeigneten mehrdimensionalen Bewertungsverfahrens für die Ressourceneffizienzbewertung von Prozessketten Seminarvortrag Andreas Hermanuz Quelle: Volkswagen AG Aachen, 6.0.205 Einleitung und
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
MehrVery simple methods for all pairs network flow analysis
Very simple methods for all pairs network flow analysis obias Ludes 0.0.0. Einführung Um den maximalen Flusswert zwischen allen Knoten eines ungerichteten Graphen zu berechnen sind nach Gomory und Hu nur
MehrP (A B) P (B) = P ({3}) P ({1, 3, 5}) = 1 3.
2 Wahrscheinlichkeitstheorie Beispiel. Wie wahrscheinlich ist es, eine Zwei oder eine Drei gewürfelt zu haben, wenn wir schon wissen, dass wir eine ungerade Zahl gewürfelt haben? Dann ist Ereignis A das
MehrFormale Begriffsanalyse
Formale Begriffsanalyse I Kontexte, Begriffe und Begriffsverbände 3 Mehrwertige Kontexte und Begriffliches Skalieren Die Elemente von G nennen wir die Gegenstände, die von M die (mehrwertigen) Merkmale
MehrKapitel GWBS:III. III. Regeln mit Konfidenzen. Einführung. Verrechnung von Konfidenzen. Probleme des Ansatzes. Beispiel für ein Diagnosesystem
Kapitel GWBS:III III. Regeln mit Konfidenzen Einführung Verrechnung von Konfidenzen Probleme des Ansatzes Beispiel für ein Diagnosesystem GWBS: III-1 Konfidenzen c BUBECK/LETTMANN 2009-2010 Glaubwürdigkeit
MehrDiskriminatives syntaktisches Reranking für SMT
Diskriminatives syntaktisches Reranking für SMT Fortgeschrittene Themen der statistischen maschinellen Übersetzung Janina Nikolic 2 Agenda Problem: Ranking des SMT Systems Lösung: Reranking-Modell Nutzung
MehrSo beheben Sie Störungen
So beheben Sie Störungen Entkalkungsmeldung des Geräts Während der Montage wurde das Gerät auf die lokale Wasserhärte eingestellt. Durch diese Anpassung werden unnötige Entkalkungsvorgänge vermieden und
MehrDas Skalarprodukt zweier Vektoren
Beim Skalarprodukt zweier Vektoren werden die Vektoren so multipliziert, dass sich ein Skalar eine Zahl ergibt. Die Berechnung des Skalarproduktes ist ziemlich einfach, aber die weiteren Eigenschaften
MehrStoffverteilungsplan Mathematik Klasse 9 auf der Grundlage des Kerncurriculums Lambacher Schweizer 9 ISBN
1 Das neue Kerncurriculum für die Umstellung auf G9 betont, dass eine umfassende mathematische Grundbildung im Mathematikunterricht erst durch die Vernetzung inhaltsbezogener (fachmathematischer) und prozessbezogener
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrWas bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col1 col
MehrSplitting. Impurity. c 1. c 2. c 3. c 4
Splitting Impurity Sei D(t) eine Menge von Lernbeispielen, in der X(t) auf die Klassen C = {c 1, c 2, c 3, c 4 } verteilt ist. Illustration von zwei möglichen Splits: c 1 c 2 c 3 c 4 ML: III-29 Decision
MehrThüringer Gewässerbeirat
Thüringer Gewässerbeirat TOP 3.1 Aktueller Stand der Überprüfung der Risikogewässer Ellen Frühwein, Referat 24 - Hochwasserschutz / Gewässerschutz, TMUEN 24.04.2018 Ellen Frühwein, TMUEN Referat 24 1 Gesetzliche
MehrTHEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert
MehrChristians Modi-Küche
Christians Modi-Küche Schneller Kochen mit Oxaion Extensions Bild: visualhunt.com Agenda Der Koch stellt sich vor: Mit wem sie es zu tun haben. Die Qual der Wahl: Das passende Küchenutensil für jede Aufgabe.
MehrKapitel MK:V. V. Diagnoseansätze
Kapitel MK:V V. Diagnoseansätze Diagnoseproblemstellung Diagnose mit Bayes Evidenztheorie von Dempster/Shafer Diagnose mit Dempster/Shafer Truth Maintenance Assumption-Based TMS Diagnosis Setting Diagnosis
MehrDaten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten)
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Wissensrepräsentation und -verarbeitung in klassischer Aussagenlogik: Entscheidungstabellen,
MehrKapitel MK:V. V. Diagnoseansätze
Kapitel MK:V V. Diagnoseansätze Diagnoseproblemstellung Diagnose mit Bayes Evidenztheorie von Dempster/Shafer Diagnose mit Dempster/Shafer Truth Maintenance Assumption-Based TMS Diagnosis Setting Diagnosis
Mehr1 x 1 y 1 2 x 2 y 2 3 x 3 y 3... n x n y n
3.2. Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare von Merkmalsausprägungen (x, y) Beispiele:
MehrKlausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min
Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 21.02.2011 Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte,
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
Mehrfunctional size bestimmt als einfach/mittel/schwierig (low/average/high) =
Fragmente zu Softwaremessung, Teil 2 (Version 1.0, 10.5.2010) Bestimmung der Function Points: 1. Systemgrenze bestimmen mit application boundary ist etwa das Kontextdiagramm bei SA oder das Use-Case-Diagramme
MehrTransformationale Entwurfsraum-Exploration für den Entwurf eingebetteter Systeme
Transformationale Entwurfsraum-Exploration für den Entwurf eingebetteter Systeme Dissertation der Fakultät für Informatik der Eberhard-Karls-Universität zu Tübingen zur Erlangung des Grades eines Doktors
Mehr