INTELLIGENTE DATENANALYSE IN MATLAB. Einführungsveranstaltung
|
|
- Kornelius Beyer
- vor 5 Jahren
- Abrufe
Transkript
1 INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung
2 Überblick Organisation. Literatur. Inhalt und Ziele der Vorlesung. Beispiele aus der Praxis. 2
3 Organisation Vorlesung/Übung + Projektarbeit. 6 Semesterwochenstunden (2 Vorlesung/4 Übung). Vorlesung: Do 14:00-15:30, Seminarraum Übung: Mo 14:00-17:00, PC-Pool Babylon-Account für PC-Pool bei Herrn Glöde (Raum ) beantragen. Webseite mit Terminen, Folien und Downloads: 3
4 Organisation Vorlesung: Grundlagen Maschinelles Lernen und MATLAB. Konzepte/Algorithmen der intelligenten Datenanalyse. Übung: Implementierung der Algorithmen in MATLAB. Anwenden der Verfahren auf Praxis-Problemstellungen. 4
5 Organisation Projektarbeit: Selbständiges Bearbeiten eines Problems aus der Praxis: Problemstellung und geeignetes Verfahren identifizieren. Verfahren in MATLAB implementieren und auf gegebene Daten anwenden. Prüfung: Vorstellung der Projektarbeit. Mündliche Prüfung zu Themen der Vorlesung/Übung. Prüfungsnote: 50% Prüfung + 50% Projektarbeit. 5
6 Literatur Chris Bishop: Pattern Recognition and Machine Learning. David G. Stork: Computer Manual in MATLAB to Accompany Pattern Classification. MATLAB-Demos & -Tutorials im Internet, z.b
7 Inhalte und Ziele der Vorlesung Grundlagen im Arbeiten mit MATLAB. Mathematische Grundlagen der Optimierung, Statistik und Numerik. Methoden des Maschinellen Lernens: Klassifikation & Regression. Clustering. Ranking & Recommendation-Systeme. Dimensionsreduktion und Visualisierung. Selbständiges Durchführen von Datenanalysen, d.h. bearbeiten von Problemen des Maschinellen Lernens. 7
8 Motivation 8
9 Motivation 9
10 Was ist Intelligente Datenanalyse? Gegeben: Beobachtungen/Daten. Evtl. Hintergrundwissen über die Domain. Gesucht: Visualisierung und Beschreibung der Daten. (Versteckte) Zusammenhänge in den Daten. Ziel: Modell finden welches die Beobachtungen bzw. bestimmte Teile davon gut erklärt. 10
11 Schritte der Datenanalyse Datenvorverarbeitung und geeignete Repräsentation der Daten wählen. Finden eines Modells durch Maschinelles Lernen: Modellierung des Lernproblems: Bestimmen von gegebenen und gesuchten Größen, Performanzmaß/Zielkriterium, Modellraum usw. Lösen des Lernproblems: Algorithmus zum Finden eines geeigneten Modells. Anwenden des Modells auf neue Daten. Bewertung & Interpretation der Ergebnisse. 11
12 Beispiel: Modellierung von Risiken 12
13 Beispiel: Cross-/Up-Selling Entdecken von Mustern in Datenbanken: Welche Produkte anbieten? Wie und wo Produkte platzieren & bewerben? Kaufvorschläge & Bundles generieren. 13
14 Beispiel: Empfehlungen Basierend auf Nutzerverhalten/-bewertungen: Vorhersage von neuen Bewertungen. Produktempfehlungen für andere Nutzer. 14
15 Beispiel: Spam Filtern Klassifikation aufgrund von Text, Bildern, URLs Große Datenmenge beim Training (>1 Mio s). Klassifikationsproblem mit Gegenspieler: Gegenspieler verändert Verhalten in Reaktion auf gelerntes Modell. Hohe Genauigkeit bei legitimen s. 15
16 Beispiel: Mustererkennung Sprach-, Text- und Bilderkennung: Handschrifterkennung, Gesichtserkennung, Sprachsteuerung uvm. 16
17 Beispiel: Daten-Modellierung Visualisierung hochdimensionaler Daten. Lernen von Ontologien & Taxonomien. Sprachsynthese (Text to Speech). Automatische Volltextübersetzung (Text to Text). Das Fleisch ist willig, aber der Geist ist schwach. DE EN RUS EN DE Das Schwein ist fertig, aber der Wodka ist verrottet. 17
18 Wir stellen ein Wir suchen: Studentische Mitarbeiter, gern im Zusammenhang mit Studien- und Diplomarbeit. Wissenschaftliche Mitarbeiter. Promotionsstipendiaten. Wir bieten: Erstklassiges Forschungs- und Arbeitsumfeld. Interessante Themen und Problemstellungen, z.t. Drittmittelprojekte mit Industriepartnern. 18
INTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation Literatur Inhalt und Ziele der Vorlesung Beispiele aus der Praxis 2 Organisation Vorlesung/Übung + Projektarbeit. 4 Semesterwochenstunden.
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Niels Landwehr, Jules Rasetaharison, Christoph Sawade, Tobias Scheffer
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen Niels Landwehr, Jules Rasetaharison, Christoph Sawade, Tobias Scheffer Organisation Vorlesung/Übung, praktische
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Maschinelles Lernen. Tobias Scheffer Michael Brückner
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen Tobias Scheffer Michael Brückner Organisation Vorlesung/Übung, praktische Informatik. 4 SWS. Übung: Mo 10:00-11:30
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Maschinelles Lernen
Universität Potsdam Institut für Informatik Lehrstuhl Niels Landwehr, Silvia Makowski, Christoph Sawade, Tobias Scheffer Organisation Vorlesung/Übung, praktische Informatik. 4 SWS. Übung: Di 10:00-11:30
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Tobias Scheffer, Tom Vanck, Paul Prasse
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Sprachtechnologie Tobias Scheffer, Tom Vanck, Paul Prasse Organisation Vorlesung/Übung, praktische Informatik. 4 SWS. Termin: Montags,
MehrMaschinelles Lernen II
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen II Niels Landwehr Organisation Vorlesung/Übung 4 SWS. Ort: 3.01.2.31. Termin: Vorlesung: Dienstag, 10:00-11:30.
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Unüberwachtes Lernen: Clustern von Attributen
INTELLIGENTE DATENANALYSE IN MATLAB Unüberwachtes Lernen: Clustern von Attributen Literatur J. Han, M. Kamber: Data Mining Concepts and Techniques. J. Han et. al: Mining Frequent Patterns without Candidate
Mehr:21 Uhr Modulbeschreibung #1290/1 Seite 1 von 5
04.12.2015 16:21 Uhr Modulbeschreibung #1290/1 Seite 1 von 5 Modulbeschreibung Maschinelles Lernen 1 Modultitel: Maschinelles Lernen 1 Machine Learning 1 URL: Leistungspunkte: 9 Sekretariat: Modulsprache:
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrDigitale Bildverarbeitung Organisation. Vorstellung Vorlesungskomponenten Infrastruktur Ergänzendes Material Erwartungen Gliederung der Vorlesung
Digitale Bildverarbeitung Organisation Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Übersicht Vorstellung Vorlesungskomponenten Infrastruktur
MehrMathematisch-algorithmische Grundlagen für Big Data
Mathematisch-algorithmische Grundlagen für Big Data Numerische Algorithmen für Datenanalyse und Optimierung Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Sommersemester 2017
MehrProjekt-INF Folie 1
Folie 1 Projekt-INF Entwicklung eines Testbed für den empirischen Vergleich verschiedener Methoden des maschinellen Lernens im Bezug auf die Erlernung von Produktentwicklungswissen Folie 2 Inhalt Ziel
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Sprachtechnologie. Tobias Scheffer Paul Prasse Michael Großhans
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Sprachtechnologie Tobias Scheffer Paul Prasse Michael Großhans Organisation Vorlesung/Übung, praktische Informatik. 4 SWS. 6 Leistungspunkte
MehrEinführung in das Maschinelle Lernen I
Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL
MehrMustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick
Mehr! Modellierung und Simulation 1 (SIM1)
! Modellierung und Simulation 1 (SIM1) 1. Veranstaltung: Einführung 18.10.16 Andreas Vogel andreas.vogel@gcsc.uni-frankfurt.de!!! Organisatorisches Modellierung und Simulation 1 (M-SIM1c; evtl. M-SIM1a,
MehrVorlesung Wissenschaftliches Rechen
Vorlesung Wissenschaftliches Rechen Christian Engwer Uni Münster 9. Oktober 2017 Vorlesung Mo, Do: 10-12 Uhr (M3) Christian Engwer Einsteinstrasse 62, Zimmer 120.220 email: christian.engwer@uni-muenster.de
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Evaluation & Exploitation von Modellen
INTELLIGENTE DATENANALYSE IN MATLAB Evaluation & Exploitation von Modellen Überblick Schritte der Datenanalyse: Datenvorverarbeitung Problemanalyse Problemlösung Anwendung der Lösung Aggregation und Selektion
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Lernen von Assoziationsregeln Literatur J. Han, M. Kamber: Data Mining i Concepts and Techniques. J. Han et. al: Mining i Frequent Patterns without t Candidate Generation.
MehrQuantitative Methoden der BWL am PC Überblick
Quantitative Methoden der BWL am PC Überblick Prof. Dr. Norbert Trautmann Universität Bern Frühjahrssemester 2018 Stand: 12. Februar 2018 Gliederung 1 Dozenten 2 3 4 5 Prof. Dr. Norbert Trautmann, Frühjahrssemester
MehrNumerik 1. Ch. Helzel. Vorlesung: Mi. + Do. 10:30-12:15
Numerik 1 Ch. Helzel Vorlesung: Mi. + Do. 10:30-12:15 Organisatorisches Mitarbeiter: David Kerkmann und Marina Fischer (Übungen), Felix Lieder (Organisatorisches), Andreas Troll (Programmierübungen) Organisatorisches
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrBusiness Intelligence & Machine Learning
AUSFÜLLHILFE: BEWEGEN SIE DEN MAUSZEIGER ÜBER DIE ÜBERSCHRIFTEN. AUSFÜHRLICHE HINWEISE: LEITFADEN MODULBESCHREIBUNG Business Intelligence & Machine Learning Kennnummer Workload Credits/LP Studiensemester
MehrComputerorientiertes Problemlösen
Computerorientiertes Problemlösen 23. 27. September 2013 Dr. Robert Strehl WS 2013-2014 Organisatorisches 23.09. 27.09. Zeit Mo Di Mi Do Fr 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 Vorlesung hier
MehrQuantitative Methoden der BWL am PC Überblick
Quantitative Methoden der BWL am PC Überblick Prof. Dr. Norbert Trautmann Universität Bern Frühjahrssemester 2019 Stand: 15. Februar 2019 Gliederung 1 2 3 4 5 Prof. Dr. Norbert Trautmann, Frühjahrssemester
MehrVeranstaltung Pr.-Nr.: Modul Wirtschaftsinformatik für Wirtschaftswissenschaftler. Organisatorisches. Veronika Waue WS 2007/2008
Veranstaltung Pr.-Nr.: 101023 Modul Wirtschaftsinformatik für Wirtschaftswissenschaftler Organisatorisches Veronika Waue WS 2007/2008 Hallo Dr. Veronika Waue Zimmer: 214 E-mail: veronika@waue.net Sprechstunde:
MehrDigitale Bildverarbeitung Organisation
Digitale Bildverarbeitung Organisation Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Übersicht Vorstellung Vorlesungskomponenten Infrastruktur
MehrWissensrepräsentation
Wissensrepräsentation Vorlesung Sommersemester 2008 12. Sitzung Dozent Nino Simunic M.A. Computerlinguistik, Campus DU Übersicht Rückblick, Zusammenhänge Mysterien 2 Inhalte im abstrakten Überblick Künstliche
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Tobias Scheffer Christoph Sawade
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Christoph Sawade Heute: Niels Landwehr Überblick Problemstellung/Motivation Deterministischer Ansatz:
MehrEinführung in die Praktische Informatik WS 09/10
Einführung in die Praktische Informatik WS 09/10 Prof. Dr. Christian Sengstock Institut für Informatik Neuenheimer Feld 348 69120 Heidelberg http://dbs.ifi.uni-heidelberg.de sengstock@informatik.uni-heidelberg.de
MehrMachine Learning & Künstliche Intelligenz
Dr. med. Christina Czeschik Serapion www.serapion.de Machine Learning & Künstliche Intelligenz Eine kurze Einführung Künstliche Intelligenz intelligent nutzen Essen, 08.06.2018 Künstliche Intelligenz Turing-Test
MehrWorkload: 150 h ECTS Punkte: 5
Modulbezeichnung: Modulnummer: DLBINGDABD Modultyp: Pflicht Data Analytics und Big Data Semester: -- Dauer: Minimaldauer 1 Semester Regulär angeboten im: WS, SS Workload: 150 h ECTS Punkte: 5 Zugangsvoraussetzungen:
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Evaluation & Exploitation von Modellen
INTELLIGENTE DATENANALYSE IN MATLAB Evaluation & Exploitation von Modellen Überblick Schritte der Datenanalyse: Datenvorverarbeitung Problemanalyse Problemlösung Anwendung der Lösung Aggregation und Selektion
MehrRecommender-System für Projektkollaborationen basierend auf wissenschaftlichen Publikationen und Patenten
basierend auf wissenschaftlichen Publikationen und Patenten PD Dr. Christoph Quix 1,2, Sandra Geisler 2, Rihan Hai 2 1 Fraunhofer-Institut für Angewandte Informationstechnik FIT http://fit.fraunhofer.de
MehrTeil VIII. Weiterführende Veranstaltungen im FG Wissensverarbeitung
Teil VIII Weiterführende Veranstaltungen im FG Wissensverarbeitung Überblick 1 Zusammenfassung AlgoDS 2 Datenbanken 3 Internet-Suchmaschinen 4 Knowledge Discovery 5 Künstliche Intelligenz 6 Seminare &
MehrMultimedia-Metadaten und ihre Anwendung
Multimedia-Metadaten und ihre Anwendung 14.02.2006 Automatische Gesichtserkennung Dominikus Baur Gesichtserkennung in MPEG-7 MPEG-7 bietet Face Descriptor zur Beschreibung von Gesichtern Im Folgenden:
MehrMaschinelles Lernen I Einführung. Uwe Reichel IPS, LMU München 22. April 2008
Maschinelles Lernen I Einführung Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 22. April 2008 Inhalt Einführung Lernen Maschinelle Lernverfahren im Überblick Phonetische Anwendungsbeispiele
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung 01a: Einführung und Motivation Prof. Dr. Gudrun Socher Dozentin Dozentin Prof. Dr. Gudrun Socher (gudrun.socher@hm.edu) Sprechstunde Donnerstag 9:15-10:00 Uhr Anmeldung per E-Mail
MehrKamera-basierte Objekterkennung
Kamera-basierte Objekterkennung Deep Machine Learning. Version 2.0 Einführung Motivation & Megatrends Motivation In der Logistik verursacht die Identifizierung (das Scannen) der Produkte, Pakete, Paletten,
MehrSurvival of the Fittest Optimierung mittels Genetischer Algorithmen
Übung zu Organic Computing Survival of the Fittest Optimierung mittels Genetischer Algorithmen Sabine Helwig Lehrstuhl für Informatik 12 (Hardware-Software-Co-Design) Universität Erlangen-Nürnberg sabine.helwig@informatik.uni-erlangen.de
MehrMaschinelles Lernen. mit und. Effizienz steigern in Massenprozessen. Jan Schinnerling. eworld 2019 Maschinelles Lernen
Maschinelles Lernen mit und Effizienz steigern in Massenprozessen Jan Schinnerling eworld 2019 Maschinelles Lernen Was ist maschinelles Lernen? 2 Grundidee: einem System durch Beispieldaten eine Fähigkeit
MehrGold schürfen im Marketing mit Data Science
Gold schürfen im Marketing mit Data Science SOMEXcircle 9. Mai 2017 Dr. Patricia Feubli Erfahrung 9 Jahre Economic Research und Data Science, 4 davon als Senior Economist im Credit Suisse Swiss Industries
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Unüberwachtes Lernen: Clustern von Instanzen
INTELLIGENTE DATENANALYSE IN MATLAB Unüberwachtes Lernen: Clustern von Instanzen Literatur Chris Bishop: Pattern Recognition and Machine Learning. Jiawei Han und Micheline Kamber: Data Mining Concepts
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Aufgaben der letzten Stunde Übersicht Neuronale Netze Motivation Perzeptron Multilayer
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
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Übersicht Neuronale Netze Motivation Perzeptron Grundlagen für praktische Übungen
MehrMaster-Studiengang Mathematik
Master-Studiengang Mathematik Einführungsveranstaltung Sommersemester 2018 Universität Potsdam 16. April 2018 (Universität Potsdam) Master-Studiengang Mathematik 16. April 2018 1 / 19 Studium am Institut
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Evaluation & Exploitation von Modellen Überblick Sh Schritte der Datenanalyse: Datenvorverarbeitung Problemanalyse Problemlösung Anwendung der Lösung Aggregation und
MehrIndustrial Data Intelligence Datenbasierte Produktionsoptimierung. Hannover, HMI Peter Seeberg
Industrial Data Intelligence Datenbasierte Produktionsoptimierung Hannover, 26.04.2017 HMI Peter Seeberg Algorithmus Daten Entscheidung Peter Seeberg / Softing, 2016 Copyright 2016 Softing Industrial.
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
MehrEinführung in die Numerik
Einführung in die Numerik Sommersemester 2017 Dr. Andreas Potschka Ruprecht Karls-Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Im Neuenheimer Feld 205, 69120 Heidelberg
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Überwachtes Lernen: Entscheidungsbäume
INTELLIGENTE DATENANALYSE IN MATLAB Überwachtes Lernen: Entscheidungsbäume Literatur Stuart Russell und Peter Norvig: Artificial Intelligence. Andrew W. Moore: http://www.autonlab.org/tutorials. 2 Überblick
MehrVorlesung. Data und Web Mining. Kurzinformation zur. Univ.-Prof. Dr. Ralph Bergmann. Lehrstuhl für Wirtschaftsinformatik II
Kurzinformation zur Vorlesung Data und Web Mining Univ.-Prof. Dr. Ralph Bergmann www.wi2.uni-trier.de - I - 1 - Die Ausgangssituation (1) Unternehmen und Organisationen haben enorme Datenmengen angesammelt
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Christoph Sawade/Niels Landwehr/Tobias Scheffer
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Christoph Sawade/Niels Landwehr/Tobias Scheffer Überblick Problemstellung/Motivation Deterministischer i ti Ansatz:
MehrBasiskurs für Citavi 6
Basiskurs für Citavi 6 Warum Citavi? Projektarbeit A Projektarbeit B Becker: Die Kunst des Professionellen Schreibens Becker: München. Die Kunst Hanser des Verlag Professionellen 2015 Schreibens Text Text
MehrDigitale Bildverarbeitung in BA/MA
Digitale Bildverarbeitung in BA/MA Prof. Dr.-Ing. Joachim Denzler Lehrstuhl Digitale Bildverarbeitung Friedrich-Schiller-Universität Jena http://www.inf-cv.uni-jena.de Bedarf Bildverarbeitung In der Industrie:
MehrDeep Learning Prof. Dr. E. Rahm und Mitarbeiter
Deep Learning Prof. Dr. E. Rahm und Mitarbeiter Seminar, WS 2017/18 Big Data Analyse-Pipeline Dateninte -gration/ Anreicherung Datenextraktion / Cleaning Datenbeschaffung Datenanalyse Interpretation Volume
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
MehrAlgorithmische Geometrie: Einstimmung
Algorithmische Geometrie: Einstimmung Nico Düvelmeyer WS 2009/2010, 20.10.2009 Überblick 1 Organisatorisches 2 Fachgebiet Typische Untersuchungsgegenstände Typische Anwendungsgebiete 3 Inhalte der Vorlesung
MehrNumerische Mathematik für ingenieurwissenschaftliche Studiengänge
Institut für Numerische Mathematik und Optimierung Folien zur Vorlesung Numerische Mathematik für ingenieurwissenschaftliche Studiengänge Sommersemester 2010 Hörerkreis: 3./4. BEC, 3./4. BMB, 4. BAI, 4.
MehrLehrstuhl für Mustererkennung
Lehrstuhl für Mustererkennung Wintersemester 2017/18 Prof. Dr.-Ing. Andreas Maier 21.10.2017 Lehrstuhl für Informatik 5 (Mustererkennung) Friedrich-Alexander-Universität Erlangen-Nürnberg Lehrstuhl für
MehrTheoretische Informatik: Berechenbarkeit und Formale Sprachen
Theoretische Informatik: Berechenbarkeit und Formale Sprachen Prof. Dr. F. Otto Fachbereich Elektrotechnik/Informatik, Universität Kassel 34109 Kassel, Germany E-mail: otto@theory.informatik.uni-kassel.de
MehrInnovative Datenanalyse für die Medizin
Innovative Datenanalyse für die Medizin IDEALearning Intelligent Data Evaluation and Analysis by Machine Learning Dr. Susanne Winter winter:science Technologiezentrum Ruhr Universitätsstr. 142 44799 Bochum
MehrAlgorithmische Mathematik und Programmieren
Algorithmische Mathematik und Programmieren Martin Lanser Universität zu Köln WS 2016/2017 Organisatorisches M. Lanser (UzK) Alg. Math. und Programmieren WS 2016/2017 1 Ablauf der Vorlesung und der Übungen
MehrSo lösen Sie das multivariate lineare Regressionsproblem von Christian Herta
Multivariate Lineare Regression Christian Herta Oktober, 2013 1 von 34 Christian Herta Multivariate Lineare Regression Lernziele Multivariate Lineare Regression Konzepte des Maschinellen Lernens: Kostenfunktion
MehrEvolutionäre Algorithmen Einführung
Evolutionäre Algorithmen Einführung Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut für Wissens- und Sprachverarbeitung
MehrInformationssysteme im Electronic Commerce. Social Recommendation Systems
Informationssysteme im Electronic Commerce Social Recommendation Systems Seminar für Bachelor-/Master-/Diplomstudiengang Sommersemester 2012 Prof. Dr. Oliver Hinz Professur für Wirtschaftsinformatik insb.
MehrBasiskurs für Citavi 6
Basiskurs für Citavi 6 Warum Citavi? Projektarbeit A Projektarbeit B Becker: Die Kunst des Professionellen Schreibens Becker: München. Die Kunst Hanser des Verlag Professionellen 2015 Schreibens Text Text
MehrINSTITUT FÜR INFORMATIK
INSTITUT FÜR INFORMATIK Lehrveranstaltungen Wintersemester 2006/2007 Grundlagen der Praktischen Informatik Vorlesung: Grundlagen der Softwareentwicklung und Programmierung Di.+Fr. 9-11 25.11.00, HS 5C
MehrVergleich von SVM und Regel- und Entscheidungsbaum-Lernern
Vergleich von SVM und Regel- und Entscheidungsbaum-Lernern Chahine Abid Bachelor Arbeit Betreuer: Prof. Johannes Fürnkranz Frederik Janssen 28. November 2013 Fachbereich Informatik Fachgebiet Knowledge
MehrAlgorithmen und Datenstrukturen (AuD) Prof. Dr. Claudia Eckert und Dr. Thomas Stibor
Algorithmen und Datenstrukturen (AuD) Prof. Dr. Claudia Eckert und Dr. Thomas Stibor Organisatorisches: Vorlesung 4 SWS, Zentralübung 2 SWS: 6 Credit Points Mi 9:45 11:15 Raum 1200 (Vorlesung) Do 8:00
MehrMethoden zur Cluster - Analyse
Kapitel 4 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
MehrVorlesung Wissensentdeckung
Vorlesung Wissensentdeckung Einführung 5.4.2011 Gliederung 1 Modellbildung und Evaluation 2 Verlaufsmodell der Wissensentdeckung 3 Einführung in das Werkzeug RapidMiner Problem Wir haben nur eine endliche
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Überwachtes Lernen: Entscheidungsbäume Literatur Stuart Russell und Peter Norvig: Artificial i Intelligence. Andrew W. Moore: http://www.autonlab.org/tutorials. 2 Überblick
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
MehrAlgorithmen zur Visualisierung von Graphen
Algorithmen zur Visualisierung von Graphen Einführung 1. Vorlesung Sommersemester 2014 (basierend auf Folien von Martin Nöllenburg und Robert Görke, KIT) Organisatorisches Dozent Philipp Kindermann Büro
MehrMaster-Studiengang Mathematik
Master-Studiengang Mathematik Einführungsveranstaltung Winter 2017/18 Universität Potsdam 16. Oktober 2017 (Universität Potsdam) Master-Studiengang Mathematik 16. Oktober 2017 1 / 20 Studium am Institut
MehrMathematiker als Beruf - Was ist das? Jahrestreffen von Alumni, Studierenden und Dozenten 24. November 2012
Mathematiker als Beruf - Was ist das? Jahrestreffen von Alumni, Studierenden und Dozenten 24. November 2012 FCE Portfolio Kompetenzen Mathematische Modellierung industrieller Prozesse Mathematische Statistik
MehrLogistische Regression
Logistische Regression Christian Herta August, 2013 1 von 45 Christian Herta Logistische Regression Lernziele Logistische Regression Konzepte des maschinellen Lernens (insb. der Klassikation) Entscheidungsgrenze,
MehrNeue Ansätze für Mustererkennung und automatisches Lernen
Z Y X Neue Ansätze für Mustererkennung und automatisches Lernen Vortrag im Rahmen des 2. Technologieforums Bildverarbeitung am 03./04. November 2015 Johannes Zügner STEMMER IMAGING GmbH, Puchheim GLIEDERUNG
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 0. Organisatorisches Malte Helmert Universität Basel 16. Februar 2015 Organisatorisches Personen: Dozent Dozent Prof. Dr. Malte Helmert E-Mail: malte.helmert@unibas.ch
MehrVisualisierung von Graphen
1 Visualisierung von Graphen Teile-und-Herrsche-Algorithmen: Bäume und serienparallele Graphen 3. Vorlesung Sommersemester 2013 (basierend auf Folien von Martin Nöllenburg und Robert Görke, KIT) 2 Ankündigung
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
MehrKünstliche Intelligenz: Gefahr oder Chance? Eric Berg Lead Architekt Azure und Microsoft MVP, COMPAREX
Künstliche Intelligenz: Gefahr oder Chance? Eric Berg Lead Architekt Azure und Microsoft MVP, COMPAREX Künstliche Intelligenz Was ist Künstliche Intelligenz? KI und der Mensch: Miteinander oder Gegeneinander?
MehrTheoretische Informatik: Berechenbarkeit und Formale Sprachen
Theoretische Informatik: Berechenbarkeit und Formale Sprachen Prof. Dr. F. Otto Fachbereich Elektrotechnik/Informatik, Universität Kassel 34109 Kassel, Germany E-mail: otto@theory.informatik.uni-kassel.de
MehrEinführung in die AI
1 Einführung in die AI Prof. Georg Gottlob Institut für Informationssysteme Technische Universität Wien Folien zur Vorlesung Konzepte der Artificial Intelligence 3 Zum Begriff Artificial Intelligence AI:
MehrEinführungsveranstaltung Mathematische Masterstudiengänge
Einführungsveranstaltung Mathematische Masterstudiengänge Weyertal 86-90 50931 Köln Wintersemester 2018/19 1 / 33 Studiengänge Diese Einführungsveranstaltung richtet sich an Studienanfänger der mathematischen
MehrKMU Neue Möglichkeiten der mathematischen Datenanalyse
DataScience @ KMU Neue Möglichkeiten der mathematischen Datenanalyse Prof Dr. Klaus Frick Institut für Computational Engineering ICE Das Institut ICE Wer sind wir? 6 Dozenten: Promovierte Mathematiker
MehrEinführungsveranstaltung Studiengang Sicherheit und Gefahrenabwehr Informationen des Prüfungsamtes. Erstsemesterbegrüßung
Einführungsveranstaltung Studiengang Sicherheit und Gefahrenabwehr 01.10. 2018 Informationen des Prüfungsamtes Erstsemesterbegrüßung Ansprechpartner für den Studiengang Vorsitzende des Prüfungsausschusses:
MehrInformationen zum Bachelor Technische Mathematik. Studienplan neu ab 1. Oktober 2018
Informationen zum Bachelor Technische Mathematik Studienplan neu ab 1. Oktober 2018 Änderungen im Überblick keine Bachelorprüfung Umbenennungen (z.b. Computersysteme -> Programmierung 2) Aufteilung von
MehrQuantitative Methoden der Betriebswirtschaftslehre I Überblick
Quantitative Methoden der Betriebswirtschaftslehre I Überblick Prof. Dr. Norbert Trautmann Universität Bern Frühjahrssemester 2016 Gliederung 1 2 3 4 5 Prof. Dr. Norbert Trautmann, Frühjahrssemester 2016
MehrRelationale Datenbanken und MySQL
JUSTUS-LIEBIG-UNIVERSITÄT GIESSEN ALLG. BWL UND WIRTSCHAFTSINFORMATIK UNIV.-PROF. DR. AXEL C. SCHWICKERT Informationen zur Lehrveranstaltung Relationale Datenbanken und MySQL Übung im Master-Modul Electronic
Mehrdacore Datenbanksysteme AG Neue Konzepte zur Optimierung der Auslastungsplanung und Big Data im Informationsmanagement
dacore Datenbanksysteme AG Neue Konzepte zur Optimierung der Auslastungsplanung und Big Data im Informationsmanagement dacore Datenbanksysteme AG Neue Konzepte zur Optimierung der Auslastungsplanung Die
Mehr