Bayessches Lernen Aufgaben
|
|
- Marta Lorentz
- vor 7 Jahren
- Abrufe
Transkript
1 Bayessches Lernen Aufgaben (0721)
2 Aufgabe 1: Autodiebstahl-Beispiel Wie würde man ein NB-Klassifikator für folgenden Datensatz aufstellen? # Color Type Origin Stolen? 1 Red Sports Domestic Yes 2 Red Sports Domestic No 3 Red Sports Domestic Yes 4 Yellow Sports Domestic No 5 Yellow Sports Imported Yes 6 Yellow SUV Imported No 7 Yellow SUV Imported Yes 8 Yellow SUV Domestic No 9 Red SUV Imported No 10 Red Sports Imported Ye Konkret: Welche Parameter werden benötigt? 2
3 Aufgabe 2: NB-Klassifikatoren f. Bool-Werte Das in Aufgabe 1 gestellte Klassifikationsproblem soll jetzt automatisch berechnet werden. Dazu muss eine Klasse f. Naive Bayes-Netze entwickelt werden, die die benötigten Daten vorhalten kann. Für diese Aufgabe kann die Annahme getroffen werden, dass alle auftretenden Variablen nur boolsche Werte annehmen können. Wichtige Teilaspekte: welche Parameter müssen auf jeden Fall gespeichert werden? wie wird ein Ergebnis errechnet? 3
4 Teilaufgaben in Aufgabe 2 Klasse für NB-Klassifikator muss enthalten Wurzelknoten (Variable, die bestimmt werden soll) Blätter (Variablen, die gemessen werden) Wurzel enthält Wahrscheinlichkeiten der möglichen Werte Blatt enthält Bedingte Wahrscheinlichkeiten für mögliche Werte, geg. mögliche Werte der Wurzel 4
5 Aufgabe 3: NB-Klassifikator einsetzen Die in Aufgabe 2 entwickelte Klasse soll um die für die Anwendung benötigten Methoden ergänzt werden: die Parameter (Wahrscheinlichkeiten) müssen gesetzt werden können Werte von Variablen müssen gesetzt werden können (für die Blätter) die Ableitung der Wahrscheinlichkeit für die Wurzelvariable mittels der Bayesschen Formel muss hinzugefügt werden 5
6 Aufgabe 4: Lernen der Parameter Das in Aufgabe 2 entwickelte Framework soll um die Möglichkeit ergänzt werden, die benötigten Parameter aus gegebenen Trainingsdaten selbst zu berechnen. Wichtige Teilaspekte: Wie kann eine Instanz repräsentiert werden? Wie können daraus die benötigten Parameter bestimmt werden? 6
7 Aufgabe 5: Erweiterung auf diskrete Werte Der Fall diskreter Werte ist erheblich interessanter. Inwieweit ändert sich durch die Betrachtung von diskreten, endlichen Werten etwas an den bisherigen Überlegungen? Wichtige Teilaspekte: Weitere Parameter benötigt? Änderungen an Instanzen-Repräsentation? Änderungen an Netz-Repräsentation? Änderungen bei der Berechnung von Ergebnissen? 7
8 Aufgabe 6: Anwendung auf Tennis-Beispiel Verwenden Sie das in Aufgabe 4 erweiterte Framework, um es auf das Tennis-Beispiel anzuwenden. Vorhersage Temperatur Luftfeuchtigkeit Wind Tennis? sonnig heiß hoch schwach nein sonnig heiß hoch stark nein bedeckt heiß hoch schwach ja regnerisch warm hoch schwach ja regnerisch kalt normal schwach ja regnerisch kalt normal stark nein bedeckt kalt normal stark ja sonnig warm hoch schwach nein sonnig kalt normal schwach ja regnerisch warm normal schwach ja sonnig warm normal stark ja bedeckt warm hoch stark ja bedeckt heiß normal schwach ja regnerisch warm hoch stark nein 8
Wahrscheinlichkeitsrechnung und Statistik. 8. Vorlesung
Wahrscheinlichkeitsrechnung und Statistik 8. Vorlesung - 208 ) Monte Carlo Methode für numerische Integration Sei g : [0, ] R stetige Funktion; man möchte numerisch approximieren mit Hilfe von Zufallszahlen:
MehrEinführung: Bayessches Lernen. Dipl.-Inform. Martin Lösch. martin.loesch@kit.edu (0721) 608 45944. Dipl.-Inform. Martin Lösch
Einführung: martin.loesch@kit.edu (0721) 608 45944 Übersicht Motivation & Hintergrund Naiver Bayes-Klassifikator Bayessche Netze EM-Algorithmus 2 Was ist eigentlich? MOTIVATION & HINTERGRUND 3 Warum Lernen
MehrBayes Klassifikatoren M E T H O D E N D E S D A T A M I N I N G F A B I A N G R E U E L
Bayes Klassifikatoren M E T H O D E N D E S D A T A M I N I N G F A B I A N G R E U E L Inhalt Grundlagen aus der Wahrscheinlichkeitsrechnung Hypothesenwahl Optimale Bayes Klassifikator Naiver Bayes Klassifikator
MehrKapitel 10. Maschinelles Lernen Lineare Regression. Welche Gerade? Problemstellung. Th. Jahn. Sommersemester 2017
10.1 Sommersemester 2017 Problemstellung Welche Gerade? Gegeben sind folgende Messungen: Masse (kg) 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Kraft (N) 1.6 2.2 3.2 3.0 4.9 5.7 7.1 7.3 8.1 Annahme: Es gibt eine Funktion
Mehr10. Vorlesung. Grundlagen in Statistik. Seite 291. Martin-Luther-Universität Halle/Wittenberg
. Vorlesung Grundlagen in Statistik Seite 29 Beispiel Gegeben: Termhäufigkeiten von Dokumenten Problemstellung der Sprachmodellierung Was sagen die Termhäufigkeiten über die Wahrscheinlichkeit eines Dokuments
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
MehrFolien zu Data Mining von I. H. Witten und E. Frank. übersetzt von N. Fuhr
Folien zu Data Mining von I. H. Witten und E. Frank übersetzt von N. Fuhr Von Naivem Bayes zu Bayes'schen Netzwerken Naiver Bayes Annahme: Attribute bedingt unabhängig bei gegebener Klasse Stimmt in der
MehrWahrscheinlichkeitsverteilungen
Wahrscheinlichkeitsverteilungen 1. Binomialverteilung 1.1 Abzählverfahren 1.2 Urnenmodell Ziehen mit Zurücklegen, Formel von Bernoulli 1.3 Berechnung von Werten 1.4 Erwartungswert und Standardabweichung
MehrDer Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern.
Aufgabe 1 (2 + 1 + 2 + 2 Punkte) Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. a) Wieviele Möglichkeiten hat
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
MehrGroßübung zu Einführung in die Programmierung
Großübung zu Einführung in die Programmierung Daniel Bimschas, M.Sc. Institut für Telematik, Universität zu Lübeck https://www.itm.uni-luebeck.de/people/bimschas Inhalt 1. Besprechung Übung 4 Iteration
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrGibbs sampling. Sebastian Pado. October 30, Seien X die Trainingdaten, y ein Testdatenpunkt, π die Parameter des Modells
Gibbs sampling Sebastian Pado October 30, 2012 1 Bayessche Vorhersage Seien X die Trainingdaten, y ein Testdatenpunkt, π die Parameter des Modells Uns interessiert P (y X), wobei wir über das Modell marginalisieren
MehrFertilität und psychische Gesundheit im Alter
Fertilität und psychische Gesundheit im Alter Kai Eberhard Kruk MEA, Universität Mannheim MEA Jahreskonferenz, 30.11.2010 Mannheim Research Institute for the Economics of Aging www.mea.uni-mannheim.de
MehrErstes Mathe-Tutorium am Themen können gewählt werden unter:
Mathe-Tutorium Erstes Mathe-Tutorium am 07.05. Themen können gewählt werden unter: https://docs.google.com/forms/d/1lyfgke7skvql cgzspjt4mkirnrgnrfpkkn3j2vqos/iewform 1 Uniersität Potsdam Institut für
MehrPRAKTIKUM KÜNSTLICHE INTELLIGENZ Ausarbeitung zum 1. Meilenstein
PRAKTIKUM KÜNSTLICHE INTELLIGENZ Ausarbeitung zum 1. Meilenstein Bayes'sche Netze Andreas Bahcecioglu Marcel Bergmann Ertan Samgam Sven Schebitz Jan Seewald Fachhochschule Köln Wintersemester 2014 / 2015
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen II: Klassifikation mit Entscheidungsbäumen Vera Demberg Universität des Saarlandes 12. Juli 2012 Vera Demberg (UdS) Mathe III 12. Juli 2012 1 / 38 Einleitung
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Sprachtechnologie. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Sprachtechnologie Tobias Scheffer Thomas Vanck Statistik & Maschinelles Lernen Statistik: Deskriptive Statistik: Beschreibung (Tabellen,
MehrMessung der Wärmekapazität von Nieten
1/1 29.09.00,21:47 Erstellt von Oliver Stamm Messung der Wärmekapazität von Nieten 1. Einleitung 1.1. Die Ausgangslage zum Experiment 1.2. Die Vorgehensweise 2. Theorie 2.1. Begriffe und Variablen 2.2.
MehrFehlerbäume. Beispiel Kuchenbacken. Beispiel Kuchenbacken. Beispiel Kuchenbacken. der Kuchen gelingt nicht. der Kuchen.
Beispiel Kuchenbacken Fehlerbäume es waren nur noch 2 Eier übrig Kuchenform war unauffindbar Präsentation im Fach Computervisualistik Sylvia Glaßer sieht seltsam aus gelingt nicht schmeckt komisch das
Mehr100 jähriger Kalender für 2016
100 jähriger Kalender für 2016 2016 Vorhersage laut 100 jährigem Kalender - kühler und verschneiter, teils verregneter Winter - bis in den frühen Sommer hinein noch kühle Temperaturen - recht kurzer Sommer
MehrVersuch 7 Umwandlung von elektrischer Energie in Wärmeenergie. Protokollant: Physikalisches Anfängerpraktikum Teil 2 Elektrizitätslehre
Physikalisches Anfängerpraktikum Teil 2 Elektrizitätslehre Physik Bachelor 2. Semester Versuch 7 Umwandlung von elektrischer Energie in Wärmeenergie Protokoll Harald Schmidt Sven Köppel Versuchsdurchführung:
MehrSwissfire swiss forest fire database Waldbranddatenbank der Schweiz. Webapplikation Datenverwaltung. Gebrauchsanleitung. www.wsl.
Swissfire swiss forest fire database Waldbranddatenbank der Schweiz www.wsl.ch/swissfire Webapplikation Datenverwaltung Gebrauchsanleitung Kontakt: marco.conedera@wsl.ch boris.pezzatti@wsl.ch larissa.peter@bafu.admin.ch
MehrExemplar für Prüfer/innen
Exemplar für Prüfer/innen Kompensationsprüfung zur standardisierten kompetenzorientierten schriftlichen Reifeprüfung AHS Juni 2015 Mathematik Kompensationsprüfung Angabe für Prüfer/innen Hinweise zur Kompensationsprüfung
MehrZusammenfassung Performancegesetze
Zusammenfassung Performancegesetze Utilization Law Forced Flow Law Service Demand Law Little s Law Response Time Law 0 i i X V X Z X M/ A 0 i i i S X U 0 i i i i X / U S V D X A N Leistungsmodelle System-
MehrPairwise Naive Bayes Classifier
Pairwise Naive Bayes Classifier Jan-Nikolas Sulzmann 1 1 nik.sulzmann@gmx.de Fachbereich Knowledge Engineering Technische Universität Darmstadt Gliederung 1 Ziel dieser Arbeit 2 Naive Bayes Klassifizierer
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrMathematische Grundlagen der Computerlinguistik Bäume
Mathematische Grundlagen der Computerlinguistik Dozentin: Wiebke Petersen 6. Foliensatz (basierend auf Folien von Gerhard Jäger) Wiebke Petersen math. Grundlagen 1 Baumdiagramme Ein Baumdiagramm eines
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
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Binomialverteilung und Bernoulli- Experiment Das komplette Material finden Sie hier: Download bei School-Scout.de TOSSNET Der persönliche
MehrRelationen / Lineare Funktionen
Relationen / Lineare Funktionen Relationen Werden Elemente aus einer Menge X durch eine Zuordnungsvorschrift anderen Elementen aus einer Menge Y zugeordnet, so wird durch diese Zuordnungsvorschrift eine
MehrExplizite und Implizite Darstellung einer Funktion
Eplizite un Implizite Darstellung einer Funktion Für ie implizite Differentiation weren ie Begriffe implizite un eplizite Darstellung von Funktionen benötigt. Bisher haben wir eine Funktion (Zusammenhang
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit
Mehr2. Rechnen mit Wahrscheinlichkeiten
2. Rechnen mit Wahrscheinlichkeiten 2.1 Axiome der Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung ist ein Teilgebiet der Mathematik. Es ist üblich, an den Anfang einer mathematischen Theorie
MehrHandbuch für Online-Buchungssystem für Kinderwelt Hamburg https://kinderwelt.formsoft-cash.de/kwabrechnung
Handbuch für Online-Buchungssystem für Kinderwelt Hamburg https://kinderwelt.formsoft-cash.de/kwabrechnung FORMSOFT interaktiv e.k. - 2014 1 Startseite Von der Startseite aus können Sie verschiedene Funktionen
MehrKlausur Physik 1 (GPH1) am 10.7.06
Name, Matrikelnummer: Klausur Physik 1 (GPH1) am 10.7.06 Fachbereich Elektrotechnik und Informatik, Fachbereich Mechatronik und Maschinenbau Zugelassene Hilfsmittel: Beiblätter zur Vorlesung Physik 1 ab
MehrMathematische Funktionen
Mathematische Funktionen Viele Schüler können sich unter diesem Phänomen überhaupt nichts vorstellen, und da zusätzlich mit Buchstaben gerechnet wird, erzeugt es eher sogar Horror. Das ist jedoch gar nicht
MehrMathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung
Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit
MehrKlausur Informatik 1 SS 08. Aufgabe 1 2 3 4 Max. Punkte 30 40 40 10 Punkte. Gesamtpunkte:
Klausur Informatik 1 SS 08 Aufgabe 1 2 3 4 Max. Punkte 30 40 40 10 Punkte Gesamtpunkte: Note: Bearbeitungszeit 120 Minuten Keine Hilfsmittel Tragen Sie als erstes Ihren vollständigen Namen und Ihre Matrikelnummer
MehrNaive Bayes für Regressionsprobleme
Naive Bayes für Regressionsprobleme Vorhersage numerischer Werte mit dem Naive Bayes Algorithmus Nils Knappmeier Fachgebiet Knowledge Engineering Fachbereich Informatik Technische Universität Darmstadt
MehrTerme, Rechengesetze, Gleichungen
Terme, Rechengesetze, Gleichungen Ein Junge kauft sich eine CD zu 15 und eine DVD zu 23. Er bezahlt mit einem 50 - Schein. Wie viel erhält er zurück? Schüler notieren mögliche Rechenwege: (1) 15 + 23 =
MehrLineare Algebra und analytische Geometrie
TI voyage 200 Kompaktwissen Lineare Algebra und analytische Geometrie Eine kleine Hilfe für Schüler der DSB Seite 2 TI voyage 200 Kompaktwissen Algebra/Geometrie Diese Anleitung soll helfen, Aufgaben aus
MehrDie Involutfunktion Inhalt
Die Involutfunktion Inhalt Inhalt...1 Grundlagen... Basic-Programm...3 Programm-Ablaufplan Involut rekursiv...3 Programm Involut rekursiv...4 Programme für CASIO fx-7400g PLUS...5 Involutfunktion...5 Involut
MehrÜbungsaufgabe Parameter und Verteilungsschätzung
Übungsaufgabe Parameter und Verteilungsschätzung Prof. Dr. rer. nat. Lüders Datum: 21.01.2019 Autor: Marius Schulte Matr.-Nr.: 10049060 FH Südwestfalen Aufgabenstellung Analysiert werden sollen die Verteilungen
Mehr3.3 Nächste-Nachbarn-Klassifikatoren
3.3 Nächste-Nachbarn-Klassifikatoren Schrauben Nägel Klammern Neues Objekt Instanzbasiertes Lernen (instance based learning) Einfachster Nächste-Nachbar-Klassifikator: Zuordnung zu der Klasse des nächsten
MehrMatura2016-Lösung. Problemstellung 1
Matura-Lösung Problemstellung. Die Funktion f( = + 9k + müsste bei = den Wert annehmen, also gilt + 9k + = k =. Wir betrachten den Bereich mit positiven Werten. Dann gilt: f ( = 8 + 8 = = ; = Bei liegt
MehrRingvorlesung Einführung in die Methoden der empirischen Sozialforschung II
Ringvorlesung Einführung in die Methoden der empirischen Sozialforschung II Auswahlverfahren - Begriffe und theoretische Grundlagen 1 USA 1936: - Wahlstudie mit 10.000.000 Probestimmzetteln - Quelle: Telefonverzeichnis
MehrWas ist eine Funktion?
Lerndomino zum Thema Funktionsbegriff Kopiereen Sie die Seite (damit Sie einen Kontrollbogen haben), schneiden Sie aus der Kopie die "Dominosteine" zeilenweise aus, mischen Sie die "Dominosteine" und verteilen
MehrStochastik Musterlösung 2
ETH Zürich HS 2018 RW, D-MATL, D-MAVT Prof. Marloes H. Maathuis Koordinator Dr. Marvin S. Müller Stochastik Musterlösung 2 1. Wir betrachten folgende vier Wettersituationen. Es regnet nur am Morgen; Es
MehrAnhang B. Regression
Anhang B Regression Dieser Anhang rekapituliert die in der Analysis und Statistik wohlbekannte Methode der kleinsten Quadrate, auch Regression genannt, zur Bestimmung von Ausgleichsgeraden Regressionsgeraden
MehrDAMPF UND KONDENSAT IN ROHRLEITUNGEN
DAMPF UND KONDENSAT IN ROHRLEITUNGEN Durch Rohrleitungen strömt Dampf oder Kondensat zum Verbraucher. Die Rohrleitungen sollten nicht zu klein und nicht zu groß sein. Ist die Rohrleitung zu klein, passt
Mehr(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren
Aufgabe Gegeben seien die Punkte A(,,, B(,,, C(,,. (a Geben Sie die Hesse-Normalform der Ebene E, welche die drei Punkte A, B und C enthält, an. (b Bestimmen Sie den Abstand des Punktes P (,, 5 zur Ebene
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrHMMs und der Viterbi-Algorithmus
July 8, 2015 Das Problem Wir haben gesehen: wir können P( w q)p( q) ohne große Probleme ausrechnen ( w = b 1...b i, q = q 1...q i. P( w q)p( q) = π(q 1 )τ(b 1, q 1 )δ(q 1, q 2 )τ(b 2, q 2 )...δ(q i 1,
MehrElementare Geometrie. Inhaltsverzeichnis. info@mathenachhilfe.ch. Fragen und Antworten. (bitte nur für den Eigengebrauch verwenden)
fua0306070 Fragen und Antworten Elementare Geometrie (bitte nur für den Eigengebrauch verwenden) Inhaltsverzeichnis 1 Geometrie 1.1 Fragen............................................... 1.1.1 Rechteck.........................................
MehrKombinatorik BEISPIEL: WIE VIELE MÖGLICHKEITEN GIBT ES, EINE DREISTELLIGE ZAHL MIT DEN ZIFFERN 3
Kombinatorik Die Kombinatorik beschäftigt sich damit, verschiedene mögliche Auswahlen und Anordnungen von Elementen aus endlichen Mengen zu untersuchen. Insbesondere wird die Anzahl dieser berechnet. BEISPIEL:
MehrArbeitshilfe für die Hinterlegung von Unterlagen der Rechnungslegung Eingabeformular
Arbeitshilfe für die Hinterlegung von Unterlagen der Rechnungslegung Eingabeformular Für Kleinstunternehmen steht alternativ zum Datei-Upload-Verfahren ein Eingabeformular für die Übermittlung von Jahresabschlussunterlagen
MehrKurzzusammenstellung der in der Vorlesung behandelten impliziten Gleichungen und deren Ableitungen
Kurzzusammenstellung der in der Vorlesung behandelten impliziten Gleichungen und deren Ableitungen Einleitung: Funktion mit einer Veränderlichen Als Einleitung haben wir folgende Funktion besprochen: y
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrBiometrische Planung von Versuchsvorhaben
Biometrische Planung von Versuchsvorhaben Einführung in das Prinzip der Lehrstuhl für Mathematik VIII Statistik http://statistik.mathematik.uni-wuerzburg.de/~hain Ziel des Vortrags Im nachfolgenden Vortrag
MehrProbeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende
Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende im Sommersemester 2012 Prof. Dr. H. Küchenhoff, J. Brandt, G. Schollmeyer, G. Walter Aufgabe 1 Betrachten
MehrMathematik 2 für Bauingenieure
Mathematik 2 für Bauingenieure Name (bitte ausfüllen): Prüfung am 10.10.2014 Reinhard Winkler Matrikelnummer (bitte ausfüllen): Die mündliche Prüfung wird voraussichtlich im Zeitraum vom 15.10. bis 30.10.
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
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 10.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
MehrGrundlagen der Physik 2 Schwingungen und Wärmelehre
Grundlagen der Physik 2 Schwingungen und Wärmelehre Othmar Marti othmar.marti@uni-ulm.de Institut für Experimentelle Physik 25. 06. 2007 Othmar Marti (Universität Ulm) Schwingungen und Wärmelehre 25. 06.
MehrStetige Wahrscheinlichkeitsverteilung
Stetige Wahrscheinlichkeitsverteilung Stetige Wahrscheinlichkeitsverteilung Gaußsche Normalverteilung [7] S.77 [6] S.7 ORIGIN µ : Mittelwert σ : Streuung :, 9.. Zufallsvariable, Zufallsgröße oder stochastische
MehrHerzlich willkommen zur Demo der mathepower.de Aufgabensammlung
Herzlich willkommen zur der Um sich schnell innerhalb der ca. 50.000 Mathematikaufgaben zu orientieren, benutzen Sie unbedingt das Lesezeichen Ihres Acrobat Readers: Das Icon finden Sie in der links stehenden
MehrSuche nach einer dezimalen Darstellung von d
Didaktik der Algebra und Analysis SS 2011 Bürker, 10. 6. 2011 3.5 Zahlbereichserweiterung Q R Thema: Wurzel aus 2 ist keine rationale Zahl Vorwissen: Die Schüler müssen wissen, dass die Menge der rationalen
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Musterlösung für das 6. Übungsblatt Aufgabe 1 Gegeben sei eine Beispielmenge mit folgenden Eigenschaften: Jedes Beispiel ist durch 10 nominale Attribute A 1,...,
MehrClustering. Ausarbeitung von Michael Speckner. Proseminar Data Mining
Clustering Ausarbeitung von Michael Speckner Proseminar Data Mining Einleitung Das Clustering wird verwendet, wenn man keine Klassen vorhersagen kann, aber die Instanzen in natürliche Gruppen einteilen
MehrKapitel 1: Motivation / Grundlagen Gliederung
Gliederung 1. Motivation / Grundlagen 2. Sortier- und Selektionsverfahren 3. Paradigmen des Algorithmenentwurfs 4. Ausgewählte Datenstrukturen 5. Algorithmische Geometrie 6. Umgang mit algorithmisch schwierigen
MehrVERSICHERUNGEN AUF MEHRERE LEBEN. Marta Ja lowiecka. 23 Januar 2009
VERSICHERUNGEN AUF MEHRERE LEBEN Marta Ja lowiecka 23 Januar 2009 1 1 Einführung Im Folgenden werden betrachtet- basierend auf Modellen und Formeln für einfache Versicherungen auf ein Leben- verschiedene
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
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Zusammenfassung
INTELLIGENTE DATENANALYSE IN MATLAB Zusammenfassung Überwachtes Lernen Gegeben: Trainingsdaten mit bekannten Zielattributen (gelabelte Daten). Eingabe: Instanz (Objekt, Beispiel, Datenpunkt, Merkmalsvektor)
MehrMitglieder 3.3.xxx Version Veröffentlicht Änderungen 3.3.130 3.3.129 3.3.128 3.3.127 3.3.125 3.3.123 3.3.122
Auf den folgenden Seiten finden Sie die Beschreibung der behobenen Fehler sowie der geänderten bzw. neu implementierten Funktionen. Version Veröffentlicht Änderungen 3.3.130 16.11.2015 Updatefunktion,
MehrLAF Mathematik. Näherungsweises Berechnen von Nullstellen von Funktionen
LAF Mathematik Näherungsweises Berechnen von Nullstellen von Funktionen von Holger Langlotz Jahrgangsstufe 12, 2002/2003 Halbjahr 12.1 Fachlehrer: Endres Inhalt 1. Vorkenntnisse 1.1 Nicht abbrechende Dezimalzahlen;
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2009/2010 Musterlösung für das 9. Übungsblatt Aufgabe 1: Decision Trees Gegeben sei folgende Beispielmenge: Age Education Married Income Credit?
MehrBayes-Netze. Claudio Fischer Text- und Datamining (AG Digital Humanities)
Bayes-Netze Claudio Fischer 20.06.2013 Text- und Datamining (AG Digital Humanities) Agenda Wiederholung Wahrscheinlichkeitstheorie Beispiel Motivation Bayes-Netze Inferenz exakt Inferenz annäherend Belief
MehrIT > Anleitungen > Windows, Outlook Verteilerlisten erstellen (vor 2010) Verteilerliste erstellen
Verteilerliste erstellen Verteilerlisten sind für den Versand von E-Mail-Nachrichten und Besprechungsanfragen sehr nützlich, denn Sie in E-Mails, die an mehrere Empfänger gerichtet sind, nicht immer alle
MehrAbitur Matrizen und Prozesse (Teil 4 mit Hilfsmittel) Musteraufgaben Lösung A1 1.1 Übergangsmatrix Die Übergangsmatrix lautet (vgl.
Lösung A1 1.1 Übergangsmatrix Die Übergangsmatrix lautet (vgl. Diagramm): 0,4 0,2 0,1 0,5 0,7 0,5 0,4 0,1 0,1 0,4 0,2 0,1 0,5 0,1 0,7 0,4 Verteilung der Haushalte im Jahr 2015 Stand 2014: 1000 Haushalte
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrGeometrie Modul 4b WS 2015/16 Mi 10-12 HS 1
Geometrie Modul 4b WS 2015/16 Mi 10-12 HS 1 Benötigte Materialien: Geometrieheft DIN-A-4 blanco weiß, quadratisches Faltpapier/Zettelblock, rundes Faltpapier; Zirkel, Geometriedreieck, Klebstoff, Schere
MehrEffizienz von Algorithmen
Effizienz von Algorithmen Letzte Bearbeitung: Jan 211 Ein wichtiger Aspekt bei Algorithmen sind seine "Kosten". Wir wollen uns hier ausschließlich mit der Laufzeit des gewählten Algorithmus beschäftigen.
MehrBayern Aufgabe 1. Abitur Mathematik: Musterlösung
Abitur Mathematik: Bayern 2013 Aufgabe 1 a) 1. SCHRITT: SITUATION MODELLIEREN Es handelt sich näherungsweise um eine Bernoullikette der Länge n = 25 mit Erfolgswahrscheinlichkeit p = 0,37 + 0,06 = 0,43.
MehrAbnehmer der Erzeugnisse (Output) Werk 1 Werk 2 Werk 3 Markt Werk 1 400 1400 1000 1200 Hersteller der Erzeugnisse
Name: Datum: Produktionsverflechtung - Einstiegsaufgabe mit Lösung Ein Unternehmen produziert in drei Zweigwerken an verschiedenen Standorten unterschiedliche Teile und Waren. Jedes Zweigwerk bezieht für
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
MehrFEMSnap Anleitung SCP-PAD-CES, 2005-01-24
FEMSnap Anleitung SCP-PAD-CES, 2005-01-24 Einführung: FEMSnap ist selbsterklärend. Sie sollten daher ohne weitere Vorbereitung FEMSnap anwenden können. Mit dieser Anleitung können Sie sich offline auf
MehrHandbuch ERP - Modul HOAI
Handbuch ERP - Modul HOAI Dr. M. Nelson Nelson - technische Informatik 19. März 2013 Version 2.2 2 INHALTSVERZEICHNIS 3 Inhaltsverzeichnis Inhaltsverzeichnis................................ 3 1 Module
MehrLenk- und Ruhezeiten in der Tourenplanung
Lenk- und Ruhezeiten in der Tourenplanung Asvin Goel und Volker Gruhn Lehrstuhl für Angewandte Telematik/e-Business, Universität Leipzig, Klostergasse 3, 04109 Leipzig {goel,gruhn}@ebus.informatik.uni-leipzig.de
MehrAuswertung P2-10 Auflösungsvermögen
Auswertung P2-10 Auflösungsvermögen Michael Prim & Tobias Volkenandt 22 Mai 2006 Aufgabe 11 Bestimmung des Auflösungsvermögens des Auges In diesem Versuch sollten wir experimentell das Auflösungsvermögen
Mehr1. ÜBUNG. Die Differentialgleichung, die aus der Massenbilanz folgt, ist für folgende Bedingungen zu lösen:
PAVP - Übungsaufgaben Ü - 1 1. ÜBUNG Für den dargestellten Behälter ist der zeitliche Verlauf H(t) der Füllhöhe zu bestimmen. Die folgenden Konstanten sind als bekannt vorauszusetzen: A - h v - ñ - Querschnitt
MehrDie gleiche Lösung erhält man durch Äquivalenzumformung:
R. Brinkmann http://brinkmann-du.de Seite 3..0 Quadratische Gleichungen Reinquadratische Gleichung Lösen Sie die Gleichung x = 5 Durch probieren erhält man die Lösung: x = 5 oder x = 5 Denn x = 5 = 5 oder
MehrAnalytische Statistik II
Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Grundproblem Generell sind wir nur selten in der Geographie in der Lage, Daten über die Grundgesamtheit zur Verfügung zu haben.
MehrFlächeninhalt von Dreiecken
Flächeninhalt von Dreiecken Übungen Antje Schönich Thema Stoffzusammenhang Jahrgangsstufe 6 Übungen zur Flächeninhaltsberechnung von Dreiecken Flächeninhalt von Dreiecken Inhaltsbezogene Kompetenzbereiche
MehrBeispiel 4: Theorie II. Ordnung
Titel: Theorie II. Ordnung Blatt: Seite 1 von 10 Beispiel 4: Theorie II. Ordnung Nachweis: Stabilität des Systems nach Theorie II. Ordnung. Schnittgrößen nach Theorie I. Ordnung, ohne Imperfektion F Ed
Mehr