Modellbildung und Simulation
|
|
- Renate Blau
- vor 7 Jahren
- Abrufe
Transkript
1 Modellbildung und Simulation Wintersemester 2007/2008 Klaus Kasper
2 Praktikum Mittwochs: 10:15 13:30 (Y) Start: Ort: D15/202 Donnerstags: 14:15 17:30 (X) Start: Ort: D15/102 Zulassungsvoraussetzung für Klausur
3 Hinweise zum Praktikum freie Wahl der Programmiersprache Lösungen müssen dokumentiert werden Hinweise für die Durchführung der Kompilation Hinweise für die Ausführung der Lösungen
4 Klausur Klausur: , 10:15 Anmeldeschluss: Abmeldeschluss:
5 Einführung in Modellbildung und Simulation Überblick Nomenklatur und Schema für Modellbildung und Simulation (insb. System/Umwelt) Lineare versus nichtlineare Systeme, Komplexe Systeme Modelltypen Messung/Sammlung der Daten
6 Fortsetzung Aufbereitung der Daten Modellierungstechniken (Stochastische Modelle, Künstliche Neuronale Netzwerke, Planspiele) Simulation (Prognose, Klassifikation) Prozess der Modellbildung und Simulation Anwendungsbeispiele
7 Überblick
8 Modellierung Modelle sind Hilfsmittel für den Umgang mit Realität. Die Realität wird nicht direkt abgebildet sondern abstrahiert. Nicht zentrale Details werden ignoriert. Komplexität des Modells wird minimiert. Die Leistungsfähigkeit moderner Rechenmaschinen erweitert den Möglichkeitsraum der Modellierung.
9 Prozess Die Entwicklung des Zustands eines Systems wird als Prozess bezeichnet. Exakt handelt es sich um dynamische Prozesse, da zeitliche Entwicklungen untersucht werden. Ziele der Modellierung von Prozessen: Prognose zukünftiger Zustände des Systems. Klassifikation von Muster, die vom untersuchten System erzeugt wurden. Optimierung von Geschäftsabläufen.
10 Ziele der Modellierung Prognose Wetter / Klima Kursverläufe (Risikobewertung) gesellschaftliche Dynamiken Klassifikation Qualitätskontrolle Bild- / Spracherkennung Optimierung bzw. Standardisierung von Prozessen ITIL/eTOM Mobilitätsmanagement
11 Modelltypen Alltagsmodelle (z.b. Bauernregeln) Analytische Modelle (z.b. Ökonomie (Marx), Physik (Newton)) Datengetriebene Modelle (z.b. Klimamodelle) Akteurgetriebene Modelle (z.b. Modellierung gesellschaftlicher Dynamiken) Technische Modelle (z.b. Schaltungssimulation)
12 Datengetriebene Modellbildung und Simulation Definition System / Umwelt Austausch zwischen System und Umwelt Messung und Sammlung der Eingangsgrößen Größen für Beschreibung des Systemzustands (Ausgangsgrößen) Berechnung von unbekannten Systemzuständen durch Simulation
13 Modellbildung Umwelt System Messung
14 Simulation Messdaten Modell Prognose/Klassifikation
15 Nichtlineare Systeme Nichtlineare Systeme reagieren auf Störungen, im Gegensatz zu linearen Systemen, nicht proportional. Die meisten in der Natur vorkommenden Systeme sind nichtlinear. Beispiele sind die Dynamik der Weltwirtschaft, das ökologische System der Erde oder das Wetter.
16 Lineare Regression f( x)=a x+b
17 Linear versus nichtlinear
18 Berechnung linearer/nichtlinearer Zusammenhänge Lineare Regression Singulärwertzerlegung Künstliche Neuronale Netzwerke Stochastische Verfahren
19 Datengetriebene Modellierung Mikrofon Fourier KNN Prognose Zellverband A/D ICA HMM Klassifikation Aktienkurse Zählraten Fuzzy Daten Digitalisierung Parametrisierung Modellierung Simulation
20 Anwendung 1: Value at Risk Monte Carlo Simulation Sammlung und Analyse historischer Daten. Modellierung der Verteilung. Simulation von Kursentwicklungen gemäß der modellierten Verteilung. Große Zahl an Simulationen. Prognose von Kursentwicklungen. Berechnung des monetären Risikos für die Entwicklung des Portfolios.
21 Anwendung 1: Value at Risk
22 Anwendung 2: Schätzung der Prosodie Rekurrente neuronale Netzwerke Sammlung und Analyse gesprochener Sprache eines Sprechers Training der Netzwerke Schätzung der Lautdauer Schätzung des Frequenzverlaufs für stimmhafte Laute
23 Prosodiegenerierung Lautdauer relative F0-Kontur RNN t I S d E > 1 < > 1 > 2 Wortposition relativ Wortart Phraseninformation
24 Anwendung 3: Spracherkennung Hidden Markov Modelle Sammlung und Analyse gesprochener Sprache vieler Sprecher Berechnung der Parameter des stochastischen Modells Schätzung von Emissionswahrscheinlichkeiten Berechnung von Hypothesen durch Decodierung von Markovketten 1. Ordnung und Verwendung des Viterbi-Algorithmus
25 Modellierungsebenen keine Sie hat zwei Kinder sieben z m s i: n s1 s2 s3
26 Anwendung 4: Biosensor Zellen (neuronale Zellen oder Herzmuskelzellen) wachsen auf einen Silizium-Chip auf Die Signale der Zellen werden abgeleitet und können analysiert werden die Zellen befinden sich in einer Nährlösung Reaktionsmuster des Zellverbandes auf Schadstoffeinträge oder Pharmazeutika wird modelliert
27 Recording of Neural Signals Formation of synapses are the prerequisite for neural communication 50 µm MicroElectrode-Array Chip Mammalian Neural Net patterned onto MEA-chip Thielemann / AK Knoll Spontaneous neural signals recorded by the MEA-chip Voltage / µv spikes burst time /sec
28 Konzepttransfer Modellierung ist keiner Disziplin explizit zugeordnet. In unterschiedlichen Anwendungsbereichen sind die Techniken zu Modellierung sehr weit entwickelt. Geringe Verbreitung des Wissens. Wegen hoher Abstraktion gute Chancen für Konzepttransfer.
Modellbildung 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:
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Hidden Markov Modelle - 2 - Idee Zu klassifizierende Merkmalvektorfolge wurde von einem (unbekannten) System erzeugt. Nutze Referenzmerkmalvektorfolgen um ein Modell Des erzeugenden Systems zu bauen
MehrDie Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation. Jens Schiborowski
Die Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation Jens Schiborowski Gliederung Einführung Monte-Carlo-Simulation Definition von Monte-Carlo-Simulation Einsatzgebiete von Monte-Carlo-Simulation
MehrNeuronale Netze zur Prognose und Disposition im Handel
Sven F. Crone Neuronale Netze zur Prognose und Disposition im Handel Mit einem Geleitwort von Prof. Dr. Dr. h. c. Dieter B. Preßmar GABLER RESEARCH Inhalt XI Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis
MehrSpracherkennung TAREQ HASCHEMI HAW-SEMINAR WS16
Spracherkennung TAREQ HASCHEMI HAW-SEMINAR WS16 AGENDA Grundlegendes Sprache Anwendungsbeispiele Schwierigkeit Architektur Spracherkennungssystem Hidden Markov Modell Verbesserung durch Kombination mit
MehrStochastik Praktikum Markov Chain Monte Carlo Methoden
Stochastik Praktikum Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 14.10.2010 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
MehrSprachsynthese und Spracherkennung
90 Sprachsynthese und Spracherkennung von John N. Holmes Mit 51 Bildern und 69 Übungen mit Lösungshinweisen R. Oldenbourg Verlag München Wien 1991 INHALT Vorwort 11 1 Lautsprachliche Kommunikation 15 1.1
MehrJürgen Lesti. Analyse des Anbieterwechsels. mit Hidden-Markov-Modellen. Empirische Untersuchung im Retail Banking. Verlag Dr.
Jürgen Lesti Analyse des Anbieterwechsels mit Hidden-Markov-Modellen Empirische Untersuchung im Retail Banking Verlag Dr. Kovac Hamburg 2015 XIII Inhaltsverzeichnis Geleitwort Vorwort Danksagung Abbildungsverzeichnis
MehrProzedurales Programmieren und Problemlösungsstrategien
Prozedurales Programmieren und Problemlösungsstrategien Bachelorstudiengänge Umwelttechnik und Maschinenbau Prof. Dr. Thomas Hoch Problemlösungsstrategien Prozedurales Programmieren und Problemlösungsstrategien
MehrCD-AUSGABE (Stand: 1999) HANDBUCH KURSPROGNOSE Quantitative Methoden im Asset Management von Thorsten Poddig 676 Seiten, Uhlenbruch Verlag, 1999 erstmals als Buch publiziert EUR 79,- inkl. MwSt. und Versand
MehrSprachdialogsystem mit robuster automatischer Spracherkennung
Sprachdialogsystem mit robuster automatischer Spracherkennung Hans-Günter Hirsch Hochschule Niederrhein Fachbereich Elektrotechnik und Informatik Digitale Nachrichtentechnik http://dnt.kr.hs-niederrhein.de
MehrAutomatische Spracherkennung
Automatische Spracherkennung 3 Vertiefung: Drei wichtige Algorithmen Teil 3 Soweit vorhanden ist der jeweils englische Fachbegriff, so wie er in der Fachliteratur verwendet wird, in Klammern angegeben.
MehrIER. Systemtechnische Planungsmethoden in Wirtschaft und Technik. Vorlesungsskript. Prof. Dr.-Ing. A. Voß. Sommersemester Universität Stuttgart
Universität Stuttgart IER Institut für Energiewirtschaft und Rationelle Energieanwendung Vorlesungsskript Systemtechnische Planungsmethoden in Wirtschaft und Technik Prof. Dr.-Ing. A. Voß. Sommersemester
MehrEinführung in die automatische Spracherkennung. SS 2007 Klaus Kasper
Einführung in die automatische Spracherkennung SS 27 Klaus Kasper Praktikum Montag, 16:h 19:15h (Y-Raster) Ort: D15/22 erste Veranstaltung: 2.4.27 Programmiersprache Ihrer Wahl (C/C ++ /C#, Java, ) Zulassungsvoraussetzung
MehrSemester-Fahrplan 1 / 26
Semester-Fahrplan 1 / 26 Hydroinformatik I Einführung in die Hydrologische Modellierung Künstliche Neuronale Netzwerke Olaf Kolditz *Helmholtz Centre for Environmental Research UFZ 1 Technische Universität
MehrTechnische Universität Chemnitz im März 2015
Dr. Neidhart Kamprath Technisches Gymnasium an der Handwerkerschule Chemnitz Technische Universität Chemnitz im März 2015 Problem Prozesse in Natur, Technik und Wirtschaft werden von mehr als einer Ursache
MehrMethoden der Statistik Markov Chain Monte Carlo Methoden
Methoden der Statistik Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 08.02.2013 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
MehrVorhaben: "Räumlich verteilte Parametrisierung unter Verwendung von verfügbaren Geodaten"
Vorhaben: "Räumlich verteilte Parametrisierung unter Verwendung von verfügbaren Geodaten" Oliver Gronz Universität Trier - Fachhochschule Trier 10. April 2008 Oliver Gronz (Uni & FH Trier) Räumlich verteilte
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
MehrMathematische Ansätze im Enterprise Risk Management
Mathematische Ansätze im Enterprise Risk Management Mathematisches Seminar FB MN 02.12.2008 Seite 1 Risk Management Aufteilung des RM in zwei Teilgebiete: - Quantitatives RM (QnRM) - Statistische und stochastische
MehrHidden-Markov-Modelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Hidden-Markov-Modelle Tobias Scheffer Thomas Vanck Hidden-Markov-Modelle: Wozu? Spracherkennung: Akustisches Modell. Geschriebene
MehrÄquivokationen. In der Spracherkennung. Michael Baumann Seminar (mit Bachelorarbeit)
Äquivokationen In der Spracherkennung Michael Baumann 532 0225336 michael.baumann@student.tuwien.ac.at Seminar (mit Bachelorarbeit) Inhalt Einführung Äquivokation, Ambiguität, Prosodie Signale Beispiele:
MehrErmittlung der Messunsicherheit und Anwendung der Monte-Carlo-Methode in GUMsim
Ermittlung der Messunsicherheit und Anwendung der Monte-Carlo-Methode in GUMsim PTB-Seminar 308 Felix Straube, QuoData GmbH Berlin, 16.03.2018 Gliederung GUM Verfahren Monte-Carlo-Methode Prinzip der Messunsicherheitsbestimmung
MehrProbabilistische Analyse regionaler Klimasimulationen
Probabilistische Analyse regionaler Klimasimulationen Christian Schölzel und Andreas Hense Meteorologisches Institut der Universität Bonn Fachgespräch Ableitung von regionalen Klimaszenarien aus Multi-Modell-Ensembles,
MehrAufgabe 1 Probabilistische Inferenz
Seite 1 von 8 Aufgabe 1 Probabilistische Inferenz (32 Punkte) In einer medizinischen Studie werden zwei Tests zur Diagnose von Leberschäden verglichen. Dabei wurde folgendes festgestellt: Test 1 erkennt
MehrInformatische Modellbildung
Informatische Modellbildung Informatik als Wissenschaft von der Herstellung ausführbarer Modelle bzw. der Simulation künstlicher Welten hier: formale Methoden zur Präzisierung des Modellbegriffs Begriffsdefinition
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Achte Auflage fyj Springer Inhaltsverzeichnis Vorwort Symbolverzeichnis V XIII Kapitel 1: Einführung 1 1.1 Begriff des Operations Research
MehrBZQ II: Stochastikpraktikum
BZQ II: Stochastikpraktikum Block 5: Markov-Chain-Monte-Carlo-Verfahren Randolf Altmeyer February 1, 2017 Überblick 1 Monte-Carlo-Methoden, Zufallszahlen, statistische Tests 2 Nichtparametrische Methoden
MehrVisuell geführtes Greifen mittels selbstbewertendem Lernen
Visuell geführtes Greifen mittels selbstbewertendem Lernen Griff ist optimal bzgl. lokaler Kriterien: Die Finger des Greifers können das Objekt am Greifpunkt umschließen Keine Reibung tritt zwischen Fingern
MehrEreignisdiskrete Systeme
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Ereignisdiskrete Systeme Modellierung und Analyse dynamischer Systeme
MehrÜberblick über multivariate Verfahren in der Statistik/Datenanalyse
Überblick über multivariate Verfahren in der Statistik/Datenanalyse Die Klassifikation multivariater Verfahren ist nach verschiedenen Gesichtspunkten möglich: Klassifikation nach der Zahl der Art (Skalenniveau)
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrSystemanalyse und Modellbildung
Systemanalyse und Modellbildung Universität Koblenz-Landau Fachbereich 7: Natur- und Umweltwissenschaften Institut für Umweltwissenschaften Dr. Horst Niemes(Lehrbeauftragter) Systemanalyse und Modellbildung
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Spracherkennung und Hidden Markov Modelle Dozentin: Wiebke Petersen WS 2004/2005 Wiebke Petersen Einführung in die Computerlinguistik WS 04/05 Spracherkennung Merkmalsextraktion
MehrDynamische Optimierung
Dynamische Optimierung Mike Hüftle 28. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1.................................... 2 2 Dynamisches Optimierungmodell 3 2.1 Grundmodell der dynamischen Optimierung............
MehrNumerische Methoden. Thomas Huckle Stefan Schneider. Eine Einführung für Informatiker, Naturwissenschaftler, Ingenieure und Mathematiker.
Thomas Huckle Stefan Schneider Numerische Methoden Eine Einführung für Informatiker, Naturwissenschaftler, Ingenieure und Mathematiker 2. Auflage Mit 103 Abbildungen und 9 Tabellen 4Q Springer Inhaltsverzeichnis
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Dritte, verbesserte und erweiterte Auflage Mit 79 Abbildungen und 58 Tabellen Springer Votwort Symbolverzeichnis V XIII Kapitel 1: Einführung
MehrSchriftlicher Test Teilklausur 2
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2011 / 2012 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher
MehrHidden Markov Modelle
Hidden Markov Modelle in der Sprachverarbeitung Paul Gabriel paul@pogo.franken.de Seminar Sprachdialogsysteme: Hidden Markov Modelle p.1/3 Überblick Merkmalsvektoren Stochastischer Prozess Markov-Ketten
MehrComputergrundlagen Computergestützte Physik
Computergrundlagen Computergestützte Physik Maria Fyta Institut für Computerphysik Universität Stuttgart Wintersemester 2017/18 Computerphysik? Ein Werkzeug das komplexe Probleme der Physik numerisch lösen
MehrDas Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle. Christoph Kugler, Thomas Hochrein 26. Mai 2011
Das Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle Christoph Kugler, Thomas Hochrein 26. Mai 2011 Das in Echtzeit und inline Unmessbare messen Softsensoren zur Prozessanalyse
MehrPlanung von Handlungen bei unsicherer Information
Planung von Handlungen bei unsicherer Information Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 20.01.2010 Dr.-Ing. Bernd Ludwig (FAU ER)
MehrEinführung in die Modellierung
Informatik II: Modellierung Prof. Dr. Martin Glinz Kapitel 1 Einführung in die Modellierung Universität Zürich Institut für Informatik Inhalt 1.1 Der Modellbegriff 1.2 Wozu Modelle? 1.3 Modellbildung 1.4
MehrNeuronale. Netze. Henrik Voigt. Neuronale. Netze in der Biologie Aufbau Funktion. Neuronale. Aufbau Netzarten und Topologien
in der Seminar Literaturarbeit und Präsentation 17.01.2019 in der Was können leisten und was nicht? Entschlüsseln von Texten??? Bilderkennung??? in der in der Quelle: justetf.com Quelle: zeit.de Spracherkennung???
MehrRisikokapitalallokation und Marktpreisrisikosteuerung mit Value-at-Risk-Limiten
Reihe: Finanzierung, Kapitalmarkt und Banken Band 20 Herausgegeben von Prof. Dr. Hermann Locarek-Junge, Dresden, Prof. Dr. Klaus Röder, Münster, und Prof. Dr. Mark Wahrenburg, Frankfurt Dr. Mario Straßberger
MehrGenetische Programmierung
Bernd Ebersberger Genetische Programmierung Ein Instrument zur empirischen Fundierung ökonomischer Modelle A 234920 Deutscher Universitäts-Verlag Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis
MehrSchriftlicher Test Teilklausur 2
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2014 / 2015 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher
MehrKLAUSUR ZUM BACHELORMODUL PROBEKLAUSUR COMPUTERLINGUISTISCHE ANWENDUNGEN PROBEKLAUSUR, DR. BENJAMIN ROTH KLAUSUR AM
KLAUSUR ZUM BACHELORMODUL PROBEKLAUSUR COMPUTERLINGUISTISCHE ANWENDUNGEN PROBEKLAUSUR, DR. BENJAMIN ROTH KLAUSUR AM VOR NACH MATRIKELNUMMER: STUDIENGANG: B.Sc. Computerlinguistik, B.Sc. Informatik, Magister
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
MehrEinführung in die Diskrete Finanzmathematik
Jürgen Kremer Einführung in die Diskrete Finanzmathematik Mit 37 Abbildungen /IS 4y Springer Ein-Perioden- Wertpapiermärkte 1 1.1 Portfolios 5 1.2 Optionen und Forward-Kontrakte 8 1.2.1 Optionen 8 1.2.2
MehrRekurrente / rückgekoppelte neuronale Netzwerke
Rekurrente / rückgekoppelte neuronale Netzwerke Forschungsseminar Deep Learning 2018 Universität Leipzig 12.01.2018 Vortragender: Andreas Haselhuhn Neuronale Netzwerke Neuron besteht aus: Eingängen Summenfunktion
MehrGeometrie und Mathematische Physik Differentialgeometrie I 10 m Diskrete Geometrie I 10 m Geometrie I 10 m Geometrische Grundlagen der linearen
Übersicht über die mathematischen Module der Bachelor- und Masterstudiengänge Mathematik, Wirtschaftsmathematik und Technomathematik Sommersemester 2017 Modul LP Prüfungsform 1 Pflichtmodule Bachelor Mathematik,
MehrNeuronale Kodierung sensorischer Reize. Computational Neuroscience Jutta Kretzberg
Neuronale Kodierung sensorischer Reize Computational Neuroscience 30.10.2006 Jutta Kretzberg (Vorläufiges) Vorlesungsprogramm 23.10.06!! Motivation 30.10.06!! Neuronale Kodierung sensorischer Reize 06.11.06!!
MehrProbabilistische Analyse regionaler Klimasimulationen
Probabilistische Analyse regionaler Klimasimulationen Christian Schölzel und Andreas Hense Meteorologisches Institut der Universität Bonn Fachgespräch Ableitung von regionalen Klimaszenarien aus Multi-Modell-Ensembles,
MehrTU Graz Graz, Österreich Anonym. Master Elektro- und Informationstechnik, 5./6. FS
TU Graz Graz, Österreich Anonym Master Elektro- und Informationstechnik, 5./6. FS 01.08.2016-31.03.2017 Signal Processing and Speech Communication Laboratory Gegründet im Jahre 2000, als Forschungszentrum
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
MehrInhalt. I Einführung. Kapitel 1 Konzept des Buches Kapitel 2 Messen in der Psychologie... 27
Inhalt I Einführung Kapitel 1 Konzept des Buches........................................ 15 Kapitel 2 Messen in der Psychologie.................................. 27 2.1 Arten von psychologischen Messungen....................
MehrStochastische Approximation des Value at Risk
Stochastische Approximation des Value at Risk Annemarie Bitter Motivation Eines der wichtigsten Projekte der Versicherungswirtschaft ist derzeit die sogenannte Solvency-II-Richtlinie der Versicherungsaufsicht.
Mehry = b 0 + b 1 x 1 x 1 ε 1. ε n b + b 1 1 x n 2) Hat die Größe x einen Einfluss auf y, d.h. gilt die Hypothese: H : b 1 = 0
8 Lineare Modelle In diesem Abschnitt betrachten wir eine spezielle Klasse von statistischen Modellen, in denen die Parameter linear auftauchen Wir beginnen mit zwei Beispielen Beispiel 8 (lineare Regression)
MehrDer Einfluss von räumlich verteilter Parametrisierung in LARSIM
Der Einfluss von räumlich verteilter Parametrisierung in LARSIM Oliver Gronz Fachbereich Informatik Fachhochschule Trier - Arbeitsgruppe Modellbildung und Simulation Fachbereich VI - Physische Geographie
MehrStochastische Approximation des Value at Risk
Stochastische Approximation des Value at Risk Zusammenfassung der Masterarbeit an der Universität Ulm Annemarie Bitter Motivation Eines der wichtigsten Projekte der Versicherungswirtschaft ist derzeit
MehrStochastik-Praktikum
Stochastik-Praktikum Markov Chain Monte Carlo Peter Frentrup Humboldt-Universität zu Berlin 16. Januar 2018 (Humboldt-Universität zu Berlin) Markov Chain Monte Carlo 16. Januar 2018 1 / 17 Übersicht 1
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser 1 Agenda Rendite- und Risikoanalyse eines Portfolios Gesamtrendite Kovarianz Korrelationen
MehrFinanzmarktprognose mit neuronalen Netzen
Reihe: Quantitative Ökonomie Band 131 Herausgegeben von Prof. Dr. Eckart Bomsdorf, Köln, Prof. Dr. Wim Kösters, Bochum, und Prof. Dr. Winfried Matthes, Wuppertal Dr. Christoph A. Hövel Finanzmarktprognose
MehrAnalyse und Prognose von Finanzmärkten
Reihe: Portfoliomanagement Band: 3 Hrsg.: Prof. Dr. Manfred Steiner Thorsten Poddig Analyse und Prognose von Finanzmärkten Mit einem Geleitwort von: Prof. Dr. Heinz Rehkugler A 210066 UHLENBRUCH Verlag
MehrBZQ II: Stochastikpraktikum
BZQ II: Stochastikpraktikum Block 3: Lineares Modell, Klassifikation, PCA Randolf Altmeyer January 9, 2017 Überblick 1 Monte-Carlo-Methoden, Zufallszahlen, statistische Tests 2 Nichtparametrische Methoden
MehrSzenario und Wirklichkeit
Szenario und Wirklichkeit Wie weit lassen sich Risikoberechnungen bei Naturgefahren vereinfachen? Katharina Fischer / Matthias Schubert Übersicht Szenario und Wirklichkeit Ziel: - Kritische Diskussion
MehrDurchführung von Simulationsprojekten
Literatur: Durchführung von Simulationsprojekten J. Banks et al., Discrete Event System Simulation, Prentice Hall, 2001. A.M. Law and W.D. Kelton, 1991: Simulation, Modeling and Analysis, McGrawHill, 1991.
MehrRegelung eines inversen Pendels
Regelung eines inversen Pendels Dr.-Ing. Michael Buchholz 29.10.2010 Institut für Mess-, Regel- und Mikrotechnik NI Dozenten- und Ausbildertag 2010 Fürstenfeldbruck Seite 2 Anwendungsgebiete in der Forschung
MehrSchriftlicher Test Teilklausur 2
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2009 / 2010 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher
MehrInhaltsverzeichnis. Teil I
Inhaltsverzeichnis Teil I Ein-Perioden-Wertpapiermärkte 3 1.1 Ein-Perioden-Modelle 4 1.2 Portfolios 7 1.3 Optionen und Forward-Kontrakte 9 1.3.1 Optionen 10 1.3.2 Forward-Kontrakte 12 1.4 Die Bewertung
MehrAlgorithmen und Datenstrukturen. Algorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Algorithmen und Datenstrukturen 2. Foliensatz, 20.10.2005 Wintersemester 2005/2006 Übersicht Begriffe Modell Information Art realer Systeme Beispiele Information wie exakt
MehrCreditMetrics. Portfoliokreditrisiko Seminar. 10. Oktober Sebastian Sandner. Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim
CreditMetrics Portfoliokreditrisiko Seminar 10. Oktober 2007 Sebastian Sandner Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim Gliederung Page 1. Einführung in Credit Metrics 4 2. Durchführung
MehrInhaltsverzeichnis. 2 Portfoliotheorie Rendite und Risiko Die erwartete Rendite... 74
1 Ein-Perioden-Wertpapiermärkte........................... 1 1.1 Portfolios............................................... 5 1.2 Optionen und Forward-Kontrakte......................... 8 1.2.1 Optionen.........................................
MehrPortfoliotheorie, Risikomanagenient und die Bewertung von Derivaten
Jürgen Kremer Portfoliotheorie, Risikomanagenient und die Bewertung von Derivaten Zweite, vollständig überarbeitete und erweiterte Auflage 45J Springer Inhaltsverzeichnis Teill Ein-Perioden- Wertpapiermärkte
MehrAktuelle Themenstellungen. Projekt Maschinenbau/Mechatronik WS 2018/2019
Projekt Maschinenbau/Mechatronik im Wintersemester 2018/2019 Aktuelle Themenstellungen Projekt Maschinenbau/Mechatronik WS 2018/2019 Prof. Dr.-Ing. Harald Aschemann/ PD Dr.-Ing. habil. Andreas Rauh {Harald.
Mehr7. Vorlesung Neuronale Netze
Soft Control (AT 3, RMA) 7. Vorlesung Neuronale Netze Grundlagen 7. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrASIM-Fachgruppensitzung am 20. Mai 2009 an der Universität Karlsruhe 1. Bericht der Arbeitsgruppe Unikatprozesse
ASIM-Fachgruppensitzung am 20. Mai 2009 an der Universität Karlsruhe 1. Bericht der Arbeitsgruppe Unikatprozesse 1 Gliederung des Berichts: 1. Aufgaben und Ziele der Arbeitsgruppe 2. Einladung zur konstituierenden
MehrPRAKTIKUM Experimentelle Prozeßanalyse 2. VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge)
FACHGEBIET Systemanalyse PRAKTIKUM Experimentelle Prozeßanalyse 2 VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge) Verantw. Hochschullehrer: Prof.
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,
MehrKlassifikation durch direkten Vergleich (Matching)
Klassifikation durch direkten Vergleich (Matching) Eine triviale Lösung für die Klassifikation ergibt sich durch direkten Vergleich des unbekannten Musters in allen Erscheinungsformen der Äquivalenzklasse
MehrProjektgruppe. Text Labeling mit Sequenzmodellen
Projektgruppe Enes Yigitbas Text Labeling mit Sequenzmodellen 4. Juni 2010 Motivation Möglichkeit der effizienten Verarbeitung von riesigen Datenmengen In vielen Bereichen erwünschte automatisierte Aufgabe:
Mehr1. Übung zur Vorlesung Steuer und Regelungstechnik
1. Übung zur Vorlesung Steuer und Regelungstechnik GRUNDLAGEN DER MODELLIERUNG, BLOCKSCHALTBILD 15. JANUAR 2018 KORBINIAN FIGEL 1 Dozenten Felix Goßmann Korbinian Figel Gebäude 41 2311 Gebäude 41 2311
MehrInhaltsverzeichnis 1 Einleitung Mensch-Maschine-Kommunikation in der Informations- und Kommunikationstechnik Grundbegriffe der Mensch-M
1 Einleitung 1 1.1 Mensch-Maschine-Kommunikation in der Informations- und Kommunikationstechnik... 1 1.2 Grundbegriffe der Mensch-Maschine-Kommunikation... 2 1.3 Disziplinen der Mensch-Maschine-Kommunikation...
MehrGrundlagen der Messunsicherheitsanalyse Das ABC der Messunsicherheitsbudgets
Metrodata GmbH Datenverarbeitung für Messtechnik und Qualitätssicherung Y=ŷ±U; k p =x Grundlagen der Messunsicherheitsanalyse Das ABC der Messunsicherheitsbudgets Teresa Werner Munich Calibration Day München
MehrKonsistente Skalierung inhomogener Bodenparameter
Institut für Innovative Informatik-Anwendungen Konsistente Skalierung inhomogener Bodenparameter Oliver Gronz Inhalt Problemstellung: Warum ergeben sich bei homogener Parametrisierung Nachteile? Abflussprozesskarte
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
MehrStatistik mit MATHCAD und MATLAB
Hans Benker Statistik mit MATHCAD und MATLAB Einführung in die Wahrscheinlichkeitsrechnung und mathematische Statistik für Ingenieure und Naturwissenschaftler Mit 31 Abbildungen Springer Einleitung 1 1.1
MehrModellierung und Prognose der Zinsstruktur auf der Basis dynamischer Modelle der Nelson/Siegel-Klasse
Reihe: Quantitative Ökonomie Band 174 Herausgegeben von Prof. Dr. Eckart Bomsdorf, Köln, Prof. Dr. Wim Kösters, Bochum, Prof. Dr. Mark Trede, Münster, Prof. Dr. Ansgar Belke, Essen, und Prof. Dr. Markus
MehrEinführung in die automatische Spracherkennung
Einführung in die automatische Spracherkennung Klausur 30.07.2008 Name:... Vorname:... Matr.-Nr:... Studiengang:... Hinweise: 1. Schreiben Sie bitte auf jedes Zusatz-Blatt Ihren Namen und Ihre Matrikelnummer.
MehrMachine Learning. Dr. Bartholomäus Wissmath 3. Swiss Innovation Day
Machine Learning Dr. Bartholomäus Wissmath 3. Swiss Innovation Day Artificial Intelligence (AI) Teilgebiet der Informatik, welches sich mit der Automatisierung von intelligenten Verhalten und dem Maschinenlernen
MehrDer Sprung in die Zukunft! Einführung in neuronale Netzwerke
Der Sprung in die Zukunft! Einführung in neuronale Netzwerke Inhalt 1. Warum auf einmal doch? 2. Welche Einsatzgebiete gibt es? 3. Was sind neuronale Netze und wie funktionieren sie? 4. Wie lernen neuronale
MehrModellbasierte prädiktive Regelung
Modellbasierte prädiktive Regelung Eine Einführung für Ingenieure von Rainer Dittmar und Bernd-Markus Pfeiffer Oldenbourg Verlag München Wien 1 Einführung 1 1.1 Entwicklung der Prozessführung im gegenwärtigen
MehrInhaltsverzeichnis. Bibliografische Informationen digitalisiert durch
Grundlagen 1 1.1 Einleitung 1 1.2 Grundbegriffe 2 1.2.1 Systemgrenzen 3 1.2.2 Qualitätsmerkmal 4 1.2.3 Parameter und Faktoren 5 1.2.4 Stufen 6 1.2.5 Vergleich zu traditionellen Verfahren 6 1.3 Auswertung
MehrMethoden der empirischen Sozialforschung
Technisdia Universität Oannstadt Fächgebiet Sportwissenschaft Methoden der empirischen Sozialforschung Peter Atteslander Vierte, erweiterte Auflage Unter Mitarbeit von Klaus Baumgartner Franz Haag Jörg
Mehr