Predictive Modeling mit künstlich neuronalen Netzen
|
|
- Krista Falk
- vor 7 Jahren
- Abrufe
Transkript
1 München, Juni 2015 Predictive Modeling mit künstlich neuronalen Netzen Technische Universität Bergakademie Freiberg (Sachsen) Institut für Wirtschaftsinformatik Silbermannstraße 2, Freiberg (Sachsen), Deutschland Der Dozent Univ. Prof. Dr. rer. oec. Carsten Felden Dekan Fakultät für Wirtschaftswissenschaften, insbes. Internationale Ressourcenwirtschaft Institut für Wirtschaftsinformatik an der Technischen Universität Bergakademie Freiberg (Sachsen). Geschäftsführer der Marmeladenbaum GmbH ( 2 TDWI
2 Agenda Einführung Data Mining Was ist Data Mining? Anwendungsgebiete Predictive Analytics Was ist Predictive Analytics? Methodisches Vorgehen Verfahren Modelle Neuronale Netze Was sind Neuronale Netze? Lernregeln Modellbildung Neuronale Netze in der Predictive Analytics Einsatz von in der Predictive Analytics besondere Rolle von Anwendungsbeispiele 3 Einführung Branche, Verkaufsobjekte, Betriebstyp, Lebensphase des Betriebs Bedingungslage determinieren typische Entscheidungen Werden durch entscheidungsunterstützende Methoden/Systeme vorbereitet Entscheidungsträger Pflichten aus Rollen Persönliche Präferenzen Determinieren Informationsbedarf Entscheidungsarchitektur Nach: Peter Mertens Legen Aufbereitungen nahe, z.b. Kennzahlen Bedingen Datenbedarf Beschaffung von innen Beschaffung von außen 4 TDWI
3 Einführung Entscheidungsunterstützungssysteme Systeme entwickelt für die Unterstützung der Entscheidungsfindung bei unstrukturierten Problemen. In jüngster Zeit fand eine nachdrückliche Entwicklung vom Input zum Output statt. Mechanismus für die Interaktion zwischen Benutzer und Bestandteilen. Normalerweise gebaut um Lösungen zu unterstützen oder Gelegenheiten einzuschätzen. 5 Einführung Data Mining 6 TDWI
4 Einführung Prozessmodelle Knowledge Discovery in Databases Data Mining Interpretation Wissen Vorverarbeitung Auswahl Transformation Muster Transformierte Daten Vorverarbeitete Daten 7 Einführung Aufgaben und Verfahren im Data Mining Aufgaben Verfahren Klassifikation/ Regression Clusterung Künstliche Neuronale Netze Clusterverfahren Datenbank Zieldatenbestand Abhängigkeitsanalyse Entscheidungsbäume Assoziationsanalyse 8 TDWI
5 Einführung Data Mining im Wandel 9 Einführung Typische Anwendungen des Data Mining Kundensegmentierung Kaufneigung Kundenmodelle erstellen Kundengewinnung Optimierung der Absatzkanäle Fraud Detection uvm. 10 TDWI
6 Agenda Einführung Data Mining Was ist Data Mining? Anwendungsgebiete Predictive Analytics Was ist Predictive Analytics? Methodisches Vorgehen Verfahren Modelle Neuronale Netze Was sind Neuronale Netze? Lernregeln Modellbildung Neuronale Netze in der Predictive Analytics Einsatz von in der Predictive Analytics besondere Rolle von Anwendungsbeispiele 11 Predictive Analytics Analytics, Predictive Analytics, Data Mining,...?? Analytics = der Prozess, um mathematische Methoden zur Erkennung von Mustern und Zusammenhängen anzuwenden mit dem Ziel, tiefere Einblicke zu gewinnen und Entscheidungen zu beeinflussen. andere Worte dafür sind: Data Mining, Data Science, Mustererkennung, Knowledge Discovery,... Auch Predictive Analytics beschäftigt sich mit der Entdeckung von interessanten und bedeutsamen Zusammenhängen in Daten und bildet damit eine Teilmenge der Analytics. Allerdings geht Predictive Analytics soweit, dass nicht bestehende Situation analysiert werden, sondern mit Hilfe von Datenmodellen Vorhersagen über (mögliche) Ereignisse (in der Zukunft) getroffen werden. 12 TDWI
7 Predictive Analytics Was unterscheidet Predictive Analytics von anderen Formen der Analytics? Methoden und Modelle des Data Mining spielen eine wesentliche Rolle bei der Predictive Analytics. Es werden aber noch zusätzliche Methoden genutzt, wie maschinelles Lernen, Elemente der Spieltheorie, Simulationsverfahren, Text Mining, statistische Verfahren,... Wesentliche weitere Merkmale der Predictive Analytics: Predictive Analytics wird auf einem höheren Granularitätslevel definiert, d.h. es werden Wahrscheinlichkeiten für individuelle Elemente vorhergesagt Predictive Analytics ist datengesteuert. Im Anschluss an die Ermittlung von Mustern wird mit Hilfe der Predictive Analytics der weitere Verlauf dieser Erkenntnisse mit Algorithmen und Modellen errechnet. 13 Predictive Analytics Methodisches Vorgehen Projekt definieren Datenanforderungen verstehen Datenvorbereiten Modellierung/ Statistiken Evaluation Anwendung 14 TDWI
8 Predictive Analytics Methodisches Vorgehen Geschäftseinheiten: Marketing Daten Predictive Analytics Predictive Models Sales Fraud Detection Core Business Kunden... Unternehmen 15 Predictive Analytics Methoden der Predictive Analytics lineare Regression Discrete Choice Modelle SVM Entscheidungs bäume Zeitreihen analyse linear Predictive Analytics Nicht linear Neuronale Netze k Nearest Neighbor logistische Regression... Clustering Naїve Bayes TDWI
9 Predictive Analytics Predictive Modeling vs. Descriptive Modeling Die Auswahl des richtigen Algorithmus hängt von dem angewandten Modell ab. Descriptive Modeling Ansätze werden auch als unüberwachtes Lernen bezeichnet. Der Algorithmus findet also eher Beziehungen zwischen den Input Variablen als zu den Zielvariablen. Immer dann von Interesse, wenn die Zielvariable nicht quantifiziert werden kann oder, wenn man nur Beziehungen zwischen den Input Variablen aufdecken möchte (z.b. Kundensegmente finden). Verfahren: Clustering, Principal Component Analysis. 17 Predictive Analytics Predictive Modeling vs. Descriptive Modeling Predictive Modeling wird auch als überwachtes Lernen bezeichnet. Die Algorithmen finden Beziehungen, die Input Variablen mit einer oder mehreren Zielvariablen verbinden. Die Zielvariable ist hierbei das Hauptaugenmerk: sie fasst das Ziel (Business Object) der Modellierung zusammen. Ein Vorhersagemodell ist eine mathematische Funktion, die in der Lage ist Beziehung zwischen Input Variablen und den Zielvariablen zu erlernen. Verfahren: Entscheidungsbäume, Nearest Neighbor, lineare Regression, neuronale Netze. 18 TDWI
10 Predictive Analytics Typische Anwendungen der Predictive Analytics Kundenbindung Medizin: Risikopatienten identifizieren (klinische EUS) Up und Cross Selling Fraud Detection Dispositionsplanung Online Preisgestaltung Risikomanagement Agenda Einführung Data Mining Was ist Data Mining? Anwendungsgebiete Predictive Analytics Was ist Predictive Analytics? Methodisches Vorgehen Verfahren Modelle Neuronale Netze Was sind Neuronale Netze? Lernregeln Modellbildung Neuronale Netze in der Predictive Analytics Einsatz von in der Predictive Analytics besondere Rolle von Anwendungsbeispiele 20 TDWI
11 Neuronale Netze Bei der Erstellung Künstlicher Neuronaler Netze wird versucht, die Arbeitsweise des menschlichen Gehirns nachzubilden. Ein Netz besteht aus künstlichen Neuronen und deren Verknüpfungen. Wesentliches Merkmal der Netze ist ihre Lernfähigkeit. 21 McCulloch Pitts Neuron Gesamtinput: ergibt sich als gewichtete Summe der Eingangssignale (Inputwerte) x 1,, x j,, x n Aktivierung: Die Aktivierung des Neurons geschieht über die Aktivierungsfunktion f, deren Wert von der Differenz aus Gesamtinput und Schwellenwert θ abhängt. Output: Je nach Aktivierung entsteht ein Outputwert y. 22 TDWI
12 McCulloch Pitt Neuron Der Ausgabewert y wird nach Aktivierung des Neurons durch die Funktion θ generiert. D.h.: Gesamtinput abzüglich des konstanten Schwellenwertes. Neuronen mit höherer Sensibilität haben einen niedrigeren Schwellenwert θ, werden also bei niedrigerem Input aktiviert. Meist wird als Aktivierungsfunktion eine Sigmoid Funktion gewählt, die am linken Rand des Definitionsbereiches den Wert 0 und am rechten Rand den Wert 1 annimmt. Je nach Modellspezifikation werden an die Aktivierungsfunktion zusätzliche Anforderungen gestellt (wie bspw. Stetigkeit). 23 Threshold Logic Unit Ein simples Modell zu diesen Überlegungen ist das einfache Perzeptron. Andere Bezeichnung: TLU (Threshold Logic Unit). Der Input besteht nur aus booleschen Werten (0 und 1). Die Aktivierung des Neurons erfolgt, wenn der Gesamtinput größer oder gleich dem Schwellenwert θ ist. Der Outputwert y ist der Indikatorwert der Aktivierung. 24 TDWI
13 Threshold Logic Unit Gewichte: w1 = w2 = 1 x 1 x 2 Σw i x i y θ = θ = Vorwärts gerichtete Neuronale Netze Multilayer Perzeptron Das Multilayer Perzeptron (MLP) ist ein Spezialfall eines vorwärts gerichteten KNNs, das zur Klassifikation eingesetzt werden kann. Es können drei Schichttypen differenziert werden: Inputschicht, Versteckte Schicht, Outputschicht. Es sind nur Neuronen verschiedener Schichten miteinander verbunden. Die Outputwerte vorgelagerter Neuronen werden über gewichtete Verbindungen an nachgelagerte Neuronen gesendet. Beim vorwärts gerichteten Netz werden Impulse nur in eine Richtung weitergegeben, es gibt keine Schleifen. 26 TDWI
14 Beispiel Multilayer Perzeptron (MLP) 27 Lernparadigmen Überwachtes Lernen (supervised learning) Klassifizierung [z.b. Back Propagation]. Bestärkendes Lernen (reinforcement learning). Unüberwachtes Lernen (unsupervised learning) Clusterung [z.b. Self Organizing Maps]. 28 TDWI
15 Lernregeln Ein neuronales Netz lernt, indem es sich eigenständig gemäß vorgegebener Vorschriften (Lernregeln) verändert. Diese Lernregeln können umfassen: Veränderung der Netztopologie; Modifikation der Parameter der Neuronen; Veränderung der Gewichte. 29 Back Propagation Die Werte eines Datensatzes werden in die Neuronen der Inputschicht eingegeben. Anschließend über die Neuronen und deren Verbindungen weitergeleitet, bis ein Wert in der Outputschicht erzeugt wurde, der die durch das Netz berechnete Klasse des Datensatzes angibt. (Forward Pass) Dieser Wert wird mit der tatsächlichen Klassenzugehörigkeit verglichen. (Fehlerbestimmung) Bei einer Abweichung von Soll und Ist Wert werden ausgehend von den Outputneuronen die zugehörigen Verbindungsgewichte sowie die Verbindungsgewichte der Neuronen vorgelagerter Schichten derart geändert, dass die Abweichung minimiert wird. (Backward Pass) 30 TDWI
16 Back Propagation Durch die vorwärts gerichteten Künstlichen Neuronalen Netze lassen sich sehr gute Klassifikationsergebnisse auf dem Trainingsdatenbestand erzielen. Wie bei den Entscheidungsbäumen liegt auch hier das Problem des Overfitting vor. Deshalb ist eine Güteabschätzung der Klassifikationsfähigkeit auf einer Testmenge etwa durch die Fehlklassifikationsquote notwendig. Ggf. müssen die Gewichte weiter angepasst werden. Weiterhin kann auch bei den Künstlichen Neuronalen Netzen ein Pruning stattfinden, indem Knoten oder Gewichte entfernt werden, um die Komplexität des Netzwerkes zu verringern. 31 Kritische Betrachtung Vorteile Vorwärts gerichtete Künstliche Neuronale Netze können sehr gute Ergebnisse bei der Klassifikation und Prognose erzeugen. Die offene Struktur macht das Modell sehr flexibel. Nachteile Es werden keine expliziten Regeln angegeben. Das Adaptieren der Gewichte geschieht mitunter sehr langsam. Netzstruktur & Gewichtsinitialisierung sind nicht vorgegeben. 32 TDWI
17 Agenda Einführung Data Mining Was ist Data Mining? Anwendungsgebiete Predictive Analytics Was ist Predictive Analytics? Methodisches Vorgehen Verfahren Modelle Neuronale Netze Was sind Neuronale Netze? Lernregeln Modellbildung Neuronale Netze in der Predictive Analytics Einsatz von in der Predictive Analytics besondere Rolle von Anwendungsbeispiele 33 in der Predictive Analytics Einsatz von in der Predictive Analytics Vorhersagen In vielen Fällen führen zur selben Lösung wie traditionelle statistische Ansätze. Bspw. ist der Output eines single layer, feed forward mit linearer Aktivierung äquivalent zum Output einer allgemeinen linearen Regression. Die meisten statistischen Modelle erfordern jedoch Annahmen über die Beziehung der in der Vorhersage verwendeten Variablen untereinander. Ebenso werden Annahmen über die Verteilung von Vorhersagefehlern benötigt. Daher gibt es manche Fälle, in denen statistischen Modelle in der Predictive Analytics nicht passend sind Bsp.: Zeitreihenanalyse versagt bei nicht stationären Daten mit einem hohen Rausch Anteil (bspw. biomedizinische Reihen), sowie wenn die Zeitreihe zu kurz ist. 34 TDWI
18 in der Predictive Analytics Einsatz von in der Predictive Analytics Neuronale Netze können sowohl lineare als auch nicht lineare Beziehungen in Daten repräsentieren. Sie verwenden wenige Annahmen, da sie nicht lineare Funktionen beim Modellaufbau approximieren. Kurze Zeitreihen, eventuell sogar mit einem hohen Anteil an Rauschen, stellen als Trainingsdatensatz kein Problem dar. Bei Verwendung neuer Daten werden die erlernten Beziehungen eingesetzt, um einen Output zu generieren. Diese Daten können auch nicht stationäre oder sein. 35 in der Predictive Analytics Einsatz von in der Predictive Analytics Mustererkennung und Klassifizierung werden auch in der Mustererkennung (unüberwachtes Lernen) eingesetzt. Nur einige Beispiele: Gesichtserkennung, Klassifizierung von Finanznachrichten, Natural Language Processing,... Vorrangig werden zu diesem Zweck Self Organizing Maps (Kohonen Netzwerke) oder Netzwerke mit Radial Basis Funktion eingesetzt. Die Klassifizierung von Beobachtungen unter der Verwendung früherer, gleichartiger Informationen ist eine der populärsten Anwendungen der. Entscheidungen auf Datenbasis können oft als Klassifizierungsproblem angesehen werden, da diese Algorithmen gute Vorhersagequalitäten erzielen. Bsp.: automatisiertes kaufen/verkaufen/behalten von Aktien. 36 TDWI
19 in der Predictive Analytics Die besondere Rolle der in der Predictive Analytics Für die Aufgaben der Predictive Analytics existieren eine Vielzahl von Methoden und Werkzeuge. können die Vielzahl dieser Methoden mit einer einzigen Methode ersetzen, bei gleichen oder sogar besseren Ergebnissen als denen statistischer Modelle. Weitere Vorteile von in der Predictive Analytics: höhere Genauigkeit gegenüber traditionellen statistischen Methoden, sogar bei erhöhtem Rauschen; einheitlicher Ansatz gegenüber einer Vielzahl von unterschiedlichen Problemen der Predictive Analytics; benötigen weniger statistische Annahmen und können komplexe Vorhersagen automatisieren. Nachteil von in der Predictive Analytics: die Vorhersagegüte könnte unter Umständen nur auf die Zeitperiode begrenzt sein, in welcher die Trainingsdaten gültig waren, mit denen das Modell trainiert wurde. 37 in der Predictive Analytics Anwendungsbeispiele 1) Bestimmung von Hospitalisierungswahrscheinlichkeiten (BARMER) Business Object Vorhersage derjenigen Versicherten mit der höchsten Wahrscheinlichkeit für einen Krankenhausaufenthalt. Daten Versicherteninformationen der BARMER im Jahr 2005 Ergebnisse eines Versichertenklassifikationssystems als zusätzliche Input Faktoren Modell Predictive Model Algorithmen Entscheidungsbaum und Ergebnis höchste Trefferquote der vorgestellten Modelle liegt bei 67 Prozent für ein Prozent der Versichertenpopulation mit der höchsten Hospitalisierungswahrscheinlichkeit (Vorhersagemodell mit Algorithmus) mehr als dreifach besseres Ergebnis im Vergleich zu einer Auswahl auf der Basis allgemeiner Diagnosefilter Evaluierung der Modelle hat gezeigt, dass diese stabil sind und daher auf Nachfolgejahre angewandt werden können. Dadurch können die Versicherten in Zukunft mit einer hohen Kosteneffizienz angesprochen und einer Steuerung zugewiesen werden. 38 TDWI
20 in der Predictive Analytics Anwendungsbeispiele 1) Bestimmung von Hospitalisierungswahrscheinlichkeiten (BARMER) Rolle der künstlichen neuronalen Netze bei diesem Business Case: Modellrestriktionen spielen kaum eine Rolle gute Vorhersagegüte da es sich um ein nicht lineares Verfahren handelt, können keine Regeln identifiziert werden und es muss weiterhin ein Entscheidungsbaum mitverwendet werden. die Prognosewerte des können aber als Inputfaktor für den Entscheidungsbaum verwendet werden und somit dessen Qualität verbessern. 39 in der Predictive Analytics Anwendungsbeispiele 2) Zusammenhänge in den Kundenzufriedenheit und Kundenloyalität zwischen Low Cost und Full Service Airlines mittels Predictive Analytics (Malaysian Airlines/Air Asia) Business Object Daten Modell Algorithmen Da eine gute Service Qualität zu höheren Profiten führt, wurden die Zusammenhänge bzgl. der Kundenzufriedenheit nach SERVQUAL Gap 5 Model untersucht Fragebogenuntersuchung mit einer Stichprobengröße von 350 Befragten Messung von 7 Variablen im Modell Strukturgleichungsmodell (latente Variablen: Kundenzufriedenheit und Kundenloyalität) Maximum Likelihood Analyse (MLE), (MLP mit feed forward Backpropagation) Ergebnis Der MLE Ansatz erkennt nur lineare Ansätze in den Daten, decken jedoch auch nicht lineare Zusammenhänge auf Hohe Vorhersagegüte des Ansatzes Die Verwendung des Ansatzes zusätzlich zur statistischen Betrachtung bietet ein ganzheitlicheres Verständnis Die Schwächen des statistischen Ansatzes werden durch die Verwendung von ausgeglichen 40 TDWI
21 Vielen Dank! Fragen? freiberg.de 41 TDWI
Anwendungen der Business Analytics TDWI 2011 München 112. Europäische TDWI Konferenz
Anwendungen der Business Analytics TDWI 2011 München 112. Europäische TDWI Konferenz Dipl.- Wirt.-Inf. Claudia Koschtial Univ.-Prof. Dr. Carsten Felden E-Mail: carsten.felden@bwl.tu-freiberg.de Die Dozenten
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
MehrAnwendung der Predictive Analytics
TDWI Konferenz mit BARC@TDWI Track 2014 München, 23. 25. Juni 2014 Anwendung der Predictive Analytics Prof. Dr. Carsten Felden Dipl. Wirt. Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg
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
MehrAnwendung der Business Analytics
Anwendung der Business Analytics TDWI 2013 München Prof. Dr. Carsten Felden Dipl.-Wirt.-Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg (Sachsen) Institut für Wirtschaftsinformatik
MehrComputational Intelligence 1 / 20. Computational Intelligence Künstliche Neuronale Netze Perzeptron 3 / 20
Gliederung / Künstliche Neuronale Netze Perzeptron Einschränkungen Netze von Perzeptonen Perzeptron-Lernen Perzeptron Künstliche Neuronale Netze Perzeptron 3 / Der Psychologe und Informatiker Frank Rosenblatt
MehrBACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON
BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON EINFÜHRUNG IN KÜNSTLICHE NEURONALE NETZE Modul Leitung Technischer Datenschutz und Mediensicherheit Nils Tekampe Vortrag Jasmin Sunitsch Abgabe
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Training eines Künstlich Neuronalen Netzes (KNN) zur Approximation einer Kennlinie in JavaNNS 28.01.2008
MehrWas sind Neuronale Netze?
Neuronale Netze Universität zu Köln SS 2010 Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert Referenten: Aida Moradi, Anne Fleischer Datum: 23. 06. 2010 Was sind Neuronale Netze? ein Netzwerk
MehrPrognose von Kostenschwankungen mit Predictive Analytics DOAG 2016
Prognose von Kostenschwankungen mit Predictive Analytics DOAG 2016 CGI Deutschland Ltd. & Co. KG (Sulzbach) Alfred Stelzl (Lead Consultant Big Data Analytics) November 2016 CGI Group Inc. Agenda 2 Agenda
MehrHannah Wester Juan Jose Gonzalez
Neuronale Netze Supervised Learning Proseminar Kognitive Robotik (SS12) Hannah Wester Juan Jose Gonzalez Kurze Einführung Warum braucht man Neuronale Netze und insbesondere Supervised Learning? Das Perzeptron
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
MehrKünstliche neuronale Netze
Künstliche neuronale Netze Eigenschaften neuronaler Netze: hohe Arbeitsgeschwindigkeit durch Parallelität, Funktionsfähigkeit auch nach Ausfall von Teilen des Netzes, Lernfähigkeit, Möglichkeit zur Generalisierung
MehrModellierung mit künstlicher Intelligenz
Samuel Kost kosts@mailbox.tu-freiberg.de Institut für Numerische Mathematik und Optimierung Modellierung mit künstlicher Intelligenz Ein Überblick über existierende Methoden des maschinellen Lernens 13.
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
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
MehrNeuronale Netze in der Phonetik: Feed-Forward Netze. Pfitzinger, Reichel IPSK, LMU München {hpt 14.
Neuronale Netze in der Phonetik: Feed-Forward Netze Pfitzinger, Reichel IPSK, LMU München {hpt reichelu}@phonetik.uni-muenchen.de 14. Juli 2006 Inhalt Typisierung nach Aktivierungsfunktion Lernen in einschichtigen
MehrEinführung in Neuronale Netze
Wintersemester 2005/2006 VO 181.138 Einführung in die Artificial Intelligence Einführung in Neuronale Netze Oliver Frölich Abteilung für Datenbanken und Artificial Intelligence Institut für Informationssysteme
MehrKünstliche Neuronale Netze
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Künstliche Neuronale Netze Hauptseminar Martin Knöfel Dresden, 16.11.2017 Gliederung
MehrKünstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer?
ASQF Automation Day 2018 - Predictive Analytics Künstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer? Vasilij Baumann Co-Founder/Co-CEO vasilij.baumann@instrunext.com +49 931
MehrKünstliche Neuronale Netze
Künstliche Neuronale Netze als Möglichkeit, einer Maschine das Lesen beizubringen Anja Bachmann 18.12.2008 Gliederung 1. Motivation 2. Grundlagen 2.1 Biologischer Hintergrund 2.2 Künstliche neuronale Netze
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
MehrNeuronale Netze (Konnektionismus)
Einführung in die KI Prof. Dr. sc. Hans-Dieter Burkhard Daniel Göhring Vorlesung (Konnektionismus) sind biologisch motiviert können diskrete, reell-wertige und Vektor-wertige Funktionen berechnen Informationsspeicherung
MehrMachine Learning - Maschinen besser als das menschliche Gehirn?
Machine Learning - Maschinen besser als das menschliche Gehirn? Seminar Big Data Science Tobias Stähle 23. Mai 2014 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der
MehrDer Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze Reinhard Eck 1
Der Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze 2.04.2006 Reinhard Eck Was reizt Informatiker an neuronalen Netzen? Wie funktionieren Gehirne höherer Lebewesen?
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
MehrMustererkennung: Neuronale Netze. D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12
Mustererkennung: Neuronale Netze D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12 Feed-Forward Netze y 1 y 2 y m...... x 1 x 2 x n Output Schicht i max... Zwischenschicht i... Zwischenschicht 1
MehrMS SQL Server 2012 (4)
MS SQL Server 2012 (4) Data Mining, Analyse und multivariate Verfahren Marco Skulschus Jan Tittel Marcus Wiederstein Webseite zum Buch: http://vvwvv.comelio-medien.com/buch-kataiog/ms sql_server/ms sql
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
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
Mehr6 Neuronale Modellierung: Der STAA-Ansatz
Bernd J. Kröger: Neuronale Sprachverarbeitung (Version 1.0.4) Seite 150 6 Neuronale Modellierung: Der STAA-Ansatz 6.1 Knoten: die STAA-Neuronensembles 6.1.1 Aktivierungslevel, Aktivierungsfunktion und
MehrWir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)
6. Neuronale Netze Motivation Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs) Abstrakt betrachtet sind alle diese
MehrNeuronale Netze in der Phonetik: Grundlagen. Pfitzinger, Reichel IPSK, LMU München {hpt 24.
Neuronale Netze in der Phonetik: Grundlagen Pfitzinger, Reichel IPSK, LMU München {hpt reichelu}@phonetik.uni-muenchen.de 24. Mai 2006 Inhalt Einführung Maschinelles Lernen Lernparadigmen Maschinelles
MehrPraktische Optimierung
Wintersemester 27/8 Praktische Optimierung (Vorlesung) Prof. Dr. Günter Rudolph Fakultät für Informatik Lehrstuhl für Algorithm Engineering Metamodellierung Inhalt Multilayer-Perceptron (MLP) Radiale Basisfunktionsnetze
Mehr6.2 Feed-Forward Netze
6.2 Feed-Forward Netze Wir haben gesehen, dass wir mit neuronalen Netzen bestehend aus einer oder mehreren Schichten von Perzeptren beispielsweise logische Funktionen darstellen können Nun betrachten wir
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
MehrAnalytic im Einsatz! Betrugserkennung auf Basis von Big Data. Karol Sobiech
Analytic im Einsatz! Betrugserkennung auf Basis von Big Data Karol Sobiech 2 ACCENTURE GLOBAL DELIVERY NETWORK 3 4 AGENDA 1 MOTIVATION & ZIEL 2 METHODEN FRAUD MANAGEMENT SYSTEM 4 ARCHITEKTUR & TOOLS 3
MehrPromotoren des Data Mining im betrieblichen Umfeld
Gliederung MSS. Einführung in die Management Support Systeme (MSS) 2. Data Warehouse als Basis-Konzept aktueller MSS 3. Business Intelligence (BI) als Weiterführung des DW-Ansatzes 4. XML und BI 5. Grundlagen
MehrKünstliche Neuronale Netze
Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches
MehrGrundlagen Neuronaler Netze
Grundlagen Neuronaler Netze Neuronen, Aktivierung, Output, Netzstruktur, Lernziele, Training, Grundstruktur Der Begriff neuronales Netz(-werk) steht immer für künstliche neuronale Netzwerke, wenn nicht
MehrNeuroinformatik. Übung 1
Neuroinformatik Übung 1 Fabian Bürger Raum: BC419, Tel.: 0203-379 - 3124, E-Mail: fabian.buerger@uni-due.de Fabian Bürger (fabian.buerger@uni-due.de) Neuroinformatik: Übung 1 1 / 27 Organisatorisches Neuroinformatik:
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
MehrDie Datenmatrix für Überwachtes Lernen
Die Datenmatrix für Überwachtes Lernen X j j-te Eingangsvariable X = (X 0,..., X M 1 ) T Vektor von Eingangsvariablen M Anzahl der Eingangsvariablen N Anzahl der Datenpunkte Y Ausgangsvariable x i = (x
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
MehrVorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches
MehrDATA SCIENCE GEBEN SIE IHREN DATEN BEDEUTUNG
DATA SCIENCE GEBEN SIE IHREN DATEN BEDEUTUNG ... DAMIT DATA SCIENCE FÜR DEN ANWENDER KEINE WISSENSCHAFT, SONDERN EINFACH FASZINIEREND IST! INFONEA ist die erste Self-Service Data-Science-Lösung, mit der
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
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
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
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrPerzeptronen. Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004
Perzeptronen Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004 1/25 Gliederung Vorbilder Neuron McCulloch-Pitts-Netze Perzeptron
MehrAndreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg
Andreas Scherer Neuronale Netze Grundlagen und Anwendungen vieweg Inhaltsverzeichnis Vorwort 1 1 Einführung 3 1.1 Was ist ein neuronales Netz? 3 1.2 Eigenschaften neuronaler Netze 5 1.2.1 Allgemeine Merkmale
MehrNeural Networks: Architectures and Applications for NLP
Neural Networks: Architectures and Applications for NLP Session 02 Julia Kreutzer 8. November 2016 Institut für Computerlinguistik, Heidelberg 1 Overview 1. Recap 2. Backpropagation 3. Ausblick 2 Recap
MehrAutomatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten
Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten Dipl.-Ing. Daniel Tantinger Fraunhofer Institut für Integrierte Schaltungen IIS, Erlangen, Deutschland Automatische Erkennung
MehrLogistische Regression
Logistische Regression Markus Kalisch 30.09.2014 1 Big Picture: Statistisches Lernen Supervised Learning (X,Y) Unsupervised Learning X VL 7, 11, 12 Regression Y kontinuierlich VL 1, 2, 4, 5, 6 Klassifikation
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
MehrMaschinelles Lernen und Data Mining
Semestralklausur zur Vorlesung Maschinelles Lernen und Data Mining Prof. J. Fürnkranz / Dr. G. Grieser Technische Universität Darmstadt Wintersemester 2004/05 Termin: 14. 2. 2005 Name: Vorname: Matrikelnummer:
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
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Neuronale Netze WS 2014/2015 Vera Demberg Neuronale Netze Was ist das? Einer der größten Fortschritte in der Sprachverarbeitung und Bildverarbeitung der letzten Jahre:
MehrInstitut für angewandte Datenanalyse GmbH
Institut für angewandte Datenanalyse GmbH Überblick Vorstellung Marktforschung oder Data Mining? Database Enrichment Machine-Learning-Verfahren Zwei Fallstudien Ausblick und Fazit Vorstellung IfaD Institut
MehrAufbau und Beschreibung Neuronaler Netzwerke
Aufbau und Beschreibung r 1 Inhalt Biologisches Vorbild Mathematisches Modell Grundmodelle 2 Biologisches Vorbild Das Neuron Grundkomponenten: Zellkörper (Soma) Zellkern (Nukleus) Dendriten Nervenfaser
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
MehrPredictive Analytics. Warum datenbasierte Vorhersagen kein Hexenwerk sind. ASQF Automation Day Dr. Stefano Signoriello
Predictive Analytics Warum datenbasierte Vorhersagen kein Hexenwerk sind Dr. Stefano Signoriello Seite 1 Inhalte des Vortrags Analytics Von Daten zu Wissen Von Nachsicht über Einsicht zu Voraussicht Descriptive,
MehrLDA-based Document Model for Adhoc-Retrieval
Martin Luther Universität Halle-Wittenberg 30. März 2007 Inhaltsverzeichnis 1 2 plsi Clusterbasiertes Retrieval 3 Latent Dirichlet Allocation LDA-basiertes Retrieval Komplexität 4 Feineinstellung Parameter
MehrNeuronale Netze. Gehirn: ca Neuronen. stark vernetzt. Schaltzeit ca. 1 ms (relativ langsam, vgl. Prozessor)
29 Neuronale Netze Gehirn: ca. 10 11 Neuronen stark vernetzt Schaltzeit ca. 1 ms (relativ langsam, vgl. Prozessor) Mustererkennung in 0.1s 100 Schritte Regel 30 Was ist ein künstl. neuronales Netz? Ein
MehrMann-Whitney-U-Test: Tiefenstufen
Mann-Whitney-U-Test: Tiefenstufen Variable Al Ca Cl DOC Fe K Mg Mn Na NO3 ph Si SO4 El. Leitfähigkeit Mann-Whitney U-Test (Piezometer.sta) Nach Var.: Tiefe Markierte Tests signifikant ab p
MehrNeuronale Netze (I) Biologisches Neuronales Netz
Neuronale Netze (I) Biologisches Neuronales Netz Im menschlichen Gehirn ist ein Neuron mit bis zu 20.000 anderen Neuronen verbunden. Milliarden von Neuronen beteiligen sich simultan an der Verarbeitung
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
MehrEntscheidungsbäume aus großen Datenbanken: SLIQ
Entscheidungsbäume aus großen Datenbanken: SLIQ C4.5 iteriert häufig über die Trainingsmenge Wie häufig? Wenn die Trainingsmenge nicht in den Hauptspeicher passt, wird das Swapping unpraktikabel! SLIQ:
MehrAnalytics Der Weg zu datengetriebenen Geschäftsprozessen
Analytics Der Weg zu datengetriebenen Geschäftsprozessen Dr.-Ing. Philipp Gölzer 1 Ziel der Digitalisierung ist die Realisierung datengetriebener Geschäfts-/Entscheidungsprozesse Ziele Höhere Qualität
MehrKünstliche Neuronale Netze und Data Mining
Künstliche Neuronale Netze und Data Mining Catherine Janson, icasus GmbH Heidelberg Abstract Der Begriff "künstliche Neuronale Netze" fasst Methoden der Informationstechnik zusammen, deren Entwicklung
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 20.07.2017 1 von 11 Überblick Künstliche Neuronale Netze Motivation Formales Modell Aktivierungsfunktionen
MehrINTELLIGENTE 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.
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Einführungsveranstaltung
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation. Literatur. Inhalt und Ziele der Vorlesung. Beispiele aus der Praxis. 2 Organisation Vorlesung/Übung + Projektarbeit.
MehrIntelligente Algorithmen Einführung in die Technologie
Intelligente Algorithmen Einführung in die Technologie Dr. KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Natürlich sprachliche
Mehr11. Neuronale Netze 1
11. Neuronale Netze 1 Einführung (1) Ein künstliches neuronales Netz ist vom Konzept her eine Realisierung von miteinander verschalteten Grundbausteinen, sogenannter Neuronen, welche in rudimentärer Form
MehrModellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
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
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrDISSERTATION. Nichtlineare Analyse und Klassifikation von instationären Biosignalen mit Anwendung in der Kognitionsforschung
Technische Universität Ilmenau DISSERTATION Nichtlineare Analyse und Klassifikation von instationären Biosignalen mit Anwendung in der Kognitionsforschung zur Erlangung des akademischen Grades Doktor-Ingenieur
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
MehrNeuronale Netze Aufgaben 3
Neuronale Netze Aufgaben 3 martin.loesch@kit.edu (0721) 608 45944 MLNN IN FLOOD3 2 Multi Layer Neural Network (MLNN) Netzaufbau: mehrere versteckte (innere) Schichten Lernverfahren: Backpropagation-Algorithmus
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:
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
MehrKNN-Methode zur Einschätzung von Veränderungen des Salzgehaltes in Ästuaren
KNN-Methode zur Einschätzung von Veränderungen des Salzgehaltes in Ästuaren Holger Rahlf; Reiner Schubert www.baw.de Künstlich Neuronales Netz Gliederung Einleitung Grundlagen Möglichkeit und Grenzen Anwendung
MehrEFME Aufsätze ( Wörter) Der Aufbau von Entscheidungsbäumen...1
EFME Aufsätze (150 200 Wörter) Der Aufbau von Entscheidungsbäumen...1 PCA in der Gesichtserkennung... 2 Bias, Varianz und Generalisierungsfähigkeit... 3 Parametrische und nicht-parametrische Lernverfahren:
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 Neuronale Netze Motivation Perzeptron Übersicht Multilayer Neural Networks Grundlagen
Mehr(hoffentlich kurze) Einführung: Neuronale Netze. Dipl.-Inform. Martin Lösch. (0721) Dipl.-Inform.
(hoffentlich kurze) Einführung: martin.loesch@kit.edu (0721) 608 45944 Überblick Einführung Perzeptron Multi-layer Feedforward Neural Network MLNN in der Anwendung 2 EINFÜHRUNG 3 Gehirn des Menschen Vorbild
MehrKann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders
Kann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders Gerhard Svolba SAS Austria Mariahilfer Straße 116 A-1070 Wien Sastools.by.gerhard@gmx.net Zusammenfassung
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
MehrObjekt Attributwerte Klassifizierung X Y
AUFGABE : Entscheidungsbäume Betrachten Sie das folgende Klassifizierungsproblem: bjekt Attributwerte Klassifizierung X Y A 3 B 2 3 + C 2 D 3 3 + E 2 2 + F 3 G H 4 3 + I 3 2 J 4 K 2 L 4 2 ) Bestimmen Sie
MehrWeitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2. Tom Schelthoff
Weitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2 Tom Schelthoff 30.11.2018 Inhaltsverzeichnis Deep Learning Seed-Stabilität Regularisierung Early Stopping Dropout Batch Normalization
MehrNeuronale Netze (Konnektionismus) Einführung in die KI. Beispiel-Aufgabe: Schrifterkennung. Biologisches Vorbild. Neuronale Netze.
Einführung in die KI Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung (Konnektionismus) sind biologisch motiviert können diskrete, reell-wertige und Vektor-wertige Funktionen berechnen Informationsspeicherung
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
MehrData Mining und Statistik: Gemeinsamkeiten und Unterschiede. Daniel Meschenmoser
Data Mining und Statistik: Gemeinsamkeiten und Unterschiede Daniel Meschenmoser Übersicht Gemeinsamkeiten von Data Mining und Statistik Unterschiede zwischen Data Mining und Statistik Assoziationsregeln
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
MehrGlobale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten
Globale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten M. Siebers 1 U. Schmid 2 1 Otto-Friedrich-Universität Bamberg 2 Fakultät für Wirtschaftsinformatik und Angewandte Informatik
MehrPerzeptronen. Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Perzeptronen Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Perzeptronen 1 / 22 Gliederung 1 Schwellwert-Logik (MCCULLOCH-PITTS-Neuron)
Mehr