Globale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten
|
|
|
- Alfred Lang
- vor 7 Jahren
- Abrufe
Transkript
1 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 Otto-Friedrich-Universität Bamberg 24. März 2009
2 Gliederung 1 Daten Klassifikation Ergebnisse Kritik 2 Ausblick
3 Untersuchungsgegenstand Untersucht wurde die Eignung verschiedener Klassifikatoren zur Vorhersage von Schmerz- vs. Nicht-Schmerz aus Bilddaten.
4 Daten Gliederung 1 Daten Klassifikation Ergebnisse Kritik 2 Ausblick
5 Daten Rohdaten mit Druck-Reizen an der Professur Physiologische Psychologie der Universität Bamberg
6 Daten Rohdaten mit Druck-Reizen an der Professur Physiologische Psychologie der Universität Bamberg 40 Druck-Reize
7 Daten Rohdaten mit Druck-Reizen an der Professur Physiologische Psychologie der Universität Bamberg 40 Druck-Reize 10 Standbilder innerhalb der ersten Sekunde
8 Daten Rohdaten mit Druck-Reizen an der Professur Physiologische Psychologie der Universität Bamberg 40 Druck-Reize 10 Standbilder innerhalb der ersten Sekunde nur prototypische Schmerzmimik
9 Daten Rohdaten mit Druck-Reizen an der Professur Physiologische Psychologie der Universität Bamberg 40 Druck-Reize 10 Standbilder innerhalb der ersten Sekunde nur prototypische Schmerzmimik 2080 Einzelbilder (700 Schmerz, 1310 Nicht-Schmerz)
10 Daten Rohdaten mit Druck-Reizen an der Professur Physiologische Psychologie der Universität Bamberg 40 Druck-Reize 10 Standbilder innerhalb der ersten Sekunde nur prototypische Schmerzmimik 2080 Einzelbilder (700 Schmerz, 1310 Nicht-Schmerz) 6 Probanden
11 Daten Annotierte Bilder Ausschluß von Proband 1
12 Daten Annotierte Bilder Ausschluß von Proband 1 Einziger männlicher Proband
13 Daten Annotierte Bilder Ausschluß von Proband 1 Einziger männlicher Proband Nur 6 Schmerz-Reize
14 Daten Annotierte Bilder Ausschluß von Proband 1 Einziger männlicher Proband Nur 6 Schmerz-Reize Annotation mit Hilfe der am-tools von Tim Cootes
15 Daten Annotierte Bilder Ausschluß von Proband 1 Einziger männlicher Proband Nur 6 Schmerz-Reize Annotation mit Hilfe der am-tools von Tim Cootes
16 Daten Annotierte Bilder Ausschluß von Proband 1 Einziger männlicher Proband Nur 6 Schmerz-Reize Annotation mit Hilfe der am-tools von Tim Cootes Drei Bilder je Reiz
17 Daten Annotierte Bilder Ausschluß von Proband 1 Einziger männlicher Proband Nur 6 Schmerz-Reize Annotation mit Hilfe der am-tools von Tim Cootes Drei Bilder je Reiz 534 Bilder (240 Schmerz, 294 Nicht-Schmerz)
18 Daten Annotationen Annotation von 58 Punkten
19 Daten Annotationen Annotation von 58 Punkten Kontur (13 Punkte)
20 Daten Annotationen Annotation von 58 Punkten Kontur (13 Punkte) Mund (8 Punkte)
21 Daten Annotationen Annotation von 58 Punkten Kontur (13 Punkte) Mund (8 Punkte) Nase (11 Punkte)
22 Daten Annotationen Annotation von 58 Punkten Kontur (13 Punkte) Mund (8 Punkte) Nase (11 Punkte) beide Augen (je 8 Punkte)
23 Daten Annotationen Annotation von 58 Punkten Kontur (13 Punkte) Mund (8 Punkte) Nase (11 Punkte) beide Augen (je 8 Punkte) beide Augenbrauen (je 5 Punkte)
24 Daten Annotationen Annotation von 58 Punkten Kontur (13 Punkte) Mund (8 Punkte) Nase (11 Punkte) beide Augen (je 8 Punkte) beide Augenbrauen (je 5 Punkte) Normierung der Punktkoordinaten auf [0;1] je Bild
25 Daten Illustration Annotationen
26 Daten Abstände Abstände
27 Daten Abstände Abstände Länge der Nase
28 Daten Abstände Abstände Länge der Nase Breite und Höhe des Mundes
29 Daten Abstände Abstände Länge der Nase Breite und Höhe des Mundes Breite und Höhe beider Augen
30 Daten Abstände Abstände Länge der Nase Breite und Höhe des Mundes Breite und Höhe beider Augen Abstand zwischen den Brauen
31 Daten Abstände Abstände Länge der Nase Breite und Höhe des Mundes Breite und Höhe beider Augen Abstand zwischen den Brauen Abstände zwischen Braue und Auge (beidseitig)
32 Daten Abstände Abstände Länge der Nase Breite und Höhe des Mundes Breite und Höhe beider Augen Abstand zwischen den Brauen Abstände zwischen Braue und Auge (beidseitig) Abstand zwischen Mund und Nase
33 Daten Abstände Abstände Länge der Nase Breite und Höhe des Mundes Breite und Höhe beider Augen Abstand zwischen den Brauen Abstände zwischen Braue und Auge (beidseitig) Abstand zwischen Mund und Nase Winkel
34 Daten Abstände Abstände Länge der Nase Breite und Höhe des Mundes Breite und Höhe beider Augen Abstand zwischen den Brauen Abstände zwischen Braue und Auge (beidseitig) Abstand zwischen Mund und Nase Winkel Winkel, in dem die Mundwinkel nach oben stehen
35 Daten Abstände Abstände Länge der Nase Breite und Höhe des Mundes Breite und Höhe beider Augen Abstand zwischen den Brauen Abstände zwischen Braue und Auge (beidseitig) Abstand zwischen Mund und Nase Winkel Winkel, in dem die Mundwinkel nach oben stehen Cosinus ebendieses Winkels
36 Daten Illustration Abstände
37 Daten Relative Attribute Verhältnisse zwischen Abständen
38 Daten Relative Attribute Verhältnisse zwischen Abständen relative Öffnung des Mundes
39 Daten Relative Attribute Verhältnisse zwischen Abständen relative Öffnung des Mundes relative Öffnung beider Augen
40 Daten Relative Attribute Verhältnisse zwischen Abständen relative Öffnung des Mundes relative Öffnung beider Augen Verhältnis der relativen Öffnungen der Augen
41 Daten Relative Attribute Verhältnisse zwischen Abständen relative Öffnung des Mundes relative Öffnung beider Augen Verhältnis der relativen Öffnungen der Augen relative Höhe und Breite der Augen
42 Daten Relative Attribute Verhältnisse zwischen Abständen relative Öffnung des Mundes relative Öffnung beider Augen Verhältnis der relativen Öffnungen der Augen relative Höhe und Breite der Augen Vergleich zum allgemeinen Durchschnitt
43 Daten Relative Attribute Verhältnisse zwischen Abständen relative Öffnung des Mundes relative Öffnung beider Augen Verhältnis der relativen Öffnungen der Augen relative Höhe und Breite der Augen Vergleich zum allgemeinen Durchschnitt Vergleich zum individuellen Durchschnitt
44 Daten Sonstige Attribute Id
45 Daten Sonstige Attribute Id Zielklasse
46 Daten Sonstige Attribute Id Zielklasse Probandennummer für individuelles Lernen
47 Klassifikation Gliederung 1 Daten Klassifikation Ergebnisse Kritik 2 Ausblick
48 Klassifikation Lernalgorithmen Entscheidungsbäume (ID3Nummerical)
49 Klassifikation Lernalgorithmen Entscheidungsbäume (ID3Nummerical) Support Vector Machines
50 Klassifikation Lernalgorithmen Entscheidungsbäume (ID3Nummerical) Support Vector Machines Linearer Regression
51 Klassifikation Lernalgorithmen Entscheidungsbäume (ID3Nummerical) Support Vector Machines Linearer Regression Perceptron
52 Klassifikation Lernalgorithmen Entscheidungsbäume (ID3Nummerical) Support Vector Machines Linearer Regression Perceptron Neuronales Netz
53 Klassifikation Lernalgorithmen Entscheidungsbäume (ID3Nummerical) Support Vector Machines Linearer Regression Perceptron Neuronales Netz Naive Bayes
54 Klassifikation Lernalgorithmen Entscheidungsbäume (ID3Nummerical) Support Vector Machines Linearer Regression Perceptron Neuronales Netz Naive Bayes k-nearest Neighbours
55 Klassifikation Vorgehen Cross-Validation
56 Klassifikation Vorgehen Cross-Validation 10-fold
57 Klassifikation Vorgehen Cross-Validation 10-fold stratified-sampling
58 Klassifikation Vorgehen Cross-Validation 10-fold stratified-sampling Parameter Optimierung
59 Klassifikation Vorgehen Cross-Validation 10-fold stratified-sampling Parameter Optimierung systematisch
60 Klassifikation Vorgehen Cross-Validation 10-fold stratified-sampling Parameter Optimierung systematisch 10-fold Cross-Validation
61 Klassifikation Vorgehen Cross-Validation 10-fold stratified-sampling Parameter Optimierung systematisch 10-fold Cross-Validation Attribut Gewichtung
62 Klassifikation Vorgehen Cross-Validation 10-fold stratified-sampling Parameter Optimierung systematisch 10-fold Cross-Validation Attribut Gewichtung Parameter Optimierung
63 Klassifikation Vorgehen Cross-Validation 10-fold stratified-sampling Parameter Optimierung systematisch 10-fold Cross-Validation Attribut Gewichtung Parameter Optimierung Forward-Weighting-Ansatz
64 Ergebnisse Gliederung 1 Daten Klassifikation Ergebnisse Kritik 2 Ausblick
65 Ergebnisse Übersicht global individual Entscheidungsbaum 95,50 % 97,00 % SVM, RBF 98,31 % 98,14 %
66 Ergebnisse Übersicht global individual Entscheidungsbaum 95,50 % 97,00 % SVM, RBF 98,31 % 98,14 % Lineare Regression 96,82 % 96,13 % Perceptron 45,21 % 47,38 % Neuronales Netz 45,02 % 51,38 % Naive Bayes 78,61 % 55,29 % knn 81,07 % 83,89 %
67 Ergebnisse Individuell vs. Global Globale Lernverfahren
68 Ergebnisse Individuell vs. Global Globale Lernverfahren SVM ungeschlagen
69 Ergebnisse Individuell vs. Global Globale Lernverfahren SVM ungeschlagen Individuelle Lernverfahren
70 Ergebnisse Individuell vs. Global Globale Lernverfahren SVM ungeschlagen Individuelle Lernverfahren SVM sehr gut
71 Ergebnisse Individuell vs. Global Globale Lernverfahren SVM ungeschlagen Individuelle Lernverfahren SVM sehr gut nur bei Probandin 32 ist Entscheidungsbaum besser
72 Ergebnisse Individuell vs. Global Globale Lernverfahren SVM ungeschlagen Individuelle Lernverfahren SVM sehr gut nur bei Probandin 32 ist Entscheidungsbaum besser Gemischte Betrachtung
73 Ergebnisse Individuell vs. Global Globale Lernverfahren SVM ungeschlagen Individuelle Lernverfahren SVM sehr gut nur bei Probandin 32 ist Entscheidungsbaum besser Gemischte Betrachtung individuelle SVM nur bei Probandin 32 geschlagen
74 Ergebnisse Individuell vs. Global Globale Lernverfahren SVM ungeschlagen Individuelle Lernverfahren SVM sehr gut nur bei Probandin 32 ist Entscheidungsbaum besser Gemischte Betrachtung individuelle SVM nur bei Probandin 32 geschlagen überaschend gute Leistung der linearen Regression
75 Ergebnisse Übersicht
76 Kritik Gliederung 1 Daten Klassifikation Ergebnisse Kritik 2 Ausblick
77 Kritik Modelle nicht theoretisch erklärbare Modelle
78 Kritik Modelle nicht theoretisch erklärbare Modelle
79 Kritik Modelle nicht theoretisch erklärbare Modelle Verdeckte Gesichter
80 Schmerz-Klassifikatoren, global und individuell Kritik Überdeckte Augenbrauen
81 Kritik Größere Überdeckungen
82 Kritik Repräsentativität nicht theoretisch erklärbare Modelle Verdeckte Gesichter zu kleine Stichprobe
83 Kritik Repräsentativität nicht theoretisch erklärbare Modelle Verdeckte Gesichter zu kleine Stichprobe Ceiling-Effekt
84 Kritik Repräsentativität nicht theoretisch erklärbare Modelle Verdeckte Gesichter zu kleine Stichprobe Ceiling-Effekt Nur schmerz-prototypische Bilder
85 Zusammenfassung Zusammenfassung Gute Vorhersagbarkeit von Schmerz
86 Zusammenfassung Zusammenfassung Gute Vorhersagbarkeit von Schmerz SVM als guter Klassifikator
87 Zusammenfassung Zusammenfassung Gute Vorhersagbarkeit von Schmerz SVM als guter Klassifikator Voruntersuchung
88 Ausblick Datenerhebung Größere Stichprobe
89 Ausblick Datenerhebung Größere Stichprobe beide Geschlechter
90 Ausblick Datenerhebung Größere Stichprobe beide Geschlechter verschiedene Altersstufen
91 Ausblick Datenerhebung Größere Stichprobe beide Geschlechter verschiedene Altersstufen untypische Mimik
92 Ausblick Datenerhebung Größere Stichprobe beide Geschlechter verschiedene Altersstufen untypische Mimik Unverdeckte Gesichter
93 Ausblick Datenerhebung Größere Stichprobe beide Geschlechter verschiedene Altersstufen untypische Mimik Unverdeckte Gesichter Fremde Mimiken
94 Ausblick Datenerhebung Größere Stichprobe beide Geschlechter verschiedene Altersstufen untypische Mimik Unverdeckte Gesichter Fremde Mimiken Grundemotionen
95 Ausblick Datenerhebung Größere Stichprobe beide Geschlechter verschiedene Altersstufen untypische Mimik Unverdeckte Gesichter Fremde Mimiken Grundemotionen normales Sprechen
96 Ausblick Features Weitere Features
97 Ausblick Features Weitere Features Abweichung vom Durchschnitt als Differenz
98 Ausblick Features Weitere Features Abweichung vom Durchschnitt als Differenz Gesammtabweichung
99 Ausblick Features Weitere Features Abweichung vom Durchschnitt als Differenz Gesammtabweichung Weniger Referenzpunkte
100 Ausblick Features Weitere Features Abweichung vom Durchschnitt als Differenz Gesammtabweichung Weniger Referenzpunkte Anderes Zwischenmodell
101 Ausblick Lernverfahren Alternative Lernverfahren
102 Ausblick Lernverfahren Alternative Lernverfahren Logistische Regression
103 Ausblick Lernverfahren Alternative Lernverfahren Logistische Regression Additive Regression
104 Ausblick Lernverfahren Alternative Lernverfahren Logistische Regression Additive Regression SVMs mit anderer Abstandsfunktion
105 Ausblick Lernverfahren Alternative Lernverfahren Logistische Regression Additive Regression SVMs mit anderer Abstandsfunktion Meta-Lernverfahren
106 Ausblick Lernverfahren Alternative Lernverfahren Logistische Regression Additive Regression SVMs mit anderer Abstandsfunktion Meta-Lernverfahren Vote
107 Ausblick Lernverfahren Alternative Lernverfahren Logistische Regression Additive Regression SVMs mit anderer Abstandsfunktion Meta-Lernverfahren Vote Stacking
108 Ausblick Lernverfahren Alternative Lernverfahren Logistische Regression Additive Regression SVMs mit anderer Abstandsfunktion Meta-Lernverfahren Vote Stacking Neuronale Netze und Perceptrons sollten nicht weiter untersucht werden
109 Ausblick Ende des Vortrages Vielen Dank für Ihre Aufmerksamkeit
Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell
Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten Teil
Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten
Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten 16.08.2016 David Spisla Albert Ludwigs Universität Freiburg Technische Fakultät Institut für Informatik Gliederung Motivation Schwierigkeiten bei
Naive 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
Marktanalyse Online-Accounts
Theoretische Informatik / Formale Sprachen Marktanalyse Online-Accounts Kai Greschner www-fs.informatik.uni-tuebingen.de Überblick Online-Accounts Motivation Methoden Zusammenfassung/Ergebnisse 2 Online-Accounts
Validation Model Selection Kreuz-Validierung Handlungsanweisungen. Validation. Oktober, von 20 Validation
Validation Oktober, 2013 1 von 20 Validation Lernziele Konzepte des maschinellen Lernens Validierungsdaten Model Selection Kreuz-Validierung (Cross Validation) 2 von 20 Validation Outline 1 Validation
Modellierung 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.
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
Text Mining 4. Seminar Klassifikation
Text Mining 4. Seminar Klassifikation Stefan Bordag 1. Klassifikation Stringklassifikation (männliche-weibliche Vornamen) Dokument klassifikation Bayesian Neuronal network (Decision tree) (Rule learner)
Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih
Data Mining mit Rapidminer im Direktmarketing ein erster Versuch Hasan Tercan und Hans-Peter Weih Motivation und Ziele des Projekts Anwendung von Data Mining im Versicherungssektor Unternehmen: Standard
Data Mining - Wiederholung
Data Mining - Wiederholung Norbert Fuhr 18. Januar 2006 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)
Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
Automatic segmentation for dental operation planning. Diplomarbeit. Nguyen The Duy
Automatic segmentation for dental operation planning Diplomarbeit Nguyen The Duy 24.02.2012 Motivation Quelle: bestbudapestdentist.com Aufgabenstellung Segmentierung des Oberkiefers (Maxilla) Detektion
Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining.
Motivation Themenblock: Klassifikation Praktikum: Data Warehousing und Data Mining Ziel Item hat mehrere Attribute Anhand von n Attributen wird (n+)-tes vorhergesagt. Zusätzliches Attribut erst später
, Data Mining, 2 VO Sommersemester 2008
Evaluation 188.646, Data Mining, 2 VO Sommersemester 2008 Dieter Merkl e-commerce Arbeitsgruppe Institut für Softwaretechnik und Interaktive Systeme Technische Universität Wien www.ec.tuwien.ac.at/~dieter/
Einführung 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
Data Mining - Wiederholung
Data Mining - Wiederholung Norbert Fuhr 9. Juni 2008 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)
Inhalt. 4.1 Motivation. 4.2 Evaluation. 4.3 Logistische Regression. 4.4 k-nächste Nachbarn. 4.5 Naïve Bayes. 4.6 Entscheidungsbäume
4. Klassifikation Inhalt 4.1 Motivation 4.2 Evaluation 4.3 Logistische Regression 4.4 k-nächste Nachbarn 4.5 Naïve Bayes 4.6 Entscheidungsbäume 4.7 Support Vector Machines 4.8 Neuronale Netze 4.9 Ensemble-Methoden
Arbeitslosigkeit, berufliche Qualifikation und Gesundheit
Arbeitslosigkeit, berufliche Qualifikation und Gesundheit Eine Analyse auf Basis von Daten der Studie "Gesundheit in Deutschland aktuell" (GEDA) aus den Jahren 2010 und 2012 01.06.2017 Julia Dobrindt -
Was bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col1 col
Projekt Maschinelles Lernen WS 06/07
Projekt Maschinelles Lernen WS 06/07 1. Auswahl der Daten 2. Evaluierung 3. Noise und Pruning 4. Regel-Lernen 5. ROC-Kurven 6. Pre-Processing 7. Entdecken von Assoziationsregeln 8. Ensemble-Lernen 9. Wettbewerb
Analytics Entscheidungsbäume
Analytics Entscheidungsbäume Professional IT Master Prof. Dr. Ingo Claßen Hochschule für Technik und Wirtschaft Berlin Regression Klassifikation Quellen Regression Beispiel Baseball-Gehälter Gehalt: gering
Echtzeitfähige 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
Proseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen
Companion Technologie
Companion Technologie Emotionen erkennen, verstehen und kai.bielenberg@haw-hamburg.de Agenda 1. Einleitung a. Was war nochmal Companion Technologie? b. Teilbereiche c. Warum Emotionen? 2. Ansätze a. Facial
Andreas 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
SEMINAR AUTOMATISCHE GESICHTSERKENNUNG
SEMINAR AUTOMATISCHE GESICHTSERKENNUNG OBERSEMINAR AUTOMATISCHE ANALYSE VON GESICHTSAUSDRÜCKEN Organisation, Überblick, Themen Überblick heutige Veranstaltung 1. Organisatorisches 2. Überblick über beide
Konzepte 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
Data 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
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
Space Usage Rules. Neele Halbur, Helge Spieker InformatiCup 2015 19. März 2015
Space Usage Rules? InformatiCup 2015 1 Agenda 1. Vorstellung des Teams 2. Entwicklungsprozess und Umsetzung 3. Verbesserung der Strategien 4. Auswertung der Strategien 5. Ausblick 6. Fazit 2 Vorstellung
Benutzerwahrnehmung. Elmar Nöth. Lehrstuhl für Mustererkennung Friedrich-Alexander-Universität Erlangen-Nürnberg
Benutzerwahrnehmung Elmar Nöth Lehrstuhl für Mustererkennung Friedrich-Alexander-Universität Erlangen-Nürnberg DFG-Symposium Perspektiven kognitiver technischer Systeme Aachen, 15.9.2004 Übersicht Motivation
Data Mining und maschinelles Lernen
Data Mining und maschinelles Lernen Einführung und Anwendung mit WEKA Caren Brinckmann 16. August 2000 http://www.coli.uni-sb.de/~cabr/vortraege/ml.pdf http://www.cs.waikato.ac.nz/ml/weka/ Inhalt Einführung:
MythMiner. Ein Empfehlungssystem für Fernsehprogramme auf Basis von RapidMiner. Balázs Bárány. Linuxwochen Wien, 7. 5. 2011
Voraussetzungen für Data Mining und Text Mining Schluÿ Ein Empfehlungssystem für Fernsehprogramme auf Basis von RapidMiner Linuxwochen Wien, 7. 5. 2011 Voraussetzungen für Data Mining und Text Mining Schluÿ
Intelligente EKG-Analyse Dipl.-Ing. Gero von Wagner
FZI Forschungszentrum Informatik an der Universität Karlsruhe MIT- Medizinische Informationstechnik Telemetrisches Diagnosenetz Intelligente EKG-Analyse Dipl.-Ing. Gero von Wagner FZI Forschungszentrum
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
Vorlesung. 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
Schmerz und Schmerzmimik
Schmerz und Schmerzmimik Michael Siebers Kognitive Systeme Universität Bamberg 6. Juli 2011 M. Siebers (KogSys) Schmerz und Schmerzmimik 6. Juli 2011 1 / 16 Agenda 1 Schmerz 2 Schmerzmimik M. Siebers (KogSys)
Vortragsthema. Thema: Klassifikation. Klassifikation. OS Data Mining SS10 Madeleine Weiand 1
Vortragsthema Klassifikation OS Data Mining SS0 Madeleine Weiand Agenda Agenda I III Begriff Klassifikation Abgrenzung Anforderungen Anwendungsgebiete Dimensionsreduktion Umsetzung in Software Vergleich
Entwicklung 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
Wir 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
WEKA A Machine Learning Interface for Data Mining
WEKA A Machine Learning Interface for Data Mining Frank Eibe, Mark Hall, Geoffrey Holmes, Richard Kirkby, Bernhard Pfahringer, Ian H. Witten Reinhard Klaus Losse Künstliche Intelligenz II WS 2009/2010
Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser
Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Gliederung Einleitung Problemstellungen Ansätze & Herangehensweisen Anwendungsbeispiele Zusammenfassung 2 Gliederung
Wissenschaftstheorie und wissenschaftliches Arbeiten
BA KOMPAKT Wissenschaftstheorie und wissenschaftliches Arbeiten Eine Einführung für Wirtschaftswissenschaftler Bearbeitet von Dipl.-Kaufmann Martin Kornmeier 1. Auflage 2007. Buch. XIV, 225 S. Paperback
Taktilsensorbasierte Steuerung von Roboterarmen zur Erstellung einer Haptischen Datenbank
Taktilsensorbasierte Steuerung von Roboterarmen zur Erstellung einer Haptischen Datenbank Matthias Schöpfer 1 Gunther Heidemann 2 Helge Ritter 1 1 {mschoepf,helge}@techfak.uni-bielefeld.de Technische Fakultät
Bewertung des Studiums und der im Studium erworbenen Kompetenzen. Maike Reimer
Bewertung des Studiums und der im Studium erworbenen Kompetenzen Maike Reimer 1 Gliederung 1. Kompetenzen: Definition und Eingrenzung 2. Kompetenzniveau: Ergebnisse 3. Beitrag des Studiums zum Kompetenzerwerb:
Ensemble Models - Boosting, Bagging and Stacking
Ensemble Models - Boosting, Bagging and Stacking Maximilian Schwinger 3. Februar 2004 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Überblick............................... 3 2 Boosting 4 2.1 Beispiel................................
Klassifikation und Ähnlichkeitssuche
Klassifikation und Ähnlichkeitssuche Vorlesung XIII Allgemeines Ziel Rationale Zusammenfassung von Molekülen in Gruppen auf der Basis bestimmter Eigenschaften Auswahl von repräsentativen Molekülen Strukturell
Einführung in Support Vector Machines (SVMs)
Einführung in (SVM) Januar 31, 2011 Einführung in (SVMs) Table of contents Motivation Einführung in (SVMs) Outline Motivation Vektorrepräsentation Klassifikation Motivation Einführung in (SVMs) Vektorrepräsentation
Bielefeld Graphics & Geometry Group. Brain Machine Interfaces Reaching and Grasping by Primates
Reaching and Grasping by Primates + 1 Reaching and Grasping by Primates Inhalt Einführung Theoretischer Hintergrund Design Grundlagen Experiment Ausblick Diskussion 2 Reaching and Grasping by Primates
Klassifikation linear separierbarer Probleme
Klassifikation linear separierbarer Probleme Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Klassifikation linear
Website. Vorlesung Statistisches Lernen. Dozenten. Termine. Einheit 1: Einführung
Website Vorlesung Statistisches Lernen Einheit 1: Einführung Dr. rer. nat. Christine Pausch Institut für Medizinische Informatik, Statistik und Epidemiologie Universität Leipzig (Aktuelle) Informationen
ML-Werkzeuge und ihre Anwendung
Kleine Einführung: und ihre Anwendung martin.loesch@kit.edu (0721) 608 45944 Motivation Einsatz von maschinellem Lernen erfordert durchdachtes Vorgehen Programmieren grundlegender Verfahren aufwändig fehlerträchtig
Machine Learning Tutorial
Machine Learning Tutorial a very fast WEKA Introduction busche@ismll.uni-hildesheim.de 05.01.09 1 Hauptbestandteile von WEKA: Instances Instance Attribute FastVector Classifier Evaluation (Filter) http://weka.wiki.sourceforge.net/
Vorlesung Statistisches Lernen
Vorlesung Statistisches Lernen Einheit 1: Einführung Dr. rer. nat. Christine Pausch Institut für Medizinische Informatik, Statistik und Epidemiologie Universität Leipzig WS 2014/2015 1 / 20 Organisatorisches
Negative Identifizierung anhand des Tippverhaltens bei Verwendung fester und freier Textbestandteile
Negative Identifizierung anhand des Tippverhaltens bei Verwendung fester und freier Textbestandteile Sebastian Erdenreich Negative Identifizierung anhand des Tipp verhaltens bei Verwendung fester und freier
CD-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
MS 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
Data Mining Cup deck using PDA or similar devices. Wissensextraktion Multimedia Engineering
Data Mining Cup 2012 Wissensextraktion Multimedia Engineering deck using PDA or similar devices Fakultät für Ingenieurwissenschaften Jevgenij Jakunschin Christian Mewes www.hs-wismar.de 2 Gliederung 1.
Fakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren
Fakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren Spezielle Fertigungsverfahren und Mikrofertigungstechnik DoE-Übung Prof. Dr.-Ing. Alexander Brosius 13.
Neuronale 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
Variable Arbeitszeiten und Arbeitsunfälle
Variable Arbeitszeiten und Arbeitsunfälle Jana Greubel Anna Arlinghaus Friedhelm Nachreiner 18. Workshop Psychologie der Arbeitssicherheit und Gesundheit, DGUV Akademie, Dresden, 16. 18. Juni 2014. Hintergrund
Support Vector Machines, Kernels
Support Vector Machines, Kernels Katja Kunze 13.01.04 19.03.2004 1 Inhalt: Grundlagen/Allgemeines Lineare Trennung/Separation - Maximum Margin Hyperplane - Soft Margin SVM Kernels Praktische Anwendungen
SEMINAR KLASSIFIKATION & CLUSTERING EINFÜHRUNG. Stefan Langer CIS Universität München Wintersemester 2016/17
SEMINAR KLASSIFIKATION & CLUSTERING EINFÜHRUNG Stefan Langer CIS Universität München Wintersemester 2016/17 stefan.langer@cis.uni-muenchen.de Anmeldung Bereits erfolgt über LSF Falls alternative Email
Fakultät Wirtschaftsinformatik und Angewandte Informatik Otto-Friedrich-Universität Bamberg. Das Schmerzgesicht
Fakultät Wirtschaftsinformatik und Angewandte Informatik Otto-Friedrich-Universität Bamberg Projekt Das Schmerzgesicht Mark Gromowski (Matr. Nr. 1576483) Benjamin Heibel (Matr. Nr. 1688930) Projektbericht
Statistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
AUS DEM DEPARTMENT FÜR ZAHN-, MUND- UND KIEFERHEILKUNDE KLINIK FÜR ZAHNÄRZTLICHE PROTHETIK DER ALBERT-LUDWIGS-UNIVERSITÄT FREIBURG I. BR.
AUS DEM DEPARTMENT FÜR ZAHN-, MUND- UND KIEFERHEILKUNDE KLINIK FÜR ZAHNÄRZTLICHE PROTHETIK DER ALBERT-LUDWIGS-UNIVERSITÄT FREIBURG I. BR. (ÄRZTLICHER DIREKTOR: PROF. DR. DR. H. C. JÖRG R. STRUB) Einfluss
Dynamisches Routing in der Logistik
Informatik, Angewandte Informatik, Technische Informationssysteme Dynamisches Routing in der Logistik Tobias Dimmel Dresden, 24.05.2012 Agenda 1. Begriffe 2. Traveling Salesman Problem 3. Ameisenalgorithmus
Vorlesung Wissensentdeckung
Vorlesung Wissensentdeckung Additive Modelle Katharina Morik, Weihs 2.6.2015 1 von 33 Gliederung 1 Merkmalsauswahl Gütemaße und Fehlerabschätzung 2 von 33 Ausgangspunkt: Funktionsapproximation Die bisher
DOAG BI Data-Mining in sozialen Online-Netzwerken
DOAG BI 2013 Data-Mining in sozialen Online-Netzwerken Bianca Vornamen Böckelmann, Name, 17. dd.mm.yyyy April 2013 Agenda Über Robotron Motivation Knowledge Discovery in Databases (KDD)-Prozess Oracle
MULTI-CLASS PROTEIN CLASSIFICATION USING ADAPTIVE CODES
1 MULTI-CLASS PROTEIN CLASSIFICATION USING ADAPTIVE CODES Jérôme Kirchhoff Seminar maschinelles Lernen Einleitung 2 Motivation Ohne Proteine kein Stoffwechsel keine Zellteilung Verstehen der Proteine kein
INTELLIGENTE DATENANALYSE IN MATLAB. Evaluation & Exploitation von Modellen
INTELLIGENTE DATENANALYSE IN MATLAB Evaluation & Exploitation von Modellen Überblick Schritte der Datenanalyse: Datenvorverarbeitung Problemanalyse Problemlösung Anwendung der Lösung Aggregation und Selektion
Selbstwirksamkeitserwartungen, Ziele und Berufserfolg: Eine Längsschnittstudie
Berichte aus der Psychologie Mahena Stief Selbstwirksamkeitserwartungen, Ziele und Berufserfolg: Eine Längsschnittstudie D 29 (Diss. Universität Erlangen-Nürnberg) Shaker Verlag Aachen 2001 Inhaltsverzeichnis
INTELLIGENTE DATENANALYSE IN MATLAB. Evaluation & Exploitation von Modellen
INTELLIGENTE DATENANALYSE IN MATLAB Evaluation & Exploitation von Modellen Überblick Schritte der Datenanalyse: Datenvorverarbeitung Problemanalyse Problemlösung Anwendung der Lösung Aggregation und Selektion
Arbeitszeit, Schlafdauer und Unfallrisiko Untersuchung direkter und indirekter Effekte mit Hilfe von Strukturgleichungsmodellen
Arbeitszeit, Schlafdauer und Unfallrisiko Untersuchung direkter und indirekter Effekte mit Hilfe von Strukturgleichungsmodellen Anna Arlinghaus Gesellschaft für Arbeits-, Wirtschafts- und Organisationspsychologische
Entwicklung und Evaluation energetischer Messgrößen
Tobias A. Mayer Entwicklung und Evaluation energetischer Messgrößen zur Quantifizierung der Aufprallbelastung beim Laufen Dissertation zur Erlangung des akademischen Grades doctor rerum naturalium (Dr.
Statistik II. I. Einführung. Martin Huber
Statistik II I. Einführung Martin Huber 1 / 24 Übersicht Inhalt des Kurses Erste Schritte in der empirischen Analyse 2 / 24 Inhalt 1 Einführung 2 Univariates lineares Regressionsmodell 3 Multivariates
Support Vector Machines (SVM)
Universität Ulm 12. Juni 2007 Inhalt 1 2 3 Grundlegende Idee Der Kern-Trick 4 5 Multi-Klassen-Einteilung Vor- und Nachteile der SVM 1 2 3 Grundlegende Idee Der Kern-Trick 4 5 Multi-Klassen-Einteilung Vor-
Klassifikationsverfahren und Neuronale Netze
Klassifikationsverfahren und Neuronale Netze Hauptseminar - Methoden der experimentellen Teilchenphysik Thomas Keck 9.12.2011 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
Vorstellung von Bewegung Berlin Brain Computer Interfaces (BBCI)
Vorstellung von Bewegung Berlin Brain Computer Interfaces (BBCI) Let the machines learn! Jela Ruhe, Sara Winter 02.12.2009 BMI Universität Bielefeld ౧ Gliederung 2 Einführung Methoden Experimente & Ergebnisse
Das Forschungs- Gesuchsverfahren des SNFfair oder systematisch verzerrt?
Das Forschungs- Gesuchsverfahren des SNFfair oder systematisch verzerrt? Präsentation von Prof. Dr. Wolf Linder Institut für Politikwissenschaft, Universität Bern Das NF- Mandat an die Forschungsgruppe
Analyse 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
Maschinelles Lernen Entscheidungsbäume
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen Entscheidungsbäume Paul Prasse Entscheidungsbäume Eine von vielen Anwendungen: Kreditrisiken Kredit - Sicherheiten
Session: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto)
Session: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto) 06. Juli 2016 Bielefeld www.its-owl.de Agenda Abschlusspräsentation Einführung
Anwendung der Regressions-SVM zur Vorhersage studentischer Leistungen
Anwendung der Regressions-SVM zur Vorhersage studentischer Leistungen Alexander Askinadze Institut für Informatik Heinrich-Heine-Universität Düsseldorf Universitätsstr. 1 40225 Düsseldorf, Deutschland
RL und Funktionsapproximation
RL und Funktionsapproximation Bisher sind haben wir die Funktionen V oder Q als Tabellen gespeichert. Im Allgemeinen sind die Zustandsräume und die Zahl der möglichen Aktionen sehr groß. Deshalb besteht
Modellierungsansatz für die realitätsnahe Abbildung der technischen Verfügbarkeit
Modellierungsansatz für die realitätsnahe Abbildung der technischen Verfügbarkeit intralogistischer Systeme Dipl.-Logist. Eike-Niklas Jung Seite 1 / 20 Gliederung Motivation & Zielsetzung Grundlagen Merkmale
Vorlesung Maschinelles Lernen
Gliederung Vorlesung Maschinelles Lernen SVM Textkategorisierung 1 Web Mining Information Retrieval Katharina Morik, Claus Weihs 24.5.2011 2 Textklassifikation 3 Verwendung des Modells zur Textklassifikation
Integrierte Kampagnenplanung. Netzwerken der chemischen Industrie
Markus Meiler Integrierte Kampagnenplanung in logistischen Netzwerken der chemischen Industrie Mit einem Geleitwort von Prof. Dr. Hans-Otto Günther VA Springer Gabler RESEARCH Inhaltsverzeichnis IX Inhaltsverzeichnis
Wissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Organisation und Überblick Nico Piatkowski und Uwe Ligges 8.0.07 von Fakten Team Vorlesung: Uwe Ligges, Nico Piatkowski Übung: Sarah Schnackenberg, Sebastian Buschjäger
Die EnMAP-Box Ziele, Stand der Entwicklung und Ausblick
Die EnMAP-Box Ziele, und Ausblick Sebastian van der Linden, Andreas Rabe, Pedro Leitão, Patrick Hostert sebastian.linden@geo.hu-berlin.de http://www.hu-geomatics.de 25.10.2010 2. Nationaler EnMAP-Workshop
Approximation flächenhaft harmonischer Funktionen mittels bikubisch finiter Elemente
. Session 6: Theoretische Geodäsie Approximation flächenhaft harmonischer Funktionen mittels bikubisch finiter Elemente 1 Jessica Franken Institut für Geodäsie und Geoinformation Professur für Theoretische
Künstliche Neuronale Netze
Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches
Pareto optimale lineare Klassifikation
Seminar aus Maschinellem Lernen Pareto optimale lineare Klassifikation Vesselina Poulkova Betreuer: Eneldo Loza Mencía Gliederung 1. Einleitung 2. Pareto optimale lineare Klassifizierer 3. Generelle Voraussetzung
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Grundseminar HAW Master Informatik 18.04.2017 Inhaltsübersicht Data Mining & Begriffswelt des Data Mining Klassifikation & Klassifikatoren
Ideen und Konzepte der Informatik. Maschinelles Lernen. Kurt Mehlhorn
Ideen und Konzepte der Informatik Maschinelles Lernen Kurt Mehlhorn Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung mit und ohne Trainingsdaten Gesichts-
Symbolisches Lernen. Proseminar Kognitive Robotik. Johannes Klein. Technische Universität München. June 22, 2012
Symbolisches Lernen Proseminar Kognitive Robotik Johannes Klein Technische Universität München June 22, 2012 1/18 Einleitung Lernverfahren Entscheidungsbaum ID3 Diskussion Inhalt Übersicht Symbolisches
Der Einfluss gleichgewichteter Fusion in der Mikrofonforensik unter beispielhafter Nutzung von zwei Klassifikatoren. Christian Krätzer, Jana Dittmann
Der Einfluss gleichgewichteter Fusion in der Mikrofonforensik unter beispielhafter Nutzung von zwei Klassifikatoren Christian Krätzer, Jana Dittmann Otto-von-Guericke Universität Magdeburg Fakultät für
Data-Mining: Ausgewählte Verfahren und Werkzeuge
Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den
Vorlesung 3: Schätzverfahren
Vorlesung 3: Schätzverfahren 1. Beispiel: General Social Survey 1978 2. Auswahl einer Zufallsstichprobe und Illustration des Stichprobenfehlers 3. Stichprobenverteilung eines Regressionskoeffizienten 4.
Klassifikation im Bereich Musik
Klassifikation im Bereich Musik Michael Günnewig 30. Mai 2006 Michael Günnewig 1 30. Mai 2006 Inhaltsverzeichnis 1 Was ist eine Klassifikation? 3 1.1 Arten und Aufbau von Klassifikationen.................