Unsupervised Kernel Regression
|
|
- Lukas Knopp
- vor 8 Jahren
- Abrufe
Transkript
1 9. Mai 26
2 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung Wir arbeiten uns von unten nach oben
3 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung Wir arbeiten uns von unten nach oben
4 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung Wir arbeiten uns von unten nach oben
5 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung Wir arbeiten uns von unten nach oben
6 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung Wir arbeiten uns von unten nach oben
7 Dichteschätzung Gegeben: Ein Datensatz x i, i = 1... N. Gesucht: Die Wahrscheinlichkeitsdichte p(x), nach der die Daten verteilt sind. Zwei Klassen von Verfahren Parametrische Verfahren legen eine bestimmte Form der Verteilung zugrunde und optimieren dann deren Parameter z.b. Annahme x ist normalverteilt bestimme passenden Mittelwert und Standardabweichung. Nicht parametrische Verfahren machen keine Annahmen über die Verteilung. Ihre Form wird von den Daten selbst bestimmt. Dabei gibt es meistens nur eine Stellschraube. Beispiel: Histogramm (Datamining I)
8 Dichteschätzung Gegeben: Ein Datensatz x i, i = 1... N. Gesucht: Die Wahrscheinlichkeitsdichte p(x), nach der die Daten verteilt sind. Zwei Klassen von Verfahren Parametrische Verfahren legen eine bestimmte Form der Verteilung zugrunde und optimieren dann deren Parameter z.b. Annahme x ist normalverteilt bestimme passenden Mittelwert und Standardabweichung. Nicht parametrische Verfahren machen keine Annahmen über die Verteilung. Ihre Form wird von den Daten selbst bestimmt. Dabei gibt es meistens nur eine Stellschraube. Beispiel: Histogramm (Datamining I)
9 Dichteschätzung Gegeben: Ein Datensatz x i, i = 1... N. Gesucht: Die Wahrscheinlichkeitsdichte p(x), nach der die Daten verteilt sind. Zwei Klassen von Verfahren Parametrische Verfahren legen eine bestimmte Form der Verteilung zugrunde und optimieren dann deren Parameter z.b. Annahme x ist normalverteilt bestimme passenden Mittelwert und Standardabweichung. Nicht parametrische Verfahren machen keine Annahmen über die Verteilung. Ihre Form wird von den Daten selbst bestimmt. Dabei gibt es meistens nur eine Stellschraube. Beispiel: Histogramm (Datamining I)
10 Dichteschätzung Beispiel: 2 Datenpunkte gemäß dieser Verteilung
11 Dichteschätzung: Histogramm Histogramm mit 6 Balken
12 Dichteschätzung: Histogramm Histogramm mit 7 Balken
13 Dichteschätzung: Histogramm Histogramm mit 8 Balken
14 Dichteschätzung: Histogramm Histogramm mit 9 Balken
15 Dichteschätzung: Histogramm Histogramm mit 1 Balken
16 Dichteschätzung: Histogramm Histogramm mit 12 Balken
17 Dichteschätzung: Histogramm Histogramm mit 13 Balken
18 Dichteschätzung: Histogramm Histogramm mit 15 Balken
19 Dichteschätzung: Histogramm Histogramm mit 2 Balken
20 Dichteschätzung: Histogramm Histogramm mit 3 Balken
21 Dichteschätzung Beim Histogramm zählt man, wieviele Daten in einen bestimmten Bereich ( Bin ) fallen. Modifikation: Zähle an jeder x-koordinate, wie viele Daten in der Nachbarschaft liegen. Alternatives Bild: Schiebe ein Fenster der Breite h über die x-achse und zähle, wieviele Daten das Fenster freilegt. Dies lässt sich wie folgt formalisieren: { falls v > h K U (v) = sonst 1 2h Rosenblatt (1956), Parzen (1962) (1) p(x) = 1 K U (x x i ) (2) N i
22 Dichteschätzung Beim Histogramm zählt man, wieviele Daten in einen bestimmten Bereich ( Bin ) fallen. Modifikation: Zähle an jeder x-koordinate, wie viele Daten in der Nachbarschaft liegen. Alternatives Bild: Schiebe ein Fenster der Breite h über die x-achse und zähle, wieviele Daten das Fenster freilegt. Dies lässt sich wie folgt formalisieren: { falls v > h K U (v) = sonst 1 2h Rosenblatt (1956), Parzen (1962) (1) p(x) = 1 K U (x x i ) (2) N i
23 Dichteschätzung Beim Histogramm zählt man, wieviele Daten in einen bestimmten Bereich ( Bin ) fallen. Modifikation: Zähle an jeder x-koordinate, wie viele Daten in der Nachbarschaft liegen. Alternatives Bild: Schiebe ein Fenster der Breite h über die x-achse und zähle, wieviele Daten das Fenster freilegt. Dies lässt sich wie folgt formalisieren: { falls v > h K U (v) = sonst 1 2h Rosenblatt (1956), Parzen (1962) (1) p(x) = 1 K U (x x i ) (2) N i
24 Kerndichteschätzung K U (v) ist die sog. uniforme Kernfunktion Lässt sich verallgemeinern, z.b. Gausskern: K G (v) = 1 v2 e 2h 2 (3) 2πh Oft Bedingungen K(v)dv = 1 vk(v)dv =
25 Kerndichteschätzung: uniformer Kern Bandbreite h=
26 Kerndichteschätzung: uniformer Kern Bandbreite h=
27 Kerndichteschätzung: uniformer Kern Bandbreite h=
28 Kerndichteschätzung: uniformer Kern Bandbreite h=
29 Kerndichteschätzung: uniformer Kern Bandbreite h=
30 Kerndichteschätzung: Gausskern Bandbreite h=
31 Kerndichteschätzung: Gausskern Bandbreite h=
32 Kerndichteschätzung: Gausskern Bandbreite h=
33 Kerndichteschätzung: Gausskern Bandbreite h=
34 Kerndichteschätzung: Gausskern Bandbreite h=
35 Kerndichteschätzung Wie bestimmt man die Bandbreite? Sehr viele Methoden + Kriterien Für uns interessant: Likelihood-Crossvalidation Log-Likelihood der Daten ist definiert als L = log i p(x i ) = i log p(x i ) (4) Würde mit kleinen Bandbreiten unbegrenzt wachsen Verwende Leave-One-Out Kreuzvalidierung L cv = i log p i (x i ), p i (x) = 1 N 1 K(x x k ) (5) k i
36 Kerndichteschätzung Wie bestimmt man die Bandbreite? Sehr viele Methoden + Kriterien Für uns interessant: Likelihood-Crossvalidation Log-Likelihood der Daten ist definiert als L = log i p(x i ) = i log p(x i ) (4) Würde mit kleinen Bandbreiten unbegrenzt wachsen Verwende Leave-One-Out Kreuzvalidierung L cv = i log p i (x i ), p i (x) = 1 N 1 K(x x k ) (5) k i
37 Kerndichteschätzung Wie bestimmt man die Bandbreite? Sehr viele Methoden + Kriterien Für uns interessant: Likelihood-Crossvalidation Log-Likelihood der Daten ist definiert als L = log i p(x i ) = i log p(x i ) (4) Würde mit kleinen Bandbreiten unbegrenzt wachsen Verwende Leave-One-Out Kreuzvalidierung L cv = i log p i (x i ), p i (x) = 1 N 1 K(x x k ) (5) k i
38 Kerndichteschätzung Wie bestimmt man die Bandbreite? Sehr viele Methoden + Kriterien Für uns interessant: Likelihood-Crossvalidation Log-Likelihood der Daten ist definiert als L = log i p(x i ) = i log p(x i ) (4) Würde mit kleinen Bandbreiten unbegrenzt wachsen Verwende Leave-One-Out Kreuzvalidierung L cv = i log p i (x i ), p i (x) = 1 N 1 K(x x k ) (5) k i
39 Kerndichteschätzung Wie bestimmt man die Bandbreite? Sehr viele Methoden + Kriterien Für uns interessant: Likelihood-Crossvalidation Log-Likelihood der Daten ist definiert als L = log i p(x i ) = i log p(x i ) (4) Würde mit kleinen Bandbreiten unbegrenzt wachsen Verwende Leave-One-Out Kreuzvalidierung L cv = i log p i (x i ), p i (x) = 1 N 1 K(x x k ) (5) k i
40 Kerndichteschätzung kreuzvalidierte Likelihood als Funktion der Bandbreite log Likelihood (CV)
41 Kerndichteschätzung Maximum bei h=.4192 (Gausskern)
42 Kernregression Gegeben: Ein Satz von Ein-/Ausgabedaten (x i, y i ), i = 1... N Gesucht: Eine glatte Funktion y = f (x). Fasse die Daten x i und y i als Realisationen von Zufallsvariablen X und Y auf. Dann ist die Regressionsfunktion gegeben durch den bedingten Erwartungswert f (x) = E(Y X = x) Kennt man die gemeinsame Verteilung p(x, y) der beiden Zufallsvariablen, so kann man f (x) angeben als f (x) = yp(y x)dy (6) p(x, y) = y dy (7) p(x) p(x, y) = y p(x, y dy (8) )dy
43 Kernregression Gegeben: Ein Satz von Ein-/Ausgabedaten (x i, y i ), i = 1... N Gesucht: Eine glatte Funktion y = f (x). Fasse die Daten x i und y i als Realisationen von Zufallsvariablen X und Y auf. Dann ist die Regressionsfunktion gegeben durch den bedingten Erwartungswert f (x) = E(Y X = x) Kennt man die gemeinsame Verteilung p(x, y) der beiden Zufallsvariablen, so kann man f (x) angeben als f (x) = yp(y x)dy (6) p(x, y) = y dy (7) p(x) p(x, y) = y p(x, y dy (8) )dy
44 Kernregression Gegeben: Ein Satz von Ein-/Ausgabedaten (x i, y i ), i = 1... N Gesucht: Eine glatte Funktion y = f (x). Fasse die Daten x i und y i als Realisationen von Zufallsvariablen X und Y auf. Dann ist die Regressionsfunktion gegeben durch den bedingten Erwartungswert f (x) = E(Y X = x) Kennt man die gemeinsame Verteilung p(x, y) der beiden Zufallsvariablen, so kann man f (x) angeben als f (x) = yp(y x)dy (6) p(x, y) = y dy (7) p(x) p(x, y) = y p(x, y dy (8) )dy
45 Kernregression Im Allgemeinen ist die Verteilung nicht bekannt, muss also geschätzt werden. Benutze Produkt aus zwei Kernen: p(x, y) = 1 K X (x x i )K Y (y y i ) (9) N i Man erhält damit durch Marginalisierung zusätzlich 1 p(x) = K X (x x i )K Y (y y i )dy (1) N i = 1 K X (x x i ) K Y (y y i )dy (11) N i = 1 K X (x x i ) (12) N i
46 Kernregression Im Allgemeinen ist die Verteilung nicht bekannt, muss also geschätzt werden. Benutze Produkt aus zwei Kernen: p(x, y) = 1 K X (x x i )K Y (y y i ) (9) N i Man erhält damit durch Marginalisierung zusätzlich 1 p(x) = K X (x x i )K Y (y y i )dy (1) N i = 1 K X (x x i ) K Y (y y i )dy (11) N i = 1 K X (x x i ) (12) N i
47 Kernregression Einsetzen in (7) ergibt f (x) = = i y 1 N i K X (x x i )K Y (y y i ) 1 N j K dy X (x x j ) (13) yk Y (y y i )dy (14) K X (x x i ) j K X (x x j ) Um das Integral zu lösen, substituiere z = y y i und benutze K(z)dz = 1, zk(z) = yk Y (y y i )dy = (z + y i )K Y (z)dz = y i (15)
48 Kernregression Einsetzen in (7) ergibt f (x) = = i y 1 N i K X (x x i )K Y (y y i ) 1 N j K dy X (x x j ) (13) yk Y (y y i )dy (14) K X (x x i ) j K X (x x j ) Um das Integral zu lösen, substituiere z = y y i und benutze K(z)dz = 1, zk(z) = yk Y (y y i )dy = (z + y i )K Y (z)dz = y i (15)
49 Kernregression Insgesamt erhält man den von Nadaraya (1964) und Watson (1964) vorgeschlagenen Ausdruck: f (x) = i K X (x x i ) y i j K X (x x j ) (16) f (x) ist eine Konvexkombination der y i (lokal gewichtetes Mittel) f (x) hängt nicht mehr von K Y ( ) ab, d.h. wir haben nur noch einen Kern K X (x) = K(x). Einziger Parameter: Bandbreite des Kerns.
50 Kernregression Insgesamt erhält man den von Nadaraya (1964) und Watson (1964) vorgeschlagenen Ausdruck: f (x) = i K X (x x i ) y i j K X (x x j ) (16) f (x) ist eine Konvexkombination der y i (lokal gewichtetes Mittel) f (x) hängt nicht mehr von K Y ( ) ab, d.h. wir haben nur noch einen Kern K X (x) = K(x). Einziger Parameter: Bandbreite des Kerns.
51 Kernregression Insgesamt erhält man den von Nadaraya (1964) und Watson (1964) vorgeschlagenen Ausdruck: f (x) = i K X (x x i ) y i j K X (x x j ) (16) f (x) ist eine Konvexkombination der y i (lokal gewichtetes Mittel) f (x) hängt nicht mehr von K Y ( ) ab, d.h. wir haben nur noch einen Kern K X (x) = K(x). Einziger Parameter: Bandbreite des Kerns.
52 Kernregression Insgesamt erhält man den von Nadaraya (1964) und Watson (1964) vorgeschlagenen Ausdruck: f (x) = i K X (x x i ) y i j K X (x x j ) (16) f (x) ist eine Konvexkombination der y i (lokal gewichtetes Mittel) f (x) hängt nicht mehr von K Y ( ) ab, d.h. wir haben nur noch einen Kern K X (x) = K(x). Einziger Parameter: Bandbreite des Kerns.
53 Kernregression 1.9 Gaussian Kernel, h=2. data points regression function single summands
54 Kernregression 1.9 Gaussian Kernel, h=1. data points regression function single summands
55 Kernregression 1.9 Gaussian Kernel, h=.8 data points regression function single summands
56 Kernregression 1.9 Gaussian Kernel, h=.5 data points regression function single summands
57 Kernregression 1.9 Gaussian Kernel, h=.4 data points regression function single summands
58 Kernregression 1.9 Gaussian Kernel, h=.25 data points regression function single summands
59 Kernregression Je größer die Bandbreite, desto glatter die Funktion Der Nadaraya-Watson-Schätzer funktioniert natürlich auch mehrdimensional (sowohl x als auch y).
60 Kernregression 1D 2D 4 Noisy "S", Y and X known y y 1 x 1
61 Kernregression 4 3 Gaussian kernel h=1 data points regression function 2 1 y y 1
62 Kernregression 4 3 Gaussian kernel h=.5 data points regression function 2 1 y y 1
63 Kernregression 4 3 Gaussian kernel h=.2 data points regression function 2 1 y y 1
64 Kernregression 4 3 Gaussian kernel h=.1 data points regression function 2 1 y y 1
65 Kernregression 4 3 Gaussian kernel h=.5 data points regression function 2 1 y y 1
66 Kernregression 4 3 Gaussian kernel h=.2 data points regression function 2 1 y y 1
67 Kernregression 4 3 Gaussian kernel h=.1 data points regression function 2 1 y y 1
68 Kernregression Welche Bandbreite ist richtig? Naives Fehlermaß: Mittlerer quadr. Abstand zw. y i und f(x i ), geht für kleine Bandbreite h gegen. Besser: Leave-One-Out Cross-Validation E CV = 1 y i f i (x i ) 2 N f i (x) = k i i K(x x k ) y k j K(x x j)
69 Kernregression Welche Bandbreite ist richtig? Naives Fehlermaß: Mittlerer quadr. Abstand zw. y i und f(x i ), geht für kleine Bandbreite h gegen. Besser: Leave-One-Out Cross-Validation E CV = 1 y i f i (x i ) 2 N f i (x) = k i i K(x x k ) y k j K(x x j)
70 Kernregression Welche Bandbreite ist richtig? Naives Fehlermaß: Mittlerer quadr. Abstand zw. y i und f(x i ), geht für kleine Bandbreite h gegen. Besser: Leave-One-Out Cross-Validation E CV = 1 y i f i (x i ) 2 N f i (x) = k i i K(x x k ) y k j K(x x j)
71 Kernregression error CV error reconstruction error h (bandwidth)
72 Kernregression 4 Gaussian kernel h= y y 1
73 Unüberwachtes Problem: Nur die y i sind bekannt. Finde verborgene Struktur, latente Variablen x i. Dimensionsreduktion UKR-Idee: Benutze den Nadaraya-Watson Kernregressionsschätzer, aber fasse die unbekannten x i als Parameter auf f(x) = i K(x x i ) y i j K(x x j) Skalierung der x i ist frei, d.h. Bandbreite h kann hier fest auf 1 gesetzt werden. Minimiere CV-Fehler als Funktion der x i, z.b. durch zufällige Initialisierung und Gradientenabstieg
74 Unüberwachtes Problem: Nur die y i sind bekannt. Finde verborgene Struktur, latente Variablen x i. Dimensionsreduktion UKR-Idee: Benutze den Nadaraya-Watson Kernregressionsschätzer, aber fasse die unbekannten x i als Parameter auf f(x) = i K(x x i ) y i j K(x x j) Skalierung der x i ist frei, d.h. Bandbreite h kann hier fest auf 1 gesetzt werden. Minimiere CV-Fehler als Funktion der x i, z.b. durch zufällige Initialisierung und Gradientenabstieg
75 Unüberwachtes Problem: Nur die y i sind bekannt. Finde verborgene Struktur, latente Variablen x i. Dimensionsreduktion UKR-Idee: Benutze den Nadaraya-Watson Kernregressionsschätzer, aber fasse die unbekannten x i als Parameter auf f(x) = i K(x x i ) y i j K(x x j) Skalierung der x i ist frei, d.h. Bandbreite h kann hier fest auf 1 gesetzt werden. Minimiere CV-Fehler als Funktion der x i, z.b. durch zufällige Initialisierung und Gradientenabstieg
76 Unüberwachtes Problem: Nur die y i sind bekannt. Finde verborgene Struktur, latente Variablen x i. Dimensionsreduktion UKR-Idee: Benutze den Nadaraya-Watson Kernregressionsschätzer, aber fasse die unbekannten x i als Parameter auf f(x) = i K(x x i ) y i j K(x x j) Skalierung der x i ist frei, d.h. Bandbreite h kann hier fest auf 1 gesetzt werden. Minimiere CV-Fehler als Funktion der x i, z.b. durch zufällige Initialisierung und Gradientenabstieg
77 4 random initialization y y 1
78 4 after 1 steps y y 1
79 4 after 3 steps y y 1
80 4 after 5 steps y y 1 6
81 4 after 1 steps y y 1
82 4 3 after 1 steps y y 1 2
83 Vorteil gegenüber PCA: nichtlineare Mannigfaltigkeiten behandelbar (dafür aber deutlich aufwendiger) Hauptkurven aus Datamining I: Optimierung schwierig, daher Vereinfachung auf diskretes Gitter, das vorher spezifiziert werden muss. Außerdem ist ein Glattheitsterm erforderlich. UKR hat mit LOO-CV eine eingebaute automatische Komplexitätskontrolle. Kein Gitter etc. Einzige Spezifikation: Wahl des Kerns (nicht entscheidend für Qualität des Modells) Nachteil: Nichtlineare Optimierung recht aufwendig, viele lokale Minima
84 Vorteil gegenüber PCA: nichtlineare Mannigfaltigkeiten behandelbar (dafür aber deutlich aufwendiger) Hauptkurven aus Datamining I: Optimierung schwierig, daher Vereinfachung auf diskretes Gitter, das vorher spezifiziert werden muss. Außerdem ist ein Glattheitsterm erforderlich. UKR hat mit LOO-CV eine eingebaute automatische Komplexitätskontrolle. Kein Gitter etc. Einzige Spezifikation: Wahl des Kerns (nicht entscheidend für Qualität des Modells) Nachteil: Nichtlineare Optimierung recht aufwendig, viele lokale Minima
85 Vorteil gegenüber PCA: nichtlineare Mannigfaltigkeiten behandelbar (dafür aber deutlich aufwendiger) Hauptkurven aus Datamining I: Optimierung schwierig, daher Vereinfachung auf diskretes Gitter, das vorher spezifiziert werden muss. Außerdem ist ein Glattheitsterm erforderlich. UKR hat mit LOO-CV eine eingebaute automatische Komplexitätskontrolle. Kein Gitter etc. Einzige Spezifikation: Wahl des Kerns (nicht entscheidend für Qualität des Modells) Nachteil: Nichtlineare Optimierung recht aufwendig, viele lokale Minima
86 Vorteil gegenüber PCA: nichtlineare Mannigfaltigkeiten behandelbar (dafür aber deutlich aufwendiger) Hauptkurven aus Datamining I: Optimierung schwierig, daher Vereinfachung auf diskretes Gitter, das vorher spezifiziert werden muss. Außerdem ist ein Glattheitsterm erforderlich. UKR hat mit LOO-CV eine eingebaute automatische Komplexitätskontrolle. Kein Gitter etc. Einzige Spezifikation: Wahl des Kerns (nicht entscheidend für Qualität des Modells) Nachteil: Nichtlineare Optimierung recht aufwendig, viele lokale Minima
87 Vorteil gegenüber PCA: nichtlineare Mannigfaltigkeiten behandelbar (dafür aber deutlich aufwendiger) Hauptkurven aus Datamining I: Optimierung schwierig, daher Vereinfachung auf diskretes Gitter, das vorher spezifiziert werden muss. Außerdem ist ein Glattheitsterm erforderlich. UKR hat mit LOO-CV eine eingebaute automatische Komplexitätskontrolle. Kein Gitter etc. Einzige Spezifikation: Wahl des Kerns (nicht entscheidend für Qualität des Modells) Nachteil: Nichtlineare Optimierung recht aufwendig, viele lokale Minima
88 (Unüberwachte) Kernregression Nützlich zur Effizienzsteigerung: Kernfunktionen mit endlichem Träger Epanechnikov-Kernel K E (x) [1 x 2 ] + Quartic-Kernel K Q (x) K E (x) 2
89 (Unüberwachte) Kernregression Nützlich zur Effizienzsteigerung: Kernfunktionen mit endlichem Träger Epanechnikov-Kernel K E (x) [1 x 2 ] + Quartic-Kernel K Q (x) K E (x) 2 1 Epanechnikov
90 (Unüberwachte) Kernregression Nützlich zur Effizienzsteigerung: Kernfunktionen mit endlichem Träger Epanechnikov-Kernel K E (x) [1 x 2 ] + Quartic-Kernel K Q (x) K E (x) 2 1 Epanechnikov Quartic
91 In Kombination mit anderen Methoden können sehr schwierige Probleme geknackt werden. Es gibt eine Reihe sog. nonlinear spectral embedding methods 1, die (ohne Regressionsfunktion) relativ effizient einen hochdimensionalen Datensatz in einen niedrig dimensionalen Raum einbetten können. Der Erfolg der Methoden hängt von einem zu spezifizierenden Nachbarschaftsparameter (im Datenraum der y i ) ab, aber die Methoden bieten selbst i.a. kein Maß für den Erfolg. UKR lässt sich mit deren Resultat initialisieren, mehrere Versuche (mit anderer Nachbarschaft) lassen sich per CV-Fehler vergleichen. 1 Locally Linear Embedding (Roweis u. Saul, 2), Isomap (Tenenbaum, de Silva u. Langford, 2), Laplacian Eigenmaps (Belkin u. Niyogi, 23), Semidefinite Embedding (Weinberger u. Saul, 24)
92 In Kombination mit anderen Methoden können sehr schwierige Probleme geknackt werden. Es gibt eine Reihe sog. nonlinear spectral embedding methods 1, die (ohne Regressionsfunktion) relativ effizient einen hochdimensionalen Datensatz in einen niedrig dimensionalen Raum einbetten können. Der Erfolg der Methoden hängt von einem zu spezifizierenden Nachbarschaftsparameter (im Datenraum der y i ) ab, aber die Methoden bieten selbst i.a. kein Maß für den Erfolg. UKR lässt sich mit deren Resultat initialisieren, mehrere Versuche (mit anderer Nachbarschaft) lassen sich per CV-Fehler vergleichen. 1 Locally Linear Embedding (Roweis u. Saul, 2), Isomap (Tenenbaum, de Silva u. Langford, 2), Laplacian Eigenmaps (Belkin u. Niyogi, 23), Semidefinite Embedding (Weinberger u. Saul, 24)
93 In Kombination mit anderen Methoden können sehr schwierige Probleme geknackt werden. Es gibt eine Reihe sog. nonlinear spectral embedding methods 1, die (ohne Regressionsfunktion) relativ effizient einen hochdimensionalen Datensatz in einen niedrig dimensionalen Raum einbetten können. Der Erfolg der Methoden hängt von einem zu spezifizierenden Nachbarschaftsparameter (im Datenraum der y i ) ab, aber die Methoden bieten selbst i.a. kein Maß für den Erfolg. UKR lässt sich mit deren Resultat initialisieren, mehrere Versuche (mit anderer Nachbarschaft) lassen sich per CV-Fehler vergleichen. 1 Locally Linear Embedding (Roweis u. Saul, 2), Isomap (Tenenbaum, de Silva u. Langford, 2), Laplacian Eigenmaps (Belkin u. Niyogi, 23), Semidefinite Embedding (Weinberger u. Saul, 24)
94 In Kombination mit anderen Methoden können sehr schwierige Probleme geknackt werden. Es gibt eine Reihe sog. nonlinear spectral embedding methods 1, die (ohne Regressionsfunktion) relativ effizient einen hochdimensionalen Datensatz in einen niedrig dimensionalen Raum einbetten können. Der Erfolg der Methoden hängt von einem zu spezifizierenden Nachbarschaftsparameter (im Datenraum der y i ) ab, aber die Methoden bieten selbst i.a. kein Maß für den Erfolg. UKR lässt sich mit deren Resultat initialisieren, mehrere Versuche (mit anderer Nachbarschaft) lassen sich per CV-Fehler vergleichen. 1 Locally Linear Embedding (Roweis u. Saul, 2), Isomap (Tenenbaum, de Silva u. Langford, 2), Laplacian Eigenmaps (Belkin u. Niyogi, 23), Semidefinite Embedding (Weinberger u. Saul, 24)
95 Noisy Spiral mit LLE & PCA-Initialisierung Gute Lösungen weisen kleine CV-Fehler auf K=4 R cv =.331 K=5 R cv =.2167 K=6 R cv =.624 K=7 R cv =.94 K=8 R cv =.44 K=9 R cv =.869 K=1 R cv =.43 K=11 R cv =.23 K=12 R cv =.85 K=13 R cv =.91 K=14 R cv =.3331 PCA R cv =.267
96 UKR zur Visualisierung USPS Digit 2 : 731 Datenvektoren der Dimension 16x16 Projektion in 2D-Raum, dort Abtastung von f(x) 2D-Karte handgeschriebener Ziffern Dichte im latenten Raum als Intensität verwendbar
Statistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrDie Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist
Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrTREND SEARCH VISUALISIERUNG. von Ricardo Gantschew btk Berlin Dozent / Till Nagel
von Ricardo Gantschew btk Berlin Dozent / Till Nagel 01 IDEE Einige kennen vielleicht GoogleTrends. Hierbei handelt es sich um eine Anwendung, bei der man verschiedenste Begriffe auf die Häufigkeit ihrer
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrVorkurs Mathematik Übungen zu Polynomgleichungen
Vorkurs Mathematik Übungen zu en 1 Aufgaben Lineare Gleichungen Aufgabe 1.1 Ein Freund von Ihnen möchte einen neuen Mobilfunkvertrag abschließen. Es gibt zwei verschiedene Angebote: Anbieter 1: monatl.
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrDer monatliche Tarif für ein Handy wurde als lineare Funktion der Form f(x) = k x + d modelliert (siehe Grafik).
1) Handytarif Der monatliche Tarif für ein Handy wurde als lineare Funktion der Form f(x) = k x + d modelliert (siehe Grafik). Euro Gesprächsminuten Tragen Sie in der folgenden Tabelle ein, welche Bedeutung
MehrWas meinen die Leute eigentlich mit: Grexit?
Was meinen die Leute eigentlich mit: Grexit? Grexit sind eigentlich 2 Wörter. 1. Griechenland 2. Exit Exit ist ein englisches Wort. Es bedeutet: Ausgang. Aber was haben diese 2 Sachen mit-einander zu tun?
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrStellen Sie bitte den Cursor in die Spalte B2 und rufen die Funktion Sverweis auf. Es öffnet sich folgendes Dialogfenster
Es gibt in Excel unter anderem die so genannten Suchfunktionen / Matrixfunktionen Damit können Sie Werte innerhalb eines bestimmten Bereichs suchen. Als Beispiel möchte ich die Funktion Sverweis zeigen.
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrDiese Prozesse und noch viele andere Tricks werden in der Digitalfotografie mit Hilfe von Bildbearbeitungsprogrammen, wie z. B. Gimp, bewältigt.
Workflows mit Gimp Workflows sind Arbeitsabläufe, in denen man ein rohes Bildmaterial in ein ansehnliches Foto verwandelt. Denn das, was die Kamera sieht, entspricht selten unseren Vorstellungen eines
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
MehrExtrema von Funktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
Mehra n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:
Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrReporting Services und SharePoint 2010 Teil 1
Reporting Services und SharePoint 2010 Teil 1 Abstract Bei der Verwendung der Reporting Services in Zusammenhang mit SharePoint 2010 stellt sich immer wieder die Frage bei der Installation: Wo und Wie?
MehrEr musste so eingerichtet werden, dass das D-Laufwerk auf das E-Laufwerk gespiegelt
Inhaltsverzeichnis Aufgabe... 1 Allgemein... 1 Active Directory... 1 Konfiguration... 2 Benutzer erstellen... 3 Eigenes Verzeichnis erstellen... 3 Benutzerkonto erstellen... 3 Profil einrichten... 5 Berechtigungen
MehrKugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten
Kugel-Fächer-Modell n Kugeln (Rosinen) sollen auf m Fächer (Brötchen) verteilt werden, zunächst 3 Kugeln auf 3 Fächer. 1fach 3fach Für die Einzelkugel gibt es 3 Möglichkeiten } 6fach 3! Möglichkeiten Es
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrErstellen einer Collage. Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu])
3.7 Erstellen einer Collage Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu]) Dann Größe des Dokuments festlegen beispielsweise A4 (weitere
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
Mehr9 Auto. Rund um das Auto. Welche Wörter zum Thema Auto kennst du? Welches Wort passt? Lies die Definitionen und ordne zu.
1 Rund um das Auto Welche Wörter zum Thema Auto kennst du? Welches Wort passt? Lies die Definitionen und ordne zu. 1. Zu diesem Fahrzeug sagt man auch Pkw oder Wagen. 2. kein neues Auto, aber viel billiger
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrWir machen neue Politik für Baden-Württemberg
Wir machen neue Politik für Baden-Württemberg Am 27. März 2011 haben die Menschen in Baden-Württemberg gewählt. Sie wollten eine andere Politik als vorher. Die Menschen haben die GRÜNEN und die SPD in
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrSecond Steps in eport 2.0 So ordern Sie Credits und Berichte
Second Steps in eport 2.0 So ordern Sie Credits und Berichte Schritt 1: Credits kaufen, um Zugangscodes generieren zu können Wählen Sie Credits verwalten und klicken Sie auf Credits kaufen. Geben Sie nun
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrOnline Newsletter III
Online Newsletter III Hallo zusammen! Aus aktuellem Anlass wurde ein neuer Newsletter fällig. Die wichtigste Neuerung betrifft unseren Webshop mit dem Namen ehbshop! Am Montag 17.10.11 wurde die Testphase
MehrSeite 1 von 14. Cookie-Einstellungen verschiedener Browser
Seite 1 von 14 Cookie-Einstellungen verschiedener Browser Cookie-Einstellungen verschiedener Browser, 7. Dezember 2015 Inhaltsverzeichnis 1.Aktivierung von Cookies... 3 2.Cookies... 3 2.1.Wofu r braucht
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
MehrUm sich zu registrieren, öffnen Sie die Internetseite www.doodle.de und wählen Sie dort rechts oben
Doodle Anleitung Konto erstellen Die Registrierung eines Benutzerkontos ist für Umfragen nicht erforderlich. Sollten Sie jedoch öfters Umfragen erstellen, ist dies aus Gründen der Übersicht und Einfachheit
MehrDie Post hat eine Umfrage gemacht
Die Post hat eine Umfrage gemacht Bei der Umfrage ging es um das Thema: Inklusion Die Post hat Menschen mit Behinderung und Menschen ohne Behinderung gefragt: Wie zufrieden sie in dieser Gesellschaft sind.
MehrUrlaubsregel in David
Urlaubsregel in David Inhaltsverzeichnis KlickDown Beitrag von Tobit...3 Präambel...3 Benachrichtigung externer Absender...3 Erstellen oder Anpassen des Anworttextes...3 Erstellen oder Anpassen der Auto-Reply-Regel...5
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrEva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit
Eva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit Frau Dr. Eva Douma ist Organisations-Beraterin in Frankfurt am Main Das ist eine Zusammen-Fassung des Vortrages: Busines
MehrProxy. Krishna Tateneni Übersetzer: Stefan Winter
Krishna Tateneni Übersetzer: Stefan Winter 2 Inhaltsverzeichnis 1 Proxy-Server 4 1.1 Einführung.......................................... 4 1.2 Benutzung.......................................... 4 3 1
MehrWindows XP Jugendschutz einrichten. Monika Pross Molberger PC-Kurse
Windows XP Jugendschutz einrichten Monika Pross Molberger PC-Kurse Um ein Benutzerkonto mit Jugendschutzeinstellungen zu verwenden, braucht man ein Eltern- Konto (Administrator) und eine Kinderkonto (Standard).
Mehr4. Erstellen von Klassen
Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrGantt-Diagramm - Diagramm zur Projektverfolgung
Gantt-Diagramm - Diagramm zur Projektverfolgung 5.06.206 3:29:35 FAQ-Artikel-Ausdruck Kategorie: Windows::MS Office::Excel Bewertungen: 0 Status: öffentlich (Alle) Ergebnis: 0.00 % Sprache: de Letzte Aktualisierung:
MehrGimp Kurzanleitung. Offizielle Gimp Seite: http://www.gimp.org/
Gimp Kurzanleitung Offizielle Gimp Seite: http://www.gimp.org/ Inhalt Seite 2 Seite 3-4 Seite 5-6 Seite 7 8 Seite 9 10 Seite 11-12 Ein Bild mit Gimp öffnen. Ein Bild mit Gimp verkleinern. Ein bearbeitetes
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
MehrDas RSA-Verschlüsselungsverfahren 1 Christian Vollmer
Das RSA-Verschlüsselungsverfahren 1 Christian Vollmer Allgemein: Das RSA-Verschlüsselungsverfahren ist ein häufig benutztes Verschlüsselungsverfahren, weil es sehr sicher ist. Es gehört zu der Klasse der
MehrVorgestellt von Hans-Dieter Stubben
Neue Lösungen in der GGf-Versorgung Vorgestellt von Hans-Dieter Stubben Geschäftsführer der Bundes-Versorgungs-Werk BVW GmbH Verbesserungen in der bav In 2007 ist eine wichtige Entscheidung für die betriebliche
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrTangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:
Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung
MehrWie stark ist die Nuss?
Wie stark ist die Nuss? Bild einer Klett-Werbung Untersuchungen von Eric Hornung, Sebastian Lehmann und Raheel Shahid Geschwister-Scholl-Schule Bensheim Wettbewerb: Schüler experimentieren Fachrichtung
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrComputational Finance
Computational Finance Kapitel 2.1: Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4
MehrLeichte-Sprache-Bilder
Leichte-Sprache-Bilder Reinhild Kassing Information - So geht es 1. Bilder gucken 2. anmelden für Probe-Bilder 3. Bilder bestellen 4. Rechnung bezahlen 5. Bilder runterladen 6. neue Bilder vorschlagen
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrFax einrichten auf Windows XP-PC
Um ein PC Fax fähig zu machen braucht man einen sogenannten Telefon Anschluss A/B das heißt, Fax funktioniert im Normalfall nur mit Modem nicht mit DSL. Die meisten neueren PCs haben ein Modem integriert.
MehrGleichungen und Ungleichungen
Gleichungen Ungleichungen. Lineare Gleichungen Sei die Gleichung ax = b gegeben, wobei x die Unbekannte ist a, b reelle Zahlen sind. Diese Gleichung hat als Lösung die einzige reelle Zahl x = b, falls
MehrKfz-Versicherung für Fahranfänger. mit der Lizenz zum Fahren
Kfz-Versicherung für Fahranfänger mit der Lizenz zum Fahren startklar? Geschafft endlich der Führerschein! Nur das eigene Auto fehlt noch. Aber: Sie dürfen den Wagen Ihrer Eltern nutzen und so Ihr Können
MehrDie Invaliden-Versicherung ändert sich
Die Invaliden-Versicherung ändert sich 1 Erklärung Die Invaliden-Versicherung ist für invalide Personen. Invalid bedeutet: Eine Person kann einige Sachen nicht machen. Wegen einer Krankheit. Wegen einem
MehrAnleitung zur Erstellung von Serienbriefen (Word 2003) unter Berücksichtigung von Titeln (wie Dr., Dr. med. usw.)
Seite 1/7 Anleitung zur Erstellung von Serienbriefen (Word 2003) unter Berücksichtigung von Titeln (wie Dr., Dr. med. usw.) Hier sehen Sie eine Anleitung wie man einen Serienbrief erstellt. Die Anleitung
MehrLösungsmethoden gewöhnlicher Differentialgleichungen (Dgl.)
Lösungsmethoden gewöhnlicher Dierentialgleichungen Dgl) Allgemeine und partikuläre Lösung einer gewöhnlichen Dierentialgleichung Eine Dierentialgleichung ist eine Gleichung! Zum Unterschied von den gewöhnlichen
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrAGROPLUS Buchhaltung. Daten-Server und Sicherheitskopie. Version vom 21.10.2013b
AGROPLUS Buchhaltung Daten-Server und Sicherheitskopie Version vom 21.10.2013b 3a) Der Daten-Server Modus und der Tresor Der Daten-Server ist eine Betriebsart welche dem Nutzer eine grosse Flexibilität
MehrInstallation der Eicon Diva PCI Karte unter Windows XP
Installation der Eicon Diva PCI Karte unter Windows XP Wenn Sie die ADSL Karte korrekt in Ihren Rechner eingebaut haben, sollte kurz nach dem Start von Windows XP diese Fenster erscheinen. Eine Einbauanleitung
MehrLandes-Arbeits-Gemeinschaft Gemeinsam Leben Gemeinsam Lernen Rheinland-Pfalz e.v.
Landes-Arbeits-Gemeinschaft Gemeinsam Leben Gemeinsam Lernen Rheinland-Pfalz e.v. Wer sind wir? Wir sind ein Verein. Wir setzen uns für Menschen mit Behinderung ein. Menschen mit Behinderung sollen überall
MehrWas ist Sozial-Raum-Orientierung?
Was ist Sozial-Raum-Orientierung? Dr. Wolfgang Hinte Universität Duisburg-Essen Institut für Stadt-Entwicklung und Sozial-Raum-Orientierte Arbeit Das ist eine Zusammen-Fassung des Vortrages: Sozialräume
MehrAnwendungsbeispiele. Neuerungen in den E-Mails. Webling ist ein Produkt der Firma:
Anwendungsbeispiele Neuerungen in den E-Mails Webling ist ein Produkt der Firma: Inhaltsverzeichnis 1 Neuerungen in den E- Mails 2 Was gibt es neues? 3 E- Mail Designs 4 Bilder in E- Mails einfügen 1 Neuerungen
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrÜberprüfung der digital signierten E-Rechnung
Überprüfung der digital signierten E-Rechnung Aufgrund des BMF-Erlasses vom Juli 2005 (BMF-010219/0183-IV/9/2005) gelten ab 01.01.2006 nur noch jene elektronischen Rechnungen als vorsteuerabzugspflichtig,
MehrNetzwerk einrichten unter Windows
Netzwerk einrichten unter Windows Schnell und einfach ein Netzwerk einrichten unter Windows. Kaum ein Rechner kommt heute mehr ohne Netzwerkverbindungen aus. In jedem Rechner den man heute kauft ist eine
MehrWir machen Praxiszahlen transparent 1
1. Festlegen des Speicherpfades der Exportdatei Standardmäßig speichert S-Firm die Exportdatei in den Ordner SFirm/Transfer. Möchte man einen anderen Ordner haben, kann man über Extra(1)/ Import/Export
MehrHilfe-Blatt: Ausgabenkontrolle
Hilfe-Blatt: Ausgabenkontrolle Dieses Hilfe-Blatt bietet dir eine Übersicht welche bekannten Methoden es gibt um einen Überblick über deine Ausgaben im Alltag zu haben. Probiere es aus und finde ein System
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN
ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,
MehrFotos verkleinern mit Paint
Fotos verkleinern mit Paint Warum Paint? Sicher, es gibt eine Menge kostenloser guter Programme und Möglichkeiten im Netz zum Verkleinern von Fotos. Letztendlich ist es Geschmackssache, aber meine Erfahrungen
MehrFestigkeit von FDM-3D-Druckteilen
Festigkeit von FDM-3D-Druckteilen Häufig werden bei 3D-Druck-Filamenten die Kunststoff-Festigkeit und physikalischen Eigenschaften diskutiert ohne die Einflüsse der Geometrie und der Verschweißung der
MehrGibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?
Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv
MehrSchritte 4. Lesetexte 13. Kosten für ein Girokonto vergleichen. 1. Was passt? Ordnen Sie zu.
Kosten für ein Girokonto vergleichen 1. Was passt? Ordnen Sie zu. a. die Buchung, -en b. die Auszahlung, -en c. der Dauerauftrag, - e d. die Überweisung, -en e. die Filiale, -n f. der Kontoauszug, - e
MehrIBIS Professional. z Dokumentation zur Dublettenprüfung
z Dokumentation zur Dublettenprüfung Die Dublettenprüfung ist ein Zusatzpaket zur IBIS-Shopverwaltung für die Classic Line 3.4 und höher. Dubletten entstehen dadurch, dass viele Kunden beim Bestellvorgang
MehrMulticheck Schülerumfrage 2013
Multicheck Schülerumfrage 2013 Die gemeinsame Studie von Multicheck und Forschungsinstitut gfs-zürich Sonderauswertung ICT Berufsbildung Schweiz Auswertung der Fragen der ICT Berufsbildung Schweiz Wir
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrWORKSHOP für das Programm XnView
WORKSHOP für das Programm XnView Zur Bearbeitung von Fotos für die Nutzung auf Websites und Online Bildergalerien www.xnview.de STEP 1 ) Bild öffnen und Größe ändern STEP 2 ) Farbmodus prüfen und einstellen
MehrLinearen Gleichungssysteme Anwendungsaufgaben
Linearen Gleichungssysteme Anwendungsaufgaben Lb S. 166 Nr.9 Im Jugendherbergsverzeichnis ist angegeben, dass in der Jugendherberge in Eulenburg 145 Jugendliche in 35 Zimmern übernachten können. Es gibt
MehrFotogalerie mit PWGallery in Joomla (3.4.0) erstellen
Fotogalerie mit PWGallery in Joomla (3.4.0) erstellen Als ersten Schritt müssen wir alle Fotos die in die Galerie sollen hochladen. Wir gehen davon aus, dass das Plugin PWGallery bereits installiert und
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrSCHRITT 1: Öffnen des Bildes und Auswahl der Option»Drucken«im Menü»Datei«...2. SCHRITT 2: Angeben des Papierformat im Dialog»Drucklayout«...
Drucken - Druckformat Frage Wie passt man Bilder beim Drucken an bestimmte Papierformate an? Antwort Das Drucken von Bildern ist mit der Druckfunktion von Capture NX sehr einfach. Hier erklären wir, wie
Mehr