Der Mutter auf der Spur schnell zu DNA-Ergebnissen Einlauffreigabe durch iba-fingerprint-verfahren
|
|
- Dagmar Reuter
- vor 6 Jahren
- Abrufe
Transkript
1 Der Mutter auf der Spur schnell zu DNA-Ergebnissen Einlauffreigabe durch iba-fingerprint-verfahren Prof. Dr. H. Göttler, Dipl.-Math. C. Lipowsky, Prof. Dr. E. Schömer (Dipl.-Math. E. Dranischnikow, Dr. Th. Gottron)
2 Shazam-Werbung Shazam-Werbung für das iphone (Ein Lied im Autoradio wird per iphone an Shazam übertragen. Das App liefert Titel sowie Sänger und wo man die CD kaufen kann.) Folie Nr. 2
3 Wie macht Shazam das? t f A Sample Amplituden-Maxima des Spektrogramms als Fingerprint Folie Nr. 3
4 Wie macht Shazam das? Optimierung der Suche durch Einsatz von Hash-Codes aus: Avery Li-Chun Wang: An Industrial-Strength Audio Search Algorithm Folie Nr. 4
5 Die Melodie eines Stahlbands Stark beschleunigtes Abspielen eines Stahlband- Dickenschriebs ergibt hörbare Tonsequenz aber sehr kurz wenig charakteristisch wegen zufälliger Schwankungen (Rauschen) Folie Nr. 5
6 Coil-Fingerprint Definition : Eine (wie auch immer geartete) komprimierte Repräsentierung des Coils bzw. des Teilstücks mit Eindeutigkeitscharakter. Ziel: Schnelle Suche nach Kandidaten keine falsch-negativen ausschließen möglichst wenig falsch-positive finden
7 1. Lösungsansatz zur Datenkompression für Fingerprints Folie Nr. 7
8 1. Lösungsansatz zur Datenkompression für Fingerprints Repräsentation als Anzahl/Bereichsposition -Paar {{5, "d"}, {12, "e"}, {11, "d"}, {30, "e"}, {9, "d"}, {3, "e"}, {5, "d"}, {11, "e"}, {5, "d"}, {13, "e"}, {19, "d"}, {14, "e"}, {7, "d"}, {4, "e"}, {13, "d"}, {5, "e"}, {9, "d"}, {12, "e"}, {15, "d"}, {4, "e"}, {38, "d"},... {4, "d"}, {4, "c"}, {15, "d"}, {12, "c"}, {3, "d"}, {15, "c"}, {18, "d"}, {8, "c"}, {3, "d"}, {18, "c"}, {7, "d"}, {7, "c"}} Repräsentation als Buchstabenfolge DEDEDEDEDEDEDEDEDEDEDCDCDCDCDCDCDCDCDCDCBCBCBC BCBCBCBCDCDCDCDEDEDCDEDCDCDEDEDEDEDEDEDEDEDEDC DCDCDCBCBCBCBCBCBCBCBCBCBCBCBCABABABABABABABABA. BCBCDCBCBCBABABCBCDCDEDCDCDCDCDCDCDCDCDCDCDCDC Folie Nr. 8
9 1. Lösungsansatz zur Datenkompression für Fingerprints Zusammenfassung Unterteilung des Wertebereichs Zuordnung je eines Wertes / Buchstabens für die Bereiche zwischen den Abschnitten Vergleich der kategorisierten Datenreihen (z.b. durch String-Vergleich oder Edit-Distanz) Analogie zum DNA- Vergleich Folie Nr. 9
10 2. Lösungsansatz zur Datenkompression für Fingerprints Scale-Space Filtering von Keypoints Finden sog. Keypoints (hier Wendepunkte der geglätteten Dickenschriebe) Beschreibung und Interpolation der Kurve zwischen je zwei Keypoints durch je eine Parabel (y = ax² + bx + c) Speichern der n Parabelkoeffizienten a i, b i und c i als Fingerprint Suche nach dem zu einem gegebenen Kaltbanddickenschrieb passenden Warmbanddickenschrieb durch abschnittweises Vergleichen der Parabelkoeffizienten
11 2. Lösungsansatz zur Datenkompression für Fingerprints Scale-Space Filtering von Keypoints
12 2. Lösungsansatz zur Datenkompression für Fingerprints Vorteile: Keypoints sind skalierungsinvariant schnelles Suchen mittels nearest neighbour - Datenstruktur Nachteile (derzeit): nicht ausreichend charakteristisch störungsanfällig
13 3. Lösungsansatz zur Datenkompression für Fingerprints Original (nicht komprimierter Dickenschrieb) bei PAA30 (je 30 aufeinander folgenden Messwerte werden durch ihren Mittelwert repräsentiert) bei Take30 (nur jeder 30. Wert wird genommen) Charakteristisches bleibt erhalten / sichtbar. Folie Nr. 13
14 Aktuelle, durch die iba-ag gestellte Aufgabe Finden geeigneter Charakteristika für schnelles Finden eines korrespondierenden Dickenschriebs in der Datenbank Notstopp Folie Nr. 14
15 Was bisher geschah (in einem anderen Projekt) : siehe auch: Lipowsky, C. et al.: Alignment of Noisy and Uniformly Scaled Time Series, DEXA 2009 Kemeter, M.: Effizientes Alignment von Stahlband-Fingerprints, Diplomarbeit, Johannes Gutenberg- Universität Mainz (2008) Folie Nr. 15
16 Kopf- und Fußschrotterkennung Kopfschrott Fußschrott Entwicklung von Alignment-Verfahren, die zwei Dickenschriebe eines Coils (z.b. von Warm- und Kaltband) optimal zur Deckung bringen Integration in den iba-analyzer Folie Nr. 16
17 Ansätze Komprimierung der Daten durch Diskretisierung / Kategorisierung der Daten Bestimmung charakteristischer Features Zusammenfassung mehrerer Werte Erweiterung und Verfeinerung der Alignment- Verfahren hier: Shotgun-Aligner
18 Der erweiterte Shotgun-Aligner, Teil 1 Zerschneiden des Kaltbands in Schnipsel vorgegebener Länge (z. B. 128 Messpunkte) Positionierung aller Schnipsel innerhalb je eines Warmbands (quadratischer Fehler soll minimal sein) Auswahl der erst- und zweitbesten Startposition jedes Schnipsels Folie Nr. 18
19 Der erweiterte Shotgun-Aligner, Teil 1 Visualisierung des Shotgun-Verfahrens (Das Kaltband wird in Schnipsel zerschnitten und deren korrespondierende Position im Warmband bei einem minimalen Fehler gesucht. Die Folie 22 zeigt, was sich ergibt, wenn jeweils die beste und die zweitbeste Position in einem Diagramm aufgetragen wird.) Folie Nr. 19
20 Der erweiterte Shotgun-Aligner, Teil 2 Bestimmung einer fehlertoleranten Regressionsgeraden mittels RANSAC-Algorithmus Identifikation passender Schnipsel Berechnung des Gesamtfehlers durch Aufsummieren der Fehler aller Schnipsel Auswahlkriterium für Warmband: primär: maximal viele passende Schnipsel sekundär: minimaler Gesamtfehler hierarchische Vorgehensweise mittels PAA
21 Fehler bei der Schnipsel-Positionierung quadratischer Fehler mögliche Startposition eines Kaltband- Schnipsel innerhalb des Warmbands Folie Nr. 21
22 Der RANSAC-Algorithmus Folie Nr. 22 Nummer des Schnipsels mögliche Startpositionen (beste und zweitbeste)
23 Bisherige Ergebnisse bei Verwendung des erweiterten Shotgun-Aligners Aufgabe: Suche die Mutter, d. h. das zugehörige Warmband, zu einem gegebenen Kaltband(-Abschnitt)! Ergebnis: Das Warmband wird gefunden in einer Datenbank mit ca Coils d.h Datensätze inkl. Umwickler mit einer Treffsicherheit von > 99% auf realen Testdaten in unter einer Sekunde Folie Nr. 23
24 Problematische Datensätze 5 der über Coil-Paare konnten nicht automatisch aus der Datenbank gefiltert werden. Warum nicht? inkorrekte Zuordnung / Benennung / Messfehler??? Folie Nr. 24
25 Offene Fragen Dürfen (günstige) Grafikkarten verwendet werden? (ca. 20-mal schneller bei Programmierung auf GPU) Wie lang muss ein Anfangsstück eines Dickenschriebs mindestens sein, damit eindeutig feststellbar ist, um welches Band es sich handelt (Notstopp-Test)? Lassen sich die entwickelten Verfahren übertragen auf andere Produktionsschritte / -prozesse? andere Materialien (z. B. Aluminium anstelle von Stahl)? Gibt es weitere charakteristische Messdaten (z. B. Breitenprofile)? Folie Nr. 25
26 Vielen Dank für Ihre Aufmerksamkeit! Rent a Prof!
Multivariate Verfahren
Multivariate Verfahren Lineare Regression Zweck: Vorhersage x Dimensionsreduktion x x Klassifizierung x x Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eigenschaften:
MehrÜbungen mit dem Applet Interpolationspolynome
Interpolationspolynome 1 Übungen mit dem Applet Interpolationspolynome 1 Ziele des Applets... 2 2 Übungen mit dem Applet... 2 2.1 Punkte... 3 2.2 y=sin(x)... 3 2.3 y=exp(x)... 4 2.4 y=x 4 x 3 +2x 2 +x...
MehrDomain-independent. independent Duplicate Detection. Vortrag von Marko Pilop & Jens Kleine. SE Data Cleansing
SE Data Cleansing Domain-independent independent Duplicate Detection Vortrag von Marko Pilop & Jens Kleine http://www.informatik.hu-berlin.de/~pilop/didd.pdf {pilop jkleine}@informatik.hu-berlin.de 1.0
MehrBreaking a Cryptosystem using Power Analysis
Breaking a Cryptosystem using Power Analysis Clemens Hammacher clemens@stud.uni-saarland.de Proseminar The Magic of Cryptography, 2007 Motivation Motivation Klartext Ciphertext Motivation Motivation Klartext
MehrInhalt. 1. Einführung in die Informatik. 2. Algorithmen Definition, Eigenschaften, Entwurf Darstellung von Algorithmen Beispiele.
1. Einführung in die Informatik Inhalt 2. Algorithmen Definition, Eigenschaften, Entwurf Darstellung von Algorithmen Beispiele Peter Sobe 1 Einführende Beispiele 2. Algorithmen Täglich werden Verarbeitungsvorschriften
Mehr1 Messfehler. 1.1 Systematischer Fehler. 1.2 Statistische Fehler
1 Messfehler Jede Messung ist ungenau, hat einen Fehler. Wenn Sie zum Beispiel die Schwingungsdauer eines Pendels messen, werden Sie - trotz gleicher experimenteller Anordnungen - unterschiedliche Messwerte
MehrInformatik 1. Teil 1 - Wintersemester 2012/2013. Prof. Dr.-Ing. habil. Peter Sobe Fachkultät Informatik / Mathematik
Informatik 1 Teil 1 - Wintersemester 2012/2013 Prof. Dr.-Ing. habil. Peter Sobe Fachkultät Informatik / Mathematik Dieser Foliensatz wurde z.t. von Herrn Prof. Grossmann übernommen 0. Rechner und Programmierung
MehrLeistungsfähigkeit von Lokalisierungsverfahren im WLAN
Leistungsfähigkeit von Lokalisierungsverfahren im WLAN Gliederung 1. Motivation 2. Möglichkeiten und Probleme WLAN Positionsbestimmung 3. Vorgehen a. Testumgebung b. Gerätschaften und Messungen c. Location
MehrAlignment-Verfahren zum Vergleich biologischer Sequenzen
zum Vergleich biologischer Sequenzen Hans-Joachim Böckenhauer Dennis Komm Volkshochschule Zürich. April Ein biologisches Problem Fragestellung Finde eine Methode zum Vergleich von DNA-Molekülen oder Proteinen
MehrInformatik. Teil 1 Wintersemester 2011/2012. Prof. Dr.-Ing. habil. Peter Sobe Fachkultät Informatik / Mathematik
Informatik Teil 1 Wintersemester 2011/2012 Prof. Dr.-Ing. habil. Peter Sobe Fachkultät Informatik / Mathematik Dieser Foliensatz wurde z.t. von Herrn Prof. Grossmann übernommen Inhalt 1. Algorithmen -
MehrVerarbeitung von Messdaten
HTL Steyr Verarbeitung von Messdaten Seite von 8 Bernhard Nietrost, HTL Steyr Verarbeitung von Messdaten Mathematische / Fachliche Inhalte in Stichworten: Regression, Polynominterpolation, Extremwertberechnung,
MehrUE Algorithmen und Datenstrukturen 1 UE Praktische Informatik 1. Übung 2. Spezifikation Schrittweise Verfeinerung
UE Algorithmen und Datenstrukturen 1 UE Praktische Informatik 1 Übung 2 Spezifikation Schrittweise Verfeinerung Institut für Pervasive Computing Johannes Kepler Universität Linz Altenberger Straße 69,
MehrMusterlösung zum Übungsblatt Interpolation nach Newton, Nevill, Lagrange.
Angewandte Mathematik Ing.-Wiss., HTWdS Dipl.-Math. Dm. Ovrutskiy Musterlösung zum Übungsblatt Interpolation nach Newton, Nevill, Lagrange. Aufgabe 1 Approximieren Sie cos(x) auf [ /, /] an drei Stützstellen
MehrDatenbanken Unit 3: Das relationale Modell
Datenbanken Unit 3: Das relationale Modell 8. III. 2016 Outline 1 Das ER Modell Zusammenfassung 2 Das Relationale Modell 3 SQL Organisatorisches Wissensüberprüfung: heute zwei Aufgaben statt nur einer
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
MehrErweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells
Erweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells Sebastian Wildfeuer Parameteridentifikation > 23. September 2008 > Folie 1 Themenübersicht Ausgangssituation,
MehrProjekt Systementwicklung
Projekt Systementwicklung Effiziente Codierung: Laufzeitoptimierung Prof. Dr. Nikolaus Wulff Effiziente Codierung Der Wunsch effizienten Code zu schreiben entstammt mehreren Quellen: Zielplattformen mit
MehrEntwicklung eines Werkzeugs zur Visualisierung der SWD/GND. Dr.-Ing. Jan F. Maas Hildesheim, den 1. August 2012
Entwicklung eines Werkzeugs zur Visualisierung der SWD/GND Dr.-Ing. Jan F. Maas Hildesheim, den 1. August 2012 Übersicht Überblick 1. Motivation für die Visualisierung SWD/GND 2. Eigenschaften / Programmdemonstration
MehrV2-2-4 Polynom vom Grad 3
2.4 Polynom vom Grad 3 Titel V2-2-4 Polynom vom Grad 3 Version Mai 20 Themenbereich Von der Sekanten- zur Tangentensteigung Themen Verfeinerung der Intervalle zur Bestimmung der Steigung an mehreren Punkten
MehrSegmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden
Segmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden Ingo Neumann, Jens-André Paffenholz und Nico Lindenthal GEODÄTISCHES INSTITUT HANNOVER Session: Laserscanning
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrWas bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone
Was bisher geschah Motivation, Beispiele geometrische Objekte im R 2 : Punkt, Gerade, Halbebene, Strecke, Polygon, ebene Zerlegung in Regionen (planare Graphen) maschinelle Repräsentation geometrischer
MehrImproving the Accuracy of GPS
Improving the Accuracy of GPS Stephan Kopf, Thomas King, Wolfgang Effelsberg Lehrstuhl für Praktische Informatik IV Universität Mannheim Gliederung Motivation ierungsfehler von GPS Steigerung der Genauigkeit
MehrAufstellen einer Funktionsgleichung nach vorgegebenen Eigenschaften
Aufstellen einer Funktionsgleichung nach vorgegebenen Eigenschaften Aufgabe 1 Ein Polynom 3. Grades hat eine Nullstelle bei x 0 = 0 und einen Wendepunkt bei x w = 1. Die Gleichung der Wendetangente lautet
MehrSeminar. Visual Computing. Poisson Surface Reconstruction. Peter Hagemann Andreas Meyer. Peter Eisert: Visual Computing SS 11.
Poisson Surface Reconstruction Peter Hagemann Andreas Meyer Seminar 1 Peter Eisert: SS 11 Motivation Zur 3D Darstellung von Objekten werden meist Scan-Daten erstellt Erstellung eines Dreieckmodells aus
MehrNeuronalen Netzen. Jens Lehmann. 1. März Institut für Künstliche Intelligenz Fakultät Informatik Technische Universität Dresden
Institut für Künstliche Intelligenz Fakultät Informatik Technische Universität Dresden 1. März 2005 Neurosymbolische Integration versucht künstliche neuronale Netze und Logikprogrammierung zu vereinen
Mehr5. Clusteranalyse. Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer Clusterstruktur kennen, verschiedene
MehrSEMACODE: Semantische Kodierung von Bildern
SEMACODE: Semantische Kodierung von Bildern Situation: hohes Aufkommen digitaler Bilddaten Verknüpfung multimedialer Daten (Text, Bilder, Sprache ) Problem: automatische inhaltliche Charakterisierung von
MehrAufstellen einer Funktionsgleichung nach vorgegebenen Eigenschaften
Aufstellen einer Funktionsgleichung nach vorgegebenen Eigenschaften W. Kippels 10. April 2016 Inhaltsverzeichnis 1 Grundlagen 2 1.1 Prinzipielle Vorgehensweise.......................... 2 1.2 Lösungsrezepte................................
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 3, Donnerstag 6.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 3, Donnerstag 6. November 2014 (O-Notation, Theta, Omega) Junior-Prof. Dr. Olaf Ronneberger
Mehr5. Clusteranalyse Vorbemerkungen. 5. Clusteranalyse. Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Vorbemerkungen 5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer
MehrKapitel 4: Netzplantechnik Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Netzplantechnik 5. Minimal spannende Bäume 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
MehrTopologieerkennung von Sensornetzwerken
looz@ira.uka.de Institut für Theoretische Informatik - Algorithmik I 26. Januar 2010 Übersicht Motivation Definitionen Überlegungen Algorithmus Resultate Motivation Definitionen Überlegungen Algorithmus
Mehr1 Karol stellt sich vor
Kapitel 1 Karol stell sich vor Seite 1 1 Karol stellt sich vor 1.1 Algorithmus Fritz hat zum Geburtstag einen CD-Player als Geschenk erhalten. Natürlich will er sofort das Geschenk ausprobieren und legt
MehrAlgorithmen und Datenstrukturen ITS(B)-B 2016
Einführung Was ist (die) Informatik? Die Informatik und ihre Geschichte sowie ihre Abgrenzung von anderen Wissenschaften darzulegen gestaltet sich nicht ganz einfach (siehe dazu unter vielen Anderen ((GI)
MehrAlgorithmische Bioinformatik 1
Algorithmische Bioinformatik 1 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Paarweises
MehrBestimmung ganzrationaler Funktionen
Bestimmung ganzrationaler Funktionen 30 0 0-50 -40-30 -0-0 0 0 30 40 50 x. Eine Brücke ist 30 m hoch und hat eine Spannweite von 00 m. Welche Parabel beschreibt die Krümmung des Stützbogens? Wir führen
MehrInnovationslabor Semantische Integration von Webdaten
Innovationslabor Semantische Integration von Webdaten Workflow-basierte Datenintegration und Objekt-Matching Dr. Andreas Thor http://dbs.uni-leipzig.de/format Workflow-basierte Datenintegration Ausgangspunkt
MehrVon Smart-Meter-Daten zum Netzlastgang. 10. Internationale Energiewirtschaftstagung Wien,
Von Smart-Meter-Daten zum Netzlastgang 10. Internationale Energiewirtschaftstagung Wien, 15.02.2017 1 Agenda 1 Motivation 2 Methodik 3 Exemplarische Ergebnisse 4 Schlussfolgerungen 2 SIMULATION Motivation:
MehrKapitel 5: Dynamisches Programmieren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
Mehr9. Heuristische Suche
9. Heuristische Suche Prof. Dr. Rudolf Kruse University of Magdeburg Faculty of Computer Science Magdeburg, Germany rudolf.kruse@cs.uni-magdeburg.de S Heuristische Suche Idee: Wir nutzen eine (heuristische)
MehrGrundlagen der Programmierung
Grundlagen der Programmierung Algorithmen und Datenstrukturen Die Inhalte der Vorlesung wurden primär auf Basis der angegebenen Literatur erstellt. Darüber hinaus sind viele Teile direkt aus der Vorlesung
MehrQuadratische Funktion - Übungen
Quadratische Funktion - Übungen 1a) "Verständnisfragen" zu "Scheitel und Allgemeine Form" - mit Tipps. Teilweise: Trotz der Tipps nicht immer einfach! Wir haben die Formeln: Allgemeine Form: y = a x 2
MehrIdeen und Konzepte der Informatik. Programme und Algorithmen Kurt Mehlhorn
Ideen und Konzepte der Informatik Programme und Algorithmen Kurt Mehlhorn November 2016 Algorithmen und Programme Algorithmus = Schritt-für-Schritt Vorschrift zur Lösung eines Problems. Formuliert man
MehrIsomorphie von Bäumen
Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................
MehrMethoden zur Cluster - Analyse
Kapitel 4 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
MehrÜberblick. 1 Vorbemerkungen. 2 Algorithmen. 3 Eigenschaften von Algorithmen. 4 Historischer Überblick. Einführung
Teil I Einführung Überblick 1 Vorbemerkungen 2 Algorithmen 3 4 Historischer Überblick Prof. G. Stumme Algorithmen & Datenstrukturen Sommersemester 2009 1 1 Vorbemerkungen Was ist Informatik? Informatik
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
MehrProzess-Daten-Erfassung
Alles erfasst? Daten intelligent nutzen! Daten intelligent nutzen! iba-tag 2011 Fürth 13.05.2011 Robert Krumbach Measurement and Automation Systems Mai 2010 V 1.0_de Field bus -Profibus -CAN-Bus -DeviceNet
MehrEin Kartentrick und etwas Codierungstheorie
Ein Kartentrick und etwas Codierungstheorie Martin Hofmann 15. April 2014 Kartentrick Diese Folie wurde nicht gezeigt. Zu Beginn wird ein Kartentrick aus Computer Science Unplugged von Witten und Fellows
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
Mehrvorbereitet von: Oleg Obitov, betreut von: Prof. Dr.-Ing. Klaus Solbach externer Betreuer: Dipl.-Ing. Lars Koch
Vortrag über Bachelorarbeit zum Thema: Technische Prozessoptimierung in der entwicklungsbegleitenden Tunererprobung auf Basis eines HF- Record-Playback-Systems vorbereitet von: Oleg Obitov, 2227482 betreut
Mehr24.1 Überblick. 24.2 Beispiele. A. Bestimmen einer ganzrationalen Funktion. 24. Interpolation mit Ableitungen
4. Interpolation mit Ableitungen 4. Interpolation mit Ableitungen 4.1 Überblick Die Interpolationsaufgabe haben wir bereits in Kapitel 7 (Band Analysis 1) untersucht. Als Auffrischung: Zu n vorgegebenen
MehrStatistik II für Betriebswirte Vorlesung 12
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die
MehrBinäre Suchbäume (binary search trees, kurz: bst)
Binäre Suchbäume (binary search trees, kurz: bst) Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binärbaum T mit n := M Knoten Jeder Knoten v von T ist mit einer Zahl m v M markiert.
MehrDie Mathematik in der CD
Lehrstuhl D für Mathematik RWTH Aachen Lehrstuhl D für Mathematik RWTH Aachen St.-Michael-Gymnasium Monschau 14. 09. 2006 Codes: Definition und Aufgaben Ein Code ist eine künstliche Sprache zum Speichern
MehrInfovorkurs, Teil II: Theoretische Informatik. Motivation. Turing-Maschine. Programmiersprachen
Infovorkurs, Teil 08.10.2015 Webseite Mittlerweile gibt es die Folien und die Übungen online. Außerdem die Ergebnisse der Umfrage! Ich empfehle auch die Links. www.geile-hirnbude.de/vorkurs Rückblick Haben
Mehr- Gewinnung neuer Informationen durch Berechnungen - Einsatz graphischer Mittel zur Präsentation / Visualisierung von Datenreihen
Informatik Datenbank/Datenmodell 1 Übersicht Standardsoftware Textverarbeitung - Informationen "gestalten/darstellen" durch * sprachliche Mittel * Hervorhebung bzw. Unterdrückung von Inhalten * Kombination
MehrBerechnung von W für die Elementarereignisse einer Zufallsgröße
R. Albers, M. Yanik Skript zur Vorlesung Stochastik (lementarmathematik) 5. Zufallsvariablen Bei Zufallsvariablen geht es darum, ein xperiment durchzuführen und dem entstandenen rgebnis eine Zahl zuzuordnen.
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Landmarkenbasierte anhand anatomischer Punkte interaktiv algorithmisch z.b. zur Navigation im OP Markierung von
MehrIntelligenz in Datenbanken. Dr. Stefan Freundt Star512 Datenbank GmbH. star512 datenbank gmbh
Intelligenz in Datenbanken Dr. Stefan Freundt Star512 Datenbank GmbH Einleitung Definition von Business! Definition von Intelligenz? Künstliche Intelligenz: Motivation Schach erfordert Intelligenz ==>
MehrInformationstheorie als quantitative Methode in der Dialektometrie
Informationstheorie als quantitative Methode in der Dialektometrie 1 Informationstheorie als quantitative Methode in der Dialektometrie Informationstheorie als quantitative Methode in der Dialektometrie
MehrProf. Dr. A. Holl, Grundlagen Datenbanken Übungen Seite 1
Prof. Dr. A. Holl, Grundlagen Datenbanken Übungen Seite 1 Die Bearbeitung aller Übungsaufgaben, die mit diesem Formblatt nachgewiesen wird, ist Voraussetzung für die Zulassung zur Prüfung. Abgabetermin:
MehrPräzision in der Analytik Ein unentbehrlicher Teil der Methodenvalidierung
Abacus Validation Systems Präzision in der Analytik Ein unentbehrlicher Teil der Methodenvalidierung Joachim Pum, MMed (Univ. Pretoria) 2008 Definition Präzision ist das Maß für die Streuung von Analysenergebnissen
MehrAlgorithmus zur komprimierten Übertragung von Textdaten an mobile Endgeräte
Fachhochschule Wedel Seminararbeit Algorithmus zur komprimierten Übertragung von Textdaten an mobile Endgeräte Sven Reinck 7. Januar 2007 Inhaltsverzeichnis Inhaltsverzeichnis Motivation 2 Wörterbuch 2.
Mehr13. Funktionen in einer Variablen
13. Funktionen in einer Variablen Definition. Seien X, Y Mengen. Eine Funktion f : X Y ist eine Vorschrift, wo jedem Element der Menge X eindeutig ein Element von Y zugeordnet wird. Wir betrachten hier
Mehr5. Statistische Auswertung
5. Statistische Auswertung 5.1 Varianzanalyse Die Daten der vorliegenden Versuchsreihe zeigen eine links steile, rechts schiefe Verteilung. Es wird untersucht, ob sich die Meßdaten durch Transformation
MehrProf. Dr. Uwe Schmidt. 12. August Aufgaben zur Klausur Softwaredesign im SS 2014 (BInf v310, BMInf v300, BWInf v310, BWInf- 23)
Prof. Dr. Uwe Schmidt 12. August 2014 Aufgaben zur Klausur Softwaredesign im SS 2014 (BInf v310, BMInf v300, BWInf v310, BWInf- 23) Zeit: 90 Minuten erlaubte Hilfsmittel: keine Bitte tragen Sie Ihre Antworten
MehrCarlos Santos. Fachbereich Informatik Fakultät für Mathematik, Informatik und Naturwissenschaften. Universität Hamburg
Universität Hamburg Proseminar: Werkzeuge für das wissenschaftliche Schreiben Fachbereich Informatik Fakultät für Mathematik, Informatik und Naturwissenschaften Überblick Einführung - Geschichte Einstellungen
MehrCODIERUNGSTHEORIE KURS ZELL AN DER PRAM, FEBRUAR 2005
CODIERUNGSTHEORIE KURS ZELL AN DER PRAM, FEBRUAR 2005 1. Das Problem 1.1. Kanalcodierung und Fehlerkorrektur. Wir wollen eine Nachricht über einen digitalen Kanal, der nur 0 oder 1 übertragen kann, schicken.
MehrDynamisches Huffman-Verfahren
Dynamisches Huffman-Verfahren - Adaptive Huffman Coding - von Michael Brückner 1. Einleitung 2. Der Huffman-Algorithmus 3. Übergang zu einem dynamischen Verfahren 4. Der FGK-Algorithmus 5. Überblick über
MehrTrendlinien. Können die Messwerte mit einer linearen Funktion beschrieben werden?
Trendlinien Können die Messwerte mit einer linearen Funktion beschrieben werden? Motorradfahrt Auf einer Versuchsanlage für Motorräder wird ein neuer Motor ausprobiert. Jede Sekunde werden die zurückgelegte
MehrEntwicklung und Implementierung von
Verteidigung der Diplomarbeit: Entwicklung und Implementierung von Michael Rentzsch Technische Universität Chemnitz Professur Datenverwaltungssysteme 20. Oktober 2005 Inhaltsübersicht 1 2 3 4 5 6 Bedeutung
MehrInverted Files for Text Search Engines
Inverted Files for Text Search Engines Justin Zobel, Alistair Moffat PG 520 Intelligence Service Emel Günal 1 Inhalt Einführung Index - Inverted Files - Indexkonstruktion - Indexverwaltung Optimierung
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Abteilung für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Abteilung für Algorithmen und Datenstrukturen 186.114 Algorithmen und Datenstrukturen 1 UE 2.0 186.099 Programmiertechnik und theoretische
MehrAlgorithmische Anwendungen WS 2005/2006
Algorithmische Anwendungen WS 2005/2006 Sequenzalignment Gruppe F_lila_Ala0506 Allal Kharaz Yassine ELassad Inhaltsverzeichnis 1 Problemstellungen...................................... 3 1.1 Rechtschreibkorrektur...............................
MehrDie Digitalisierung von Musik
Die Digitalisierung von Musik 1 Analoges Speichern Speicherung von Musik auf einer LP Die Daten sind analog gespeichert Analysis 2 Digitale Datenerfassung 1.Sampling Das (akustische) elektrische Signal
Mehr4: Algebraische Strukturen / Gruppen
Stefan Lucks Diskrete Strukturen (WS 2009/10) 120 4: Algebraische Strukturen / Gruppen Definition 46 Sei G eine nichtleere Menge. Eine Funktion : G G G bezeichnen wir als Verknüpfung auf G. Das Paar (G,
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dipl.-Math. Dipl.-Inf. Jürgen Bräckle Dr.-Ing. Markus
MehrData Mining und Maschinelles Lernen Wintersemester 2015/2016 Lösungsvorschlag für das 3. Übungsblatt
Data Mining und Maschinelles Lernen Wintersemester 2015/2016 Lösungsvorschlag für das 3. Übungsblatt 18. November 2015 1 Aufgabe 1: Version Space, Generalisierung und Spezialisierung (1) Gegeben sei folgende
MehrSmartEdit made easy. Dipl.-Inform. Ulrich Weiß. Steinbuch Centre for Computing (SCC)
SmartEdit made easy Dipl.-Inform. Ulrich Weiß Steinbuch Centre for Computing (SCC) und Universität Karlsruhe (TH) www.scc.kit.edu Karlsruhe Institute of Technology Zusammenschluss Universität Karlsruhe
MehrZahl und Funktion Grundlagen der Analysis aus der Sek I. Oliver Passon Seminar zur Didaktik der Analysis
Grundlagen der Analysis aus der Sek I Seminar zur Didaktik der Analysis Quellen Lehrpläne und Richtlinien des Landes NRW für Gymnasien und Gesamtschulen Lambacher Schweizer: Mathematik für Gymnasien, Klett
MehrEntwicklung eines Map-Matching- Algorithmus zur Ortung von Fahrzeugen in Stadtgebieten
11. Vermessungsingenieurtag - Ein Map-Matching-Algorithmus Entwicklung eines Map-Matching- Algorithmus zur Ortung von Fahrzeugen in Stadtgebieten Prof. Dr. Paul Rawiel HFT Stuttgart auf Basis der Bachelor-Arbeit
Mehr1. Woche Einführung in die Codierungstheorie, Definition Codes, Präfixcode, kompakte Codes
1 Woche Einführung in die Codierungstheorie, Definition Codes, Präfixcode, kompakte Codes 1 Woche: Einführung in die Codierungstheorie, Definition Codes, Präfixcode, kompakte Codes 5/ 44 Unser Modell Shannon
MehrProbabilistische Primzahltests
23.01.2006 Motivation und Überblick Grundsätzliches Vorgehen Motivation und Überblick Als Primzahltest bezeichnet man ein mathematisches Verfahren, mit dem ermittelt wird, ob eine gegebene Zahl eine Primzahl
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Clustering: Partitioniere Objektmenge in Gruppen(Cluster), so dass sich Objekte in einer Gruppe ähnlich sind und Objekte
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Dipl. Inform. Andreas Wilkens aw@awilkens.com Überblick Grundlagen Definitionen Eigene Entwicklungen Datenstrukturen Elementare Datentypen Abstrakte Datentypen Elementare
MehrEDV-Anwendungen im Archivwesen II
EDV-Anwendungen im Archivwesen II 070472 UE WS08/09 Grundlagen der Digitalisierung Überblick Allgemeine Grundlagen der Digitalisierung anhand der Ton-Digitalisierung Abtastrate (Samplerate) Wortlänge (Bitrate)
MehrAlgorithmen für schwierige Probleme
Algorithmen für schwierige Probleme Britta Dorn Wintersemester 2011/12 30. November 2011 Wiederholung Baumzerlegung G = (V, E) Eine Baumzerlegung von G ist ein Paar {X i i V T }, T, wobei T Baum mit Knotenmenge
MehrProjekt 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
MehrFUNKTIONEN. ein Leitprogramm für die Berufsmaturität
FUNKTIONEN ein Leitprogramm für die Berufsmaturität von Johann Berger 2000 Inhaltsverzeichnis Einleitung 3 Arbeitsanleitung 3 1 Der Funktionsbegriff 3 2 Lineare 6 3 Quadratische 10 EINLEITUNG Dieses Leitprogramm
Mehr7. Sortieren Lernziele. 7. Sortieren
7. Sortieren Lernziele 7. Sortieren Lernziele: Die wichtigsten Sortierverfahren kennen und einsetzen können, Aufwand und weitere Eigenschaften der Sortierverfahren kennen, das Problemlösungsparadigma Teile-und-herrsche
Mehr- - CodE 11 CodE 0 0 0 0 0 0 0 0 2.o C 1 10.0 C 2 off 3 3.0 4 2.0 5 off 6 1 8 20.0 9 60 C 7 4.0 10 80 C 1 38 C 12 8 k 13 on 14 30.0 15 10 16 - - CodE 11 CodE 0 0 0 0 0 0 0 0 2.o C 1 10.0 C 2
MehrEinführung in die Fehlerrechnung und Messdatenauswertung
Grundpraktikum der Physik Einführung in die Fehlerrechnung und Messdatenauswertung Wolfgang Limmer Institut für Halbleiterphysik 1 Fehlerrechnung 1.1 Motivation Bei einem Experiment soll der Wert einer
MehrNichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung
MehrSOA verspielt - rekursive BPEL Prozesse
SOA verspielt - rekursive BPEL Prozesse Guido Neander MT AG Ratingen Schlüsselworte SOA, BPEL, rekursive Programmierung, Development, Deployment Einleitung Bei komplexen Problemstellungen (z. B. Aufgaben
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Dr. Ralf Möller Universität zu Lübeck Institut für Informationssysteme Stefan Werner (Übungen) sowie viele Tutoren Teilnehmerkreis und Voraussetzungen Studiengänge
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
Mehr