Multivariate Pattern Analysis. Jan Mehnert, Christoph Korn
|
|
- Julia Adenauer
- vor 6 Jahren
- Abrufe
Transkript
1 Multivariate Pattern Analysis Jan Mehnert, Christoph Korn
2 Übersicht 1. Motivation 2. Features 3. Klassifizierung 4. Statistik 5. Annahmen & Design 6. Similarity 7. Beispiel
3 Grenzen & Probleme der klassischen GLM-Analyse sehr viele Voxel -> schwierig für Statistik (fast) nur lineare Zusammenhänge werden analysiert -> kann eigentliche Zusammenhänge verdecken starres Modell der Hämodynamik -> aber: neurovaskuläre Kopplung ist in verschiedenen Regionen/Personen unterschiedlich
4 Warum MVPA? Multivariate Pattern Analysis erlaubt nicht-lineare und multivariate Analysen nicht-linear bedeutet: multivariat bedeutet: Output ist nicht proportional zum Input mehr als eine abhängige Variable Bsp: Die Aktivität eines Voxel ist logarithmisch abhängig von einem anderen. Bsp: nur wenn eine Region aktiv ist, spielt eine weitere eine Rolle.
5 Beispiel: visuelle Entscheidungen univariat multivariat Li 2016, Neuron Probanden lernen visuelle Stimuli zu sortieren. -> erst durch die kombinierte Analyse mehrere Voxel werden die beteiligten Areale sichtbar -> Die Analyse wird sensitiver
6 Wie funktioniert Multivariate Pattern Analysis? Information mehrerer Voxel wird kombiniert Feature 1 Feature 2 Feature 3 Voxel 1 Voxel 2 Voxel 1 Voxel 2 * n.s. A B A B A B Bedingung A Bedingung B n.s.
7 Autor FEATURES
8 Was sind Features? Bei der MVPA werden Features kombiniert. Features können sein: Aktivierung einzelner Voxel, Betas aus dem 1st level GLM, Zeitverläufe in den Voxel, Korrelationskoeffizienten, Verhaltensdaten, usw.
9 Ergebnis Art Art der Analyse Wholebrain Region of Interest Searchlight Ein Wert pro Gehirn Ein Wert pro ROI Ein Wert pro Searchlight, d.h. eine Karte an Werten
10 Autor KLASSIFIZIERUNG
11 Voxel 1 Voxel 1 Klassifizierung Linear Discriminant Analysis? Support Vector Machine? Klassen/ Bedingungen Haus Gesicht Voxel 2 Berücksichtigt Korrelationen Voxel 2 Maximiert Margin (Abstand zwischen nächsten Punkten); auch nicht-linear Ziel: Vorhersage zu welcher Klasse/Bedingung ein Messpunkt gehört.
12 Voxel 1 Voxel 1 Voxel 1 Overfitting vs. Underfitting Voxel 2 Voxel 2 Voxel 2 Overfitting Underfitting guter Fit Ziel: Bestmögliche Generalisierung auf neue Daten
13 Autor STATISTIK
14 Voxel 1 Voxel 1 Kreuzvalidierung Validierung durch unabhängige Daten Unterteilung in Trainingsdaten und Testdaten und Bestimmung Vorhersagegüte der Testdaten Train Test 80% korrekt Voxel 2 Voxel 2
15 Kreuzvalidierung Die Analyse wird für alle möglichen Testdaten wiederholt.
16 Permutationstest Die Labels werden vertauscht und mit der Verteilung der echten Labels verglichen.
17 Autor ANNAHMEN & DESIGN
18 Annahmen & Design Annahmen - Verteiltes Muster an Aktivierungen über Voxel - Decodierungs-Ansatz Design - Möglichkeiten zur Klassifikation notwendig - genügend Wiederholungen von mehreren Blöcken (Trials) für Training- und Test-Daten - Vorsicht bei Reihenfolgeneffekten (z.b. Lernparadigmen) - (zeitliche) Autokorrelation ist ein Problem - Veränderungen bei Vorverarbeitung (v.a. smoothing) - Meist kategoriale Unterscheidungen (aber neuere Methoden- Entwicklungen für faktorielle & parametrische Designs) Davis et al., 2014, NeuroImage
19 SIMILARITY
20 Similarity Kriegeskorte, Mur, Bandettini, 2008, Front System Neurosci Kriegeskorte, Kievit, 2013, Trends Cogn Sci Cichy, Pantazis, Oliva, 2014, Nat Neurosci
21 Similarity Kriegeskorte, Mur, Bandettini, 2008, Front System Neurosci Kriegeskorte, Kievit, 2013, Trends Cogn Sci Cichy, Pantazis, Oliva, 2014, Nat Neurosci
22 Similarity Cichy, Pantazis, Oliva, 2014, Nat Neurosci
23 Similarity Kombination von MEG und fmri Ziel: Hohe räumliche und zeitliche Auflösung Cichy 2016, Cerebral Cortex
24 Autor BEISPIELE
25 Anwendungsmöglichkeiten 1. Vorhandensein von Information Beispiel: Kann man aufgrund der Hirnaktivierung sagen, dass jemand eine Tat begangen hat? (Tatwissen-Test) Reconstructed Pattern Peth, Sommer, Hebart, Vossel, Büchel, & Gamer (2015) Neuroimage
26 Anwendungsmöglichkeiten 2. Lokalisierung von Information Beispiel: Wo im Gehirn werden Emotionen modalitätsunabhängig repräsentiert? Peelen et al. (2010) J Neurosci
27 Anwendungsmöglichkeiten 3. Zeitlicher Verlauf von Information Beispiel: Findet man Information über die Entscheidung eines Menschen, bevor dieser sich seiner Entscheidung bewusst ist? Soon et al. (2008) Nat Neurosci
28 Toolboxen Princeton MVPA-Toolbox (Norman & Co) Vorteile: Viele Möglichkeiten, viele Classifier implementiert Nachteile: Erweiterung benötigt Programmierkenntnisse, Princeton MVPA wird nicht mehr upgedatet PyMVPA (Norman, Hanke & Co) Vorteile: Vielseitigstes Instrument, keine Matlablizenz nötig (da Python), aktives Forum Nachteile: Viel Programmiererfahrung, um diese Vielseitigkeit zu nutzen, SPM benutzt Matlab PRoNTo (Mourao-Miranda & Co) Vorteile: Leichter Einstieg auch für Anfänger durch GUI, SPM-Interface Nachteile: Kein Searchlight, rudimentäre Feature Selection, TDT (The Decoding Toolbox) (Hebart, Görgen, Haynes) Vorteile: SPM-Schnittstelle, einfach zu programmieren, einfach zu erweitern, schnell Nachteile: aktuell limitiert auf SPM, Matlablizenz nötig
29 Dangö!!
Vorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches
MehrExperimentelles Design
Experimentelles Design SPM-Kurs 2016 Christoph Korn c.korn@uke.de Jan Mehnert j.mehnert@uke.de Ziele und Übersicht Verschiedene Arten von Designs und deren Grundlagen Faktorielle Designs Parametrische
MehrSupport 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
MehrExperimentelles Design funktioneller Bildgebungsstudien
Experimentelles Design funktioneller Bildgebungsstudien Matthias Gamer Institut für Systemische Neurowissenschaften Universitätsklinikum Hamburg-Eppendorf Übersicht Design funktioneller Aktivierungsstudien
MehrSitzung 3: Das handelnde Gehirn
Sitzung 3: Das handelnde Gehirn 2./3.11. 2015 Irgendwelche Fragen?? 1 Ziele der heutigen Sitzung 1. Wiederholung Methoden 2. Wie trägt der Frontalkortex zu Handlungen bei? 3. Was macht uns zu (bewußten)
MehrRidge Regression und Kernalized Support Vector Machines : Einführung und Vergleich an einem Anwendungsbeispiel
Ridge Regression und Kernalized Support Vector Machines : Einführung und Vergleich an einem Anwendungsbeispiel Dr. Dominik Grimm Probelehrveranstaltung Fakultät für Informatik und Mathematik Hochschule
MehrOne-class Support Vector Machines
One-class Support Vector Machines Seminar Wissensbasierte Systeme Dietrich Derksen 3. Januar 204 Motivation One-class Support Vector Machines: Detektion von Ausreißern (Systemfehlererkennung) Klassifikation
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
MehrPersonenerkennung. Harald Hauptseminarpräsentation. Harald Kirschenmann. Department Informatik. Department Informatik.
Harald Hauptseminarpräsentation Kirschenmann Personenerkennung 1 Inhaltsübersicht Motivation Grundlagen Benchmark Eigene Gesichtserkennung 2 Motivation Baustein einer Microservice Architektur Personenerkennung
MehrEinführung 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
MehrMotivation. Klassifikationsverfahren sagen ein abhängiges nominales Merkmal anhand einem oder mehrerer unabhängiger metrischer Merkmale voraus
3. Klassifikation Motivation Klassifikationsverfahren sagen ein abhängiges nominales Merkmal anhand einem oder mehrerer unabhängiger metrischer Merkmale voraus Beispiel: Bestimme die Herkunft eines Autos
MehrEntwicklung chemometrischer Methoden fur die Klassifikation von Bakterien mittels Mikro-Raman-Spektroskopie
Entwicklung chemometrischer Methoden fur die Klassifikation von Bakterien mittels Mikro-Raman-Spektroskopie Von der Fakultat fur Lebenswissenschaften der Technischen Universitat Carolo-Wilhelmina zu Braunschweig
MehrFeature Selection / Preprocessing
1 Feature Selection / Preprocessing 2 Was ist Feature Selection? 3 Warum Feature Selection? Mehr Variablen führen nicht automatisch zu besseren Ergebnissen. Lernen von unwichtigen Daten Mehr Daten notwendig
MehrÜbersicht. Definition Daten Problemklassen Fehlerfunktionen
Übersicht 1 Maschinelle Lernverfahren Definition Daten Problemklassen Fehlerfunktionen 2 Entwickeln von maschinellen Lernverfahren Aufteilung der Daten Underfitting und Overfitting Erkennen Regularisierung
Mehrsimple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall
Regression Korrelation simple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall Zusammenhänge zw. Variablen Betrachtet man mehr als eine Variable, so besteht immer auch
MehrLineare Diskriminanzanalyse Ein sehr kurzer Einblick
Ein sehr kurzer Einblick 1 Beispiele 2 Grundgedanken der DA 3 Diskriminanzkriterium 4 Schätzung der Diskriminanzfunktion 5 Teststatistiken 6 Klassifizierung 7 Schätzung der Klassifikationsfehler Literatur:
MehrVergleich uni- und multivariater Auswertungsstrategien für fmrt-daten
Vergleich uni- und multivariater Auswertungsstrategien für fmrt-daten D. Adolf, M. Hollmann, J. Bernarding, S. Kropf Institut für Biometrie und Medizinische Informatik der Otto-von-Guericke-Universität
MehrInhalt. 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
MehrNutzung 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
MehrLineare Regression 2: Gute Vorhersagen
Lineare Regression 2: Gute Vorhersagen Markus Kalisch 23.09.2014 1 Big Picture: Statistisches Lernen Supervised Learning (X,Y) Unsupervised Learning X VL 7, 11, 12 Regression Y kontinuierlich VL 1, 2,
MehrStatistische Methoden in der Geographie
Statistische Methoden in der Geographie Band 2.; Multivariate Statistik Von Dr. rer. nat. Gerhard Bahrenberg Professor an der Universität Bremen Dr. rer. nat. Ernst Giese Professor an der Universität Gießen
MehrSTATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG
STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG Statistische Methoden In der vorliegenden fiktiven Musterstudie wurden X Patienten mit XY Syndrom (im folgenden: Gruppe XY) mit Y Patienten eines unauffälligem
MehrGeovisualisierung: Wie aus Daten Informationen werden. Doris Dransch Helmholtz Zentrum Potsdam Deutsches GeoForschungsZentrum (GFZ)
Geovisualisierung: Wie aus Daten Informationen werden Doris Dransch Helmholtz Zentrum Potsdam Deutsches GeoForschungsZentrum (GFZ) Agenda Situation in den Geowissenschaften Geovisualisierung und Visual
MehrVorstellung 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
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrNeurofeedback --- Train your brain
Seminar Brain-Machine Interfaces Neurofeedback --- Train your brain 1 18.11.2009 Biofeedback...bezeichnet eine Methode, bei der eine Person die bewusste Selbstkontrolle über bestimmte Funktionen seines
MehrEinfache lineare Regression. Statistik (Biol./Pharm./HST) FS 2015
Einfache lineare Regression Statistik (Biol./Pharm./HST) FS 2015 Wdh: Korrelation Big picture: Generalized Linear Models (GLMs) Bisher: Population wird mit einer Verteilung beschrieben Bsp: Medikament
MehrPrüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Zweifaktorielle Varianzanalyse 5 Multivariate Varianzanalyse 6 Varianzanalyse mit
MehrKNP-3: Methoden der kognitiven Neuropsychologie II
KNP-3: Methoden der kognitiven Neuropsychologie II 1 04.05. Geschichte der kognitiven Neurowissenschaft (1) 2 11.05. Funktionelle Neuroanatomie (2) & (3) 3 18.05. Methoden der kognitiven Neurowissenschaft
MehrCompanion 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
MehrDen anderen verstehen - Einblicke ins soziale Gehirn. Kai Vogeley
Kai Vogeley Klinik und Poliklinik für Psychiatrie und Psychotherapie Uniklinik Köln Institut für Neurowissenschaften und Medizin Forschungszentrum Jülich Personen und Dinge Die beiden sozialen Systeme
MehrLeast Absolute Shrinkage And Seletion Operator (LASSO)
Least Absolute Shrinkage And Seletion Operator (LASSO) Peter von Rohr 20 März 2017 Lineare Modell und Least Squares Als Ausgangspunkt haben wir das Lineare Modell und Least Squares y = Xβ + ɛ (1) ˆβ =
MehrSigmaStat Nina Becker, Christoph. Rothenwöhrer. Copyright 2004 Systat Software, Inc.
SigmaStat 3.11 Copyright 2004 Systat Software, Inc. http://www.systat.com Nina Becker, Christoph Rothenwöhrer Die Aufgabe der Statistik ist die Zusammenfassung von Daten, deren Darstellung, Analyse und
MehrVorlesungsplan. 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,
MehrArtificial Intelligence. Was ist das? Was kann das?
Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords
MehrGleiche Daten, unterschiedliche Erkenntnisziele?
Gleiche Daten, unterschiedliche Erkenntnisziele? Zum Potential vermeintlich widersprüchlicher Zugänge zur Textanalyse Universität Hamburg Evelyn Gius Jan Christoph Meister Janina Jacke Marco Petris Universität
MehrVergleich von SVM und Regel- und Entscheidungsbaum-Lernern
Vergleich von SVM und Regel- und Entscheidungsbaum-Lernern Chahine Abid Bachelor Arbeit Betreuer: Prof. Johannes Fürnkranz Frederik Janssen 28. November 2013 Fachbereich Informatik Fachgebiet Knowledge
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Aufgaben der letzten Stunde Übersicht Neuronale Netze Motivation Perzeptron Multilayer
Mehr7. Sitzung. Kategoriale Wahrnehmung, McGurk-Effekt
K3.1 Phonetik und Phonologie II 7. Sitzung Kategoriale Wahrnehmung, McGurk-Effekt Hörfläche 2 Der stillste Raum der Welt Orfield Laboratories, USA 3 Wahrnehmung von Lautstärke Lautstärke wird in db (DeziBel)
MehrProf. Dr. Robert Gaschler. Biologische Grundlagen der Psychologie. kultur- und sozialwissenschaften
Prof. Dr. Robert Gaschler Biologische Grundlagen der Psychologie kultur- und sozialwissenschaften Das Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere das Recht der Vervielfältigung
MehrValidation 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
MehrStatistik 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
MehrUniverselles integriertes geophysikalisches Mess- und Auswerteinstrumentarium zur Charakterisierung von Problemzonen im Salinar
Universelles integriertes geophysikalisches Mess- und Auswerteinstrumentarium zur Charakterisierung von Problemzonen im Salinar Uni Leipzig, Institut für Geophysik und Geologie Projektkoordination Geoelektrik
MehrStatistik 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
MehrNeuronale Netzwerke: Feed-forward versus recurrent (d.h. feed-back )
Neuronale Netzwerke: Feed-forward versus recurrent (d.h. feed-back ) A: Schrittweise vorwärts-gerichtete Abbildung: Eingangssignal (Input) r in Ausgansgsignal (Output) r out Überwachtes Lernen (wie z.b.
MehrFunktionelles Neuroimaging im VS/MCS Kann man Bewusstsein sichtbar machen?
Jahrestagung 2008 der Österreichischen Wachkoma Gesellschaft 17. Oktober 2008, Wien Funktionelles Neuroimaging im VS/MCS Kann man Bewusstsein sichtbar machen? S.M. Golaszewski Univ.-Klinik für Neurologie
MehrStatistik II: Signifikanztests /2
Medien Institut : Signifikanztests /2 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Korrelation 2. Exkurs: Kausalität 3. Regressionsanalyse 4. Key Facts 2 I
MehrTestplanung zur statistischen Prüfung psychologischer Hypothesen
Testplanung zur statistischen Prüfung psychologischer Hypothesen Die Ableitung von Vorhersagen und die Kontrolle der Determinanten des statistischen Tests von Willi Hager Hogrefe Verlag für Psychologie
MehrMarina Sedinkina Folien von Benjamin Roth Planen (CIS LMU andmünchen) Evaluieren von Machine Learning Experimenten 1 / 38
Planen and Evaluieren von Machine Learning Eperimenten Marina Sedinkina Folien von Benjamin Roth CIS LMU München Evaluieren von Machine Learning Eperimenten 1 / 38 Übersicht 1 Entwickeln von maschinellen
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2009/2010 Musterlösung für das 1. Übungsblatt Aufgabe 1: Anwendungsszenario Überlegen Sie sich ein neues Szenario des klassifizierenden Lernens (kein
MehrCD-AUSGABE (Stand: 1999) HANDBUCH KURSPROGNOSE Quantitative Methoden im Asset Management von Thorsten Poddig 676 Seiten, Uhlenbruch Verlag, 1999 erstmals als Buch publiziert EUR 79,- inkl. MwSt. und Versand
MehrMemory Consolidation by Replay of Stimulus-Specific Neural Activity
Memory Consolidation by Replay of Stimulus-Specific Neural Activity Lorena Deuker, Jan Olligs, Juergen Fell, Thorsten A. Kranz, Florian Mormann, Christian Montag, Martin Reuter, Christian E. Elger and
MehrBielefeld 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
MehrMartin Stetter WS 03/04, 2 SWS. VL: Dienstags 8:30-10 Uhr
Statistische und neuronale Lernverfahren Martin Stetter WS 03/04, 2 SWS VL: Dienstags 8:30-0 Uhr PD Dr. Martin Stetter, Siemens AG Statistische und neuronale Lernverfahren Behandelte Themen 0. Motivation
MehrWas versteht man unter Hautleitfähigkeit?
Was versteht man unter Hautleitfähigkeit? Nennen Sie eine (endogene) Komponente des ereigniskorrelierten Potentials. Beschreiben Sie die psychologische Funktion mit der sie in Verbindung steht. 1 23.04.08
MehrPython in Computational Neuroscience & Modular toolkit for Data Processing (MDP) Niko Wilbert (HU Berlin)
Python in Computational Neuroscience & Modular toolkit for Data Processing (MDP) Niko Wilbert (HU Berlin) Python in Computational Neuroscience Computational Neuroscience Computational Neuroscience ist
MehrEntwicklung einer KI für Skat. Hauptseminar Erwin Lang
Entwicklung einer KI für Skat Hauptseminar Erwin Lang Inhalt Skat Forschung Eigene Arbeit Risikoanalyse Skat Entwickelte sich Anfang des 19. Jahrhunderts Kartenspiel mit Blatt aus 32 Karten 3 Spieler Trick-taking
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Diskriminanzanalyse
Wahrscheinlichkeitsrechnung und Statistik für Biologen Diskriminanzanalyse Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 3. Juli 2013 Übersicht 1 Ruf des Kleinspechts 2 Modell Vorgehen der
MehrMultiples Testen. Wolfgang Mader. 12. Juli Multiples Testen. Wolfgang Mader. Probleme des multiplen Testens. Bonferroni Methode
12. Juli 2007 Gliederung 1 2 3 4 Problemstellung eine Fragestellung einfaches Datenmaterial mehrere unabhängige Tests zum Niveau α versuchsbezogene Irrtumswahrscheinlichkeit: α v > α Fehler erster Art
MehrEinführung in die Bioinformatik: Lernen mit Kernen
Einführung in die Bioinformatik: Lernen mit Kernen Dr. Karsten Borgwardt Forschungsgruppe für Maschinelles Lernen und Bioinformatik Max-Planck-Institut für Intelligente Systeme & Max-Planck-Institut für
Mehrintence automotive electronics Ausführbare Spezifikation Der Weg zu besseren Anforderungen
intence automotive electronics Ausführbare Spezifikation Der Weg zu besseren Anforderungen Kurzvorstellung intence Agenda KURZVORSTELLUNG intence automotive electronics Wurde 2007 gegründet und ist Entwicklungspartner
MehrMultiple Vergleiche Small Volume Correction Effekte mehrerer Kontraste. Multiple Vergleiche. Mareike Düesberg. SPMKurs 2016
Multiple Vergleiche Mareike Düesberg SPMKurs 2016 Ablauf Multiple Vergleiche Inferenzlevel Inklusive Maskierung Exklusive Maskierung Konjunktion Inferenzlevel Multiple Vergleiche: viele Voxel viele Tests...
MehrVergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten
Vergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten Claudia-Martina Messow Robertson Centre for Biostatistics, University of Glasgow Situation Methoden
MehrVom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Vom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
MehrSemiüberwachte Paarweise Klassifikation
Semiüberwachte Paarweise Klassifikation Andriy Nadolskyy Bachelor-Thesis Betreuer: Prof. Dr. Johannes Fürnkranz Dr. Eneldo Loza Mencía 1 Überblick Motivation Grundbegriffe Einleitung Übersicht der Verfahren
MehrAnalyse komplexer Szenen mit Hilfe von Convolutional Neural Networks
Analyse komplexer Szenen mit Hilfe von Convolutional Anwendungen 1 Vitalij Stepanov HAW-Hamburg 24 November 2011 2 Inhalt Motivation Alternativen Problemstellung Anforderungen Lösungsansätze Zielsetzung
MehrKlassifikation 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
MehrNeuronale Netze Aufgaben 3
Neuronale Netze Aufgaben 3 martin.loesch@kit.edu (0721) 608 45944 MLNN IN FLOOD3 2 Multi Layer Neural Network (MLNN) Netzaufbau: mehrere versteckte (innere) Schichten Lernverfahren: Backpropagation-Algorithmus
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Übersicht Neuronale Netze Motivation Perzeptron Grundlagen für praktische Übungen
MehrLinear nichtseparable Probleme
Linear nichtseparable Probleme Mustererkennung und Klassifikation, Vorlesung No. 10 1 M. O. Franz 20.12.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Duda et al., 2001. Übersicht
MehrMaschinelle Sprachverarbeitung
Maschinelle Sprachverarbeitung Übung Aufgabe 5: Gen-Erkennung mit Maschinellen Lernen Mario Sänger Problemstellung Erkennung von Genen in Texten NEU: Beachtung von Multi-Token-Entitäten (B-/I-protein)
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrSzenario und Wirklichkeit
Szenario und Wirklichkeit Wie weit lassen sich Risikoberechnungen bei Naturgefahren vereinfachen? Katharina Fischer / Matthias Schubert Übersicht Szenario und Wirklichkeit Ziel: - Kritische Diskussion
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrKann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders
Kann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders Gerhard Svolba SAS Austria Mariahilfer Straße 116 A-1070 Wien Sastools.by.gerhard@gmx.net Zusammenfassung
MehrDas Perzeptron. Volker Tresp
Das Perzeptron Volker Tresp 1 Einführung Das Perzeptron war eines der ersten ernstzunehmenden Lernmaschinen Die wichtigsten Elemente Sammlung und Vorverarbeitung der Trainingsdaten Wahl einer Klasse von
MehrLineare Klassifikatoren
Lineare Klassifikatoren Mustererkennung und Klassifikation, Vorlesung No. 8 1 M. O. Franz 06.12.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Duda et al., 2001. Übersicht 1 Nächste-Nachbarn-
MehrThumbs up? Sentiment Classification using Machine Learning Techniques
Thumbs up? Sentiment Classification using Machine Learning Techniques Eine Präsentation von Aikaterini Azoidou. Das ist meine Präsentation für das Proseminar: Selected Topics of Sentiment Analysis WS17/18
MehrBeobachtung und Experiment II
Beobachtung und Experiment II Methodologie der Psychologie Thomas Schmidt & Lena Frank Wintersemester 2003/2004 Georg-Elias-Müller-Institut für Psychologie Uni Göttingen Was ist ein Experiment? kontrollierte
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Neuronale Netze WS 2014/2015 Vera Demberg Neuronale Netze Was ist das? Einer der größten Fortschritte in der Sprachverarbeitung und Bildverarbeitung der letzten Jahre:
MehrAndreas Kirchner. Master Medizininformatik (TU WIEN) Bachelor Philosophie (UNI WIEN)
Andreas Kirchner Master Medizininformatik (TU WIEN) Bachelor Philosophie (UNI WIEN) 1. Experiment von Libet (1979) 2. Haynes Verschärfung (2008) US-Physiologe (Univ. of California) Experimente über das
MehrQuestion Answering mit Support Vector Machines
Question Answering mit Support Vector Machines Sabrina Stehwien 30.01.2012 HS Information Retrieval Dozentin: Karin Haenelt Überblick 1. Question Answering Systeme 2. Das SAIQA-II QA-System 3. Support
MehrSimulation komplexer Prozesse am Beispiel Verbundguss Cu-Al
04.11.2016 Optimierungsaufgabe Beispiel: Sheldons Platz Im Winter ist der Platz nah genug an der Heizung, damit mir warm ist und dennoch nicht zu dicht, um ins schwitzen zu kommen. Im Sommer liegt er in
MehrViolent persons with schizophrenia and comorbid disorders: A functional magnetic resonance imaging study (Joyal et al., 2007)
Violent persons with schizophrenia and comorbid disorders: A functional magnetic resonance imaging study (Joyal et al., 2007) Seminar: Forensische Neuropsychologie Referentin: Sarah Brettnacher Datum:
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
MehrWiederholung. Objekte) Hauptkosten beim Pathtracing Ziel: Beschleunigung durch Reduktion der Schnittpunktstestzahl. Ansätze
Wiederholung Pathtracing = Schnittpunktstests mit Geometrie: primäre Augstrahlen, Schattenstrahlen, sekundäre Strahlen Problem: Komplexität! (mindestens linear mit der Anzahl der Objekte) Hauptkosten beim
MehrText Mining for Second Screen
Text Mining for Second Screen Anwendungen 2 Ivan Demin ivan.demin@haw-hamburg.de 5. Juni 2014 Agenda 1 Motivation 2 Learning to link with wikipedia 3 Generating Queries from User-Selected Text 4 Feeding
MehrGrundlagen Neuronaler Netze
Grundlagen Neuronaler Netze Neuronen, Aktivierung, Output, Netzstruktur, Lernziele, Training, Grundstruktur Der Begriff neuronales Netz(-werk) steht immer für künstliche neuronale Netzwerke, wenn nicht
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
MehrMorphometrie. Christian Gaser Structural Brain Mapping Group Kliniken für Neurologie und Psychiatrie Universitätsklinikum Jena
Morphometrie Christian Gaser Structural Brain Mapping Group Kliniken für Neurologie und Psychiatrie Universitätsklinikum Jena Voxelbasierte Morphometrie Anzahl von Artikeln ISI Web of Knowledge Suche nach
MehrGeistes-, Sozial-, Technik- und Naturwissenschaften gemeinsam unter einem Dach. Seminar Brain-Machine Interfaces. BMI more practical
Seminar Brain-Machine Interfaces BMI more practical 1 25.11.2009 EEG Geräte 16 256 Kanäle Abschirmung interne Filter Hauptkriterien für die BMI Entwicklung: Können die Daten in Echtzeit aus dem Gerät gewonnen
MehrTrainingsbedingte Veränderungen der Verarbeitung von Schrift im Gehirn Erwachsener Dr. Melanie Boltzmann
Trainingsbedingte Veränderungen der Verarbeitung von Schrift im Gehirn Erwachsener Dr. Melanie Boltzmann Bamberg 30.01.2015 1/17 Unser Gehirn Gewicht: 1245g (Frauen) bzw. 1375g (Männer) 100 Milliarden
MehrPareto 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
MehrFrühförderung im Schlaf?
Frühförderung im Schlaf? Dr. Katharina Zinke AG Entwicklungsneurowissenschaften Institut für Medizinische Psychologie und Verhaltensneurobiologie Prof. Jan Born Universität Tübingen Symposion Frühförderung,
MehrPolynomiale Regression lässt sich mittels einer Transformation der Merkmale auf multiple lineare Regression zurückführen
Rückblick Polynomiale Regression lässt sich mittels einer Transformation der Merkmale auf multiple lineare Regression zurückführen Ridge Regression vermeidet Überanpassung, indem einfachere Modelle mit
MehrGlobale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten
Globale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten M. Siebers 1 U. Schmid 2 1 Otto-Friedrich-Universität Bamberg 2 Fakultät für Wirtschaftsinformatik und Angewandte Informatik
MehrData Mining und Maschinelles Lernen Lösungsvorschlag für das 1. Übungsblatt
Data Mining und Maschinelles Lernen Lösungsvorschlag für das 1. Übungsblatt Knowledge Engineering Group Data Mining und Maschinelles Lernen Lösungsvorschlag 1. Übungsblatt 1 1. Anwendungsszenario Überlegen
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
Mehr