NeuroBayes Ein statistisches Verfahren aus der Hochenergiephysik und sein Weg in die Wirtschaft
|
|
- Gerrit Burgstaller
- vor 8 Jahren
- Abrufe
Transkript
1 NeuroBayes Ein statistisches Verfahren aus der Hochenergiephysik und sein Weg in die Wirtschaft Prof. Dr. Michael Feindt CETA - Centrum für Elementarteilchen- und Astroteilchenphysik Universität Karlsruhe Phi-T GmbH, Karlsruhe Kolloquium FB Statistik, Universität Dortmund 8. Januar 2007 Zufall Rein zufällige Ereignisse sind prinzipiell nicht vorhersagbar (auch bei genauer Kenntnis der Ausgangssituation!) Beispiele hierfür sind: Lottozahlen (Zu viele Einflussgrößen, deterministisches Chaos) radioaktiver Zerfall (Quantenmechanik) Elektronisches Rauschen
2 Vorhersehbar Bei einfachen klassischen physikalischen Prozessen das Ergebnis exakt vorhersagbar (eine Ursache erzeugt eine eindeutige Wirkung, Determinismus) Beispiele hierfür sind: Pendel, Planetenbahnen, Billard, Elektromagnetismus Wahrscheinlichkeit Viele Systeme: Mischung aus vorhersagbarer Komponente und Zufallskomponente. Wahrscheinlichkeitsaussage, Statistik Kernkompetenz: Extraktion der vorhersagbaren Komponente aus multidimensionalen Daten mit hohem stochastischen Anteil Bestimmung von Modell- Parametern aus Messdaten Individualisierung von Wahrscheinlichkeitsaussagen Individuelle Zukunftsprognosen individueller Kunde Mustermann mittlerer Kunde
3 Elementarteilchenphysik-Experimente Viele identische Versuche über Jahre: Kollisionen zwischen z.b. Elektronen und Positronen Quantenmechanik: Jedes Mal passiert etwas anderes! OPAL Experiment am LEP
4 Fermilab Technologietransfer aus der internationalen Spitzenforschung Optimiert durch weltweiten Wettbewerb, um aus den begrenzten und teuren Daten möglichst viele neue physikalische Erkenntnisse zu extrahieren. CERN LHC <phi-t> NeuroBayes Neuronale Netzwerke: Selbstlernende Verfahren, der Natur nachempfunden Frontal Lobe Motor Cortex Parietal Cortex Temporal Lobe Brain Stem Occipital Lobe Cerebellum
5 Neuronale Netzwerke Die Information (das Wissen, die Expertise) steckt in den Verbindungen zwischen den Nervenzellen NeuroBayes - Prinzip Input Preprocessing NeuroBayes Teacher: Lernen von komplizierten Zusammenhängen aus bestehenden Datenbanken (im Prinzip Backpropagation) Significance control NeuroBayes Expert: Prognosen für unbekannte Daten Postprocessing Output
6 Funktionsweise: Training und Anwendung Historische / simulierte Daten Datensatz a =... b =... c = t =! NeuroBayes Teacher Aktuelle Daten Expertensystem Expertise Wahrscheinlichkeit, dass Hypothese stimmt (bei Klassifikation) oder Wahrscheinlichkeitsdichte für die gesuchte Größe t Datensatz a =... b =... c = t =? NeuroBayes Expert f t t NeuroBayes Aufgabe 1: Klassifikation Binaräres Target: Das Ergebnis jedes einzelnen Ereignisses wird entweder ja oder nein sein. Beispiele: > Dieses Elementarteilchen ist ein K-Meson. > Deutschland wird 2006 Weltmeister. jetzt P=0 > Kunde Schmidt wird im nächsten Jahr Liquiditätsprobleme haben. > Kunde Müller wird dieses Produkt kaufen. > Der Aktienkurs von Borussia Dortmund wird Ende 2007 höher sein als heute. Resultat: Bayes sche a posteriori-wahrscheinlichkeit, dass die Antwort,,ja sein wird.
7 Naïve neuronale Netzwerke und Kritik Wir haben das probiert, aber es gab keine guten Resultate und das Trainieren dauert ewig. - In lokalem Minimum stecken geblieben - Trainieren nicht robust, zu naiver Algorithmus Wir haben das probiert aber es war schlechter als unser 100 Mannjahre-High-Tech-Algorithmus - Zu naive Input-Variablen gewählt - Benutze den fancy Algorithmus-Output als INPUT! Wir haben das probiert aber die Prognosen waren falsch - Übertraining: das Netz hat statistische Schwankungen gelernt Ja, aber wie kann man systematische Unsicherheiten abschätzen? - Wie kann man das sonst bei korrelierten Input-Variablen? - Tests auf Daten und Monte Carlo möglich <phi-t> NeuroBayes > beruht auf neuronalen Algorithmen der 2. Generation, Bayes scher Regularisierung, optimiertem Preprocessing mit Transformation und Dekorrelation der Input-Variablen und (nichtlinearer) Korrelation zum Output. > lernt extrem schnell durch Methoden 2. Ordnung > ist extrem robust gegen Ausreißer > ist quasi immun gegen Auswendiglernen statistischen Rauschens > liefert schon bei wenig Statistik sinnvolle Prognosen kann > binäre Entscheidungen treffen (klassifizieren) > Vorhersagen machen inklusive Unsicherheiten > komplette Wahrscheinlichkeitsdichten berechnen
8 Umfeld und Einflüsse auf Phi-T -Technologie Physik: Auswertung quantenmechanischer Experimente Optimierung der Auflösung und Effizienz komplexer Apparate Monte Carlo-Simulationen Effiziente Programmierung, internationale Großprojekte, optimierte Bibiliotheken Informatik: Lerntheorie, Generalisierungsfähigkeit Neuronale Netze, Support-Vektor-Maschinen Mathematik: Statistik, insb. Bayes-Statistik, robuste statistische Verfahren Numerische Verfahren, Regularisierung Neurobiologie: Auf- und Abbau von Komplexität im Gehirn, Pruning-Verfahren, Lernfähigkeit, Rauschunterdrückung Versicherungsmathematik, Finanzmathematik, Zeitreihenanalyse NeuroBayes Aufgabe 2: Bedingte Wahrscheinlichkeitsdichten Wahrscheinlichkeitsdichte für reellwertige Zielfunktionen: Für jeden möglichen reellen Wert wird eine Wahrscheinlichkeit(sdichte) prognostiziert. Daraus können alle statistischen Größen wie Erwartungswert, Median, Modus, Standardabweichung, Percentile etc. abgeleitet werden. Beispiele: > Energie eines Elementarteilchens > Preisänderung einer Aktie oder Option > Umsatz eines Artikels > Kosten, die ein einzelner Versicherter verursacht
9 Vorhersage der kompletten Wahrscheinlichkeitsverteilung r f ( t x) Erwartungswert Standardabweichung Volatilität Abweichungen von der Normalverteilung, z.b. Crash-Wahrscheinlichkeit Wahrscheinlichster Wert Z.B. sehr interessant für die Preisbildung von Derivaten, z.b. Optionen Hedge Fonds mit Lupus Alpha Asset Management t Einige Anwendungen in der Teilchenphysik DELPHI (hauptsächlich Vorgänger von NeuroBayes) Kaon, proton, electron id Inklusive Rekonstruktion von B-Mesonen: E, φ, θ, Q-Wert B**, B s ** Anreicherung B Fragmentationsfunktion Limit auf B s -Oszillation B 0 -Mischung B- F/B-Asymmetrie B-> wrongsigncharm CDF II: (work in progress) Elektronen-ID, Myon-ID, Kaon/Proton-ID Optimierung von Resonanz-Rekonstruktion (X, Y, B s, B s **) Spin-Paritäts-Analyse, Likelihood Analysen B-Tagging for top, Higgs, usw. B-Flavour Tagging für Oszillationsanalyse (B s Oszillationen)
10 Physik- BeispieI 1 (DELPHI, CERN) Klassifikation: Hadronenidentification (DELPHI am CERN): Signalhöhe verdoppelt bei konstantem Untergrundlevel durch eine der ersten NeuroBayes- Klassifikationen Original-Methode : einige Millionen CHF Konkurrierende Gruppen! Vergleich mit konventionellem neuronalen Netz Optimal mögliche Prognose (immer alles richtig) (von Experten optimiert) Gleiche Input-Variablen! Quelle: Doktorarbeit Ulrich Kerzel, 2005, Univ. Karlsruhe. Elektronenidentifikation für das CDF-Experiment am Fermi National Laboratory, Chicago
11 Physik- Beispiel 2 (DELPHI, CERN) Optimierte Rekonstruktion von reellwertigen Größen: erweiterte Regression Auflösung massiv verbessert und Bias korrigiert durch NeuroBayes-Technologie (schmaler Peak um +-0) Physik- Beispiel 3 (DELPHI, CERN) Auflösung des inklusiv rekonstruierten Auflösung des inklusiv rekonstruierten Azimuthalwinkels von B-Hadrons Azimuthalwinkels von B-Hadrons im DELPHI- Detektor im DELPHI- Detektor erste neuronale Rekonstruktion einer Richtung erste neuronale Rekonstruktion einer Richtung NeuroBayes NeuroBayes phi-richtung phi-richtung Bester Bester klassischer" klassischer" chi**2- chi**2- Fit Fit (BSAURUS) (BSAURUS) Nach Selektion auf NeuroBayes Fehler-Schätzer: Keine Keine Selektion: Nach Selektion auf NeuroBayes Fehler-Schätzer: Selektion: Auflösung massiv verbessert, keine Schwänze Verbesserte Verbesserte Auflösung Auflösung massiv verbessert, keine Schwänze Auflösung ==> erlaubt zuverlässige Selektion guter Ereignisse ==> erlaubt zuverlässige Selektion guter Ereignisse
12 Hadron-Collider: Monte Carlo Simulation für für Resonanzproduktion mit unterschiedlichen J PC PC -Annahmen (durch Gewichtung). Aber keine guten Monte Carlo-Simulationen für für Untergrund verfügbar. Idee: nimm Untergrund aus Seitenbändern der der Daten, achte darauf, dass Masse nicht gelernt werden kann! Teste dies! X(3872) Analyse: X softe NeuroBayes Selektion Signalartig Untergrundartig kaum Signalverlust
13 Harter NeuroBayes Schnitt: Sehr sauberes X(3872) Signal Training mit Gewichten: Neuronale Netwerk- Spin Paritäts-Analyse Benutze Seitenbänder als Untergrund-Sample Benutze Phasenraum- Monte Carlo als Signal-Sample Berechne quadrierte Übergangsmatrixelemente für spezifische Spin-Paritäts-Annahmen und benutze diese als Gewicht im Training Harter Schnitt auf NeuroBayes-Output sollte bei Training mit korrekter Hypothese das Signal besonders gut anreichern
14 J PC PC =1 =1 (ππ) s Hypothese s Sehr harter NeuroBayes Schnitt: nicht so so gute Hypothese für für X J PC PC =1 =1 (ππ) ss Hypothese Sehr harter NeuroBayes Schnitt: Eine gute Hypothese für für X CDF II II (auch ohne NN): X(3872) kann nur durch (präferiert) or or Beschrieben werden. Zerfall in in J/ψ ρisospin-verletzend wenn einfaches Charmonium. Guter Kandidat für für ein ein D^*D Molekül
15 Search for fororbitally excited B ss in in B + K -- (with B + J/ψ K) K) (Martin Heck, Michal Kreps, M.F.) NeuroBayes helps helps in in finding hitherto undiscovered hadrons Clear Clear evidence for for two two peaks Stability against network cuts cuts proven Making MC for forhadronic background without specific model: Multidimensional correlated regression using NeuroBayes Use data in non-resonance region as signal Use phase space MC as background Train NeuroBayes network, NN output O is Bayesian a posteriori probability that event stems from signal (i.e. data distribution) rather than phase space MC: O=P(S) with P(S)+P(B)=1 Calculate weight W= P(S)/P(B) = O/(1-O) Phase space MC events with this weight W look like data! MC modelling of complicated background is possible! Opens new roads for likelihood fits
16 Some kinematical variable distributions (J/ψ π + π - selection) Black: real data Red: weighted phase space MC NeuroBayes: Increase of of efficiency at at same purity as as best cut based selection: Improve significance from 18.4 to to 22.1 Optimisation of of B ss reconstruction for forb ss oscillation analysis
17 Presse (Die Welt vom 21. April 2006) Erfolg Diese,,künstliche Intelligenz kann viele komplizierte Zusammenhänge besser erkennen als z.b. ihre Autoren selbst. Wenn sie erstmal gefunden sind, sind sie oft auch für den Menschen verständlich und nachvollziehbar. Sehr erfolgreiche Anwendungen in der Physik. Viele Millionen gespart. Viele Analysen erst ermöglicht.
18 Erkenntnis Diese Methoden sind nicht nur in der Physik anwendbar <phi-t>: Ausgründung aus der Universität Karlsruhe, gefördert durch das exist-seed-programm des Bundesministeriums für Bildung und Forschung Historie NeuroBayes -Spezialisierung für die Wirtschaft in Universität Karlsruhe Okt. 2002: GmbH gegründet, erste bezahlte Aufträge Juni 2003: Umzug in neues Büro 199 qm IT-Portal Karlsruhe Exklusivrechte für NeuroBayes. Referenzprojekte/Lizenznehmer: Badische Versicherungen BGV dm drogerie markt Otto-Versand Thyssen-Krupp Steel Lupus Alpha Asset Management Versicherungskammer Bayern AXA Krankenversicherung Libri
19 Conditional probability density reconstruction: Aim: Aim: r Bayesian Bayesian estimator estimator f ( t x) for for a a single single multidimensional multidimensional measurement measurement x r.. x r x r "Components "Components of of may may be be correlated. correlated. "Components "Components of of should should be be correlated correlated to to t t or or its its uncertainty. uncertainty. "All "All this this should should be be learned learned automatically automatically in in a a robust robust way way from from data data bases bases "containing "containing Monte-Carlo Monte-Carlo simulations simulations or or historical historical data. data. Note: Note: Conditional Conditional probability probability density density contains contains much much more more information information than than just just the the mean mean value, value, which which is is determined determined in in a a regression regression analysis. analysis. It It also also tells tells us us something something about about the the uncertainty uncertainty and and the the form form of of the the distribution, distribution, in in particular particular non-gaussian non-gaussian tails. tails. Conditional probability densities in particle physics What is the probability density of the true B momentum in this semileptonic B candidate event taken with the CDF II detector with these n tracks with those momenta and rapidities in the hemisphere, which are forming this secondary vertex with this decay length and probability, this invariant mass and transverse momentum, this lepton information, this missing transverse momentum, this difference in Phi and Theta between momentum sum and vertex topology, etc pp t x r r f ( t x)
20
21
22 Bayesian Regularisation Use Bayesian arguments to regularise network learning: Likelihood Prior Posterior Evidence Learn only statistically relevant information, suppress statistical noise
23
24
25
26 input variables ordered by relevance (standard deviations of additional information)
27 Ramler-plot (extended correlation matrix) Ramler-II-plot (visualize correlation to target)
28 Visualisation of single input-variables Visualisation of correlation matrix Variable 1: Training target
29 Visualisation of network performance Purity vs. efficiency Signal-effiziency vs. total efficiency (Lift chart) Visualisation of NeuroBayes network topology
30
31 Wettbewerb der Methoden Data-Mining-Cup 2005: Erkennen von Betrug im Internet-Handel 531 Teilnehmer aus 176 Universitäten aus 41 Ländern. 6 Karlsruher Studenten haben von Phi-T NeuroBayes zur Verfügung gestellt bekommen: Top-Platzierungen: Positionen 2,3,4,5,6,7 Wettbewerb der Methoden II Data-Mining-Cup 2006: Vorhersage, ob in gegebenen ebay- Auktionen überdurchschnittliche Preise erzielt werden. 579 Teilnehmer von177 Universitäten aus 42 Ländern. 11 Karlsruher Studenten bekamen Phi-T NeuroBayes und Unterstützung in Vorlesung und Computer- Praktikum. Top Positionen: v.l.n.r.: : Simon Honc, Moritz Schlie, Jens Salomon 1,2,3,4, 6,7, 9,10, 12, 16, 22!
32 Start Idee NeuroBayes Idee Hintergrund Ziele NeuroBayes f(t x) Beispiele Historie Anwendung Prinzip Funktion Beispiel Konkurrenz Projekt l Forschung Projekt ll Ablauf Spiel Summary A BA Risikoanalyse für Kfz-Versicherung BGV Badischen Gemeinde-Versicherungen: seit Mai 2003: radikal neuer Tarif für junge Fahrer! Neue Variablen zur Prämienbestimmung hinzugefügt. Korrelationen werden berücksichtigt. Risiko und herkömmliche Prämie liegen bis zu Factor 3 auseinander! Auch die Wahrscheinlichkeitsdichte der Kosten kann vorhergesagt werden. Stornorisiken sind auch gut prognostizierbar Sogar Großschäden kann man mit Fuzzy-Logik und NeuroBayes angehen NeuroBayes Michael Feindt Uni Dortmund, 9. Januar Start Idee NeuroBayes Idee Hintergrund Ziele NeuroBayes f(t x) Beispiele Historie Anwendung Prinzip Funktion Beispiel Konkurrenz Projekt l Forschung Projekt ll Ablauf Spiel Summary A BA Die Ungerechtigkeit von Versichrungsprämien Verhältnis des von NeuroBayes ermittelten Schaden-Erwartungswerts zur bezahlten Prämie (normiert auf gleiche Prämeinsumme): Anzahl Kunden Die Mehrheit der Kunden (mit kleinem Risiko zahlt zu viel) Weniger als die Hälfte der Kunden (mit höheren Risiken) zahlen nicht genug, einige viel zu wenig. Diese werden von vorsichtigeren Fahrern subventioniert. Risiko/Prämie NeuroBayes Michael Feindt Uni Dortmund, 9. Januar
33 Start Idee NeuroBayes Idee Hintergrund Ziele NeuroBayes f(t x) Beispiele Historie Anwendung Prinzip Funktion Beispiel Konkurrenz Projekt l Forschung Projekt ll Ablauf Spiel Summary A BA Storno-Prognose für eine Versicherung Die Vorhersagen treffen wirklich ein Test auf zukünftigem Jahr NeuroBayes Michael Feindt Uni Dortmund, 9. Januar Start Idee NeuroBayes Idee Hintergrund Ziele NeuroBayes f(t x) Beispiele Historie Anwendung Prinzip Funktion Beispiel Konkurrenz Projekt l Forschung Projekt ll Ablauf Spiel Summary A BA Nicht nur,,theorie, Sondern funktioniert auch in der,,praxis : Bestätigung auf Versicherungskonferenz NeuroBayes Michael Feindt Uni Dortmund, 9. Januar
34 Start Idee NeuroBayes Idee Hintergrund Ziele NeuroBayes f(t x) Beispiele Historie Anwendung Prinzip Funktion Beispiel Konkurrenz Projekt l Forschung Projekt ll Ablauf Spiel Summary A BA Presse NeuroBayes Michael Feindt Uni Dortmund, 9. Januar Start Idee NeuroBayes Idee Hintergrund Ziele NeuroBayes f(t x) Beispiele Historie Anwendung Prinzip Funktion Beispiel Konkurrenz Projekt l Forschung Projekt ll Ablauf Spiel Summary A BA Presse Die Welt, 13. Sept NeuroBayes Michael Feindt Uni Dortmund, 9. Januar
35 Start Idee NeuroBayes Idee Hintergrund Ziele NeuroBayes f(t x) Beispiele Historie Anwendung Prinzip Funktion Beispiel Konkurrenz Projekt l Forschung Projekt ll Ablauf Spiel Summary A BA Stornorate in einem großen Finanzinstitut Wirkliche Stornorate als Funktion der NeuroBayes - Prognose Sehr gute Übereinstimmung Innerhalb der statistischen Fehler NeuroBayes Michael Feindt Uni Dortmund, 9. Januar Start Idee NeuroBayes Idee Hintergrund Ziele NeuroBayes f(t x) Beispiele Historie Anwendung Prinzip Funktion Beispiel Konkurrenz Projekt l Forschung Projekt ll Ablauf Spiel Summary A BA Umsatz-Prognose für dm drogerie markt Zeithorizont 1 Tag bis ½ Jahr in die Zukunft für ca Filialen Rot: wahrer Umsatz Grün: 1 Sigma Prognoseintervall Gelb: 2 Sigma-Prognoseintervall NeuroBayes Michael Feindt Uni Dortmund, 9. Januar
36 Start Idee NeuroBayes Idee Hintergrund Ziele NeuroBayes f(t x) Beispiele Historie Anwendung Prinzip Funktion Beispiel Konkurrenz Projekt l Forschung Projekt ll Ablauf Spiel Summary A BA Presse NeuroBayes Michael Feindt Uni Dortmund, 9. Januar Umsatzprognose im Versandhandel Start Idee NeuroBayes Idee Hintergrund Ziele NeuroBayes f(t x) Beispiele Historie Anwendung Prinzip Funktion Beispiel Konkurrenz Projekt l Forschung Projekt ll Ablauf Spiel Summary A BA NeuroBayes Michael Feindt Uni Dortmund, 9. Januar
37 Start Idee NeuroBayes Idee Hintergrund Ziele NeuroBayes f(t x) Beispiele Historie Anwendung Prinzip Funktion Beispiel Konkurrenz Projekt l Forschung Projekt ll Ablauf Spiel Summary A BA Prognose des Leistungsbetrags für PKV Pilotprojekt bei einer großen Privat-Krankenversicherung Prognose des Leistungsbetrags im Folgejahr für jede versicherte Person / Tarif mit Konfidenz-Intervallen 4 Jahre zum Trainieren, Test auf dem folgenden Jahr Ergebnisse: Wahrscheinlichkeits-Dichte für jede Kunden/Tarif Kombination Kunde N Mann, 44 Tarif XYZ123 seit ca. 17 Jahre Sehr gute Testresultate! Birgt Potenzial für eine wirkliche Kostenreduzierung imgesundheitswesen! NeuroBayes Michael Feindt Uni Dortmund, 9. Januar Start Idee NeuroBayes Idee Hintergrund Ziele NeuroBayes f(t x) Beispiele Historie Anwendung Prinzip Funktion Beispiel Konkurrenz Projekt l Forschung Projekt ll Ablauf Spiel Summary A BA Prognose von Finanzmärkten Auf NeuroBayes basierender Hedge-Fonds aufgelegt. Einer von 4 erfolgreichen Kandidaten von ca. 70 Bewerbern im Lupus Alpha Talent-Hotel. Test NeuroBayes Michael Feindt Uni Dortmund, 9. Januar
38 Start Idee NeuroBayes Idee Hintergrund Ziele NeuroBayes f(t x) Beispiele Historie Anwendung Prinzip Funktion Beispiel Konkurrenz Projekt l Forschung Projekt ll Ablauf Spiel Summary A BA Das <phi-t> Mausspiel: oder: sogar ihr ``freier Wille ist vorhersagbar // NeuroBayes Michael Feindt Uni Dortmund, 9. Januar Dokumentation Basics: M. Feindt, A Neural Bayesian Estimator for Conditional Probability Densities, E-preprint-archive physics M. Feindt, U. Kerzel, The NeuroBayes Neural Network Package, Nuclear Instruments and Methods A 559(2006) 190 Web Sites: (deutsch & englisch) (Physik- Resultate mit NeuroBayes) www-ekp.physik.uni-karlsruhe.de/~feindt (einige NeuroBayes Vorträge können hier gefunden werden)
NeuroBayes- ein Prognose- Algorithmus aus der Teilchenphysik erobert die Wirtschaft
NeuroBayes- ein Prognose- Algorithmus aus der Teilchenphysik erobert die Wirtschaft 15. November 2010 Univ. Wuppertal Prof. Dr. Michael Feindt KCETA, KIT Wissenschaftlicher Beirat Phi-T Physics Information
MehrModerne Prognoseverfahren für optimiertes Disease Management
Moderne Prognoseverfahren für optimiertes Disease Management DGDM Prof. Dr. Michael Feindt Universität Karlsruhe Phi-T Physics Information Technologies GmbH Prognoseverfahren für Disease Management 4.
MehrBasis die Versicherungswirtschaft
Moderne Modernstestatistische mathematische Methoden Verfahrenals für Basis die Versicherungswirtschaft für individualisierte Risikovorhersage in Theorie und Praxis Prof. Dr. Dr. Michael Feindt Feindt
MehrBauchgefühl oder kühle Berechnung Wer wird Fußball-Weltmeister 2014?
Bauchgefühl oder kühle Berechnung Wer wird Fußball-Weltmeister 2014? Prof. Dr. Michael Feindt Karlsruher Institut für Technologie (KIT) Founder and Chief Scientific Advisor, Blue Yonder Wer wird Weltmeister?
MehrNeuroBayes für Hochenergiephysik, Data Mining Cup und Wirtschaft
Zufall NeuroBayes für Hochenergiephysik, Data Mining Cup und Wirtschaft Prof. Dr. Michael Feindt CETA - Centrum für Elementarteilchen- und Astroteilchenphysik Universität Karlsruhe Phi-T GmbH, Karlsruhe
MehrModerne Methoden der Datenanalyse WS 2010/11
Moderne Methoden der Datenanalyse WS 2010/11 1 Übungen Moderne Methoden der Datenanalyse WS 2010/11 Dr. Anze Zupanc Tutoren: Bastian Kronenbitter, Markus Röhrken Donnerstags, 15.30 FE/6 http://www-ekp.physik.uni-karlsruhe.de/~zupanc/ws1011/
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
MehrRisikovorhersage Schlüsselexperimente Globale Vernetzung Kenntnistransfer
Moderne Neuere Entwicklungen statistische in Methoden der als Basis Teilchenphysik: für individualisierte Risikovorhersage Schlüsselexperimente Globale Vernetzung Kenntnistransfer Prof. Dr. Dr. Michael
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
MehrDas Black-Scholes Marktmodell
Das Black-Scholes Marktmodell Andreas Eichler Institut für Finanzmathematik Johannes Kepler Universität Linz 8. April 2011 1 / 14 Gliederung 1 Einleitung Fortgeschrittene Finanzmathematik einfach erklärt
MehrNeuroBayes for Hadron Collider Flavour Physics
NeuroBayes for Hadron Collider Flavour Physics LHCb Collaboration Meeting CERN 12. Nov. 2010 Prof. Dr. Dr. Michael Feindt Feindt Institut für Experimentelle Kernphysik Universität Karlsruhe EKP, KCETA
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrStatistische 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
MehrQM: Prüfen -1- KN16.08.2010
QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,
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
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
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
MehrStudieren- Erklärungen und Tipps
Studieren- Erklärungen und Tipps Es gibt Berufe, die man nicht lernen kann, sondern für die man ein Studium machen muss. Das ist zum Beispiel so wenn man Arzt oder Lehrer werden möchte. Hat ihr Kind das
MehrErfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.
Abstract zum Thema Handelssysteme Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.01 Einleitung: Handelssysteme
MehrValue at Risk Einführung
Value at Risk Einführung Veranstaltung Risk Management & Computational Finance Dipl.-Ök. Hans-Jörg von Mettenheim mettenheim@iwi.uni-hannover.de Institut für Wirtschaftsinformatik Leibniz Universität Hannover
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
MehrMean Time Between Failures (MTBF)
Mean Time Between Failures (MTBF) Hintergrundinformation zur MTBF Was steht hier? Die Mean Time Between Failure (MTBF) ist ein statistischer Mittelwert für den störungsfreien Betrieb eines elektronischen
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.
MehrALEMÃO. Text 1. Lernen, lernen, lernen
ALEMÃO Text 1 Lernen, lernen, lernen Der Mai ist für viele deutsche Jugendliche keine schöne Zeit. Denn dann müssen sie in vielen Bundesländern die Abiturprüfungen schreiben. Das heiβt: lernen, lernen,
MehrDas Thema von diesem Text ist: Geld-Verwaltung für Menschen mit Lernschwierigkeiten
Das Thema von diesem Text ist: Geld-Verwaltung für Menschen mit Lernschwierigkeiten Dieser Text ist von Monika Rauchberger. Monika Rauchberger ist die Projekt-Leiterin von Wibs. Wibs ist eine Beratungs-Stelle
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
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
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
MehrKurzanleitung. MEYTON Aufbau einer Internetverbindung. 1 Von 11
Kurzanleitung MEYTON Aufbau einer Internetverbindung 1 Von 11 Inhaltsverzeichnis Installation eines Internetzugangs...3 Ist mein Router bereits im MEYTON Netzwerk?...3 Start des YAST Programms...4 Auswahl
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.
MehrVertical-Spreads Iron Condor Erfolgsaussichten
www.mumorex.ch 08.03.2015 1 Eigenschaften Erwartung Preis Long Calls Long Puts Kombination mit Aktien Vertical-Spreads Iron Condor Erfolgsaussichten www.mumorex.ch 08.03.2015 2 www.mumorex.ch 08.03.2015
MehrTreffsichere Absatzprognosen durch Predictive Analytics
Treffsichere Absatzprognosen durch Predictive Analytics Prof. Dr. Michael Feindt, Karlsruhe Institute of Technology KIT Chief Scientific Advisor, Phi-T GmbH und Blue Yonder GmbH & Co KG 3. Europäischer
MehrZählstatistik. Peter Appel. 31. Januar 2005
Zählstatistik Peter Appel 31. Januar 2005 1 Einleitung Bei der quantitativen Analyse im Bereich von Neben- und Spurenelementkonzentrationen ist es von Bedeutung, Kenntnis über die möglichen Fehler und
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
MehrNicht über uns ohne uns
Nicht über uns ohne uns Das bedeutet: Es soll nichts über Menschen mit Behinderung entschieden werden, wenn sie nicht mit dabei sind. Dieser Text ist in leicht verständlicher Sprache geschrieben. Die Parteien
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
MehrMini-Urknall, World-Wide-Web und gerechte Versicherungstarife
Mini-Urknall, World-Wide-Web und gerechte Versicherungstarife Grundlagenforschung und Technologietransfer Prof. Dr. Michael Feindt Institut für Experimentelle Kernphysik Universität Karlsruhe Wissenschaftlicher
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
MehrWas können Schüler anhand von Primzahltests über Mathematik lernen?
Was können Schüler anhand von Primzahltests über Mathematik lernen? Innermathematisches Vernetzen von Zahlentheorie und Wahrscheinlichkeitsrechnung Katharina Klembalski Humboldt-Universität Berlin 20.
MehrAdditional Cycle Index (ACIX) Thomas Theuerzeit
Additional Cycle Index (ACIX) Thomas Theuerzeit Der nachfolgende Artikel über den ACIX stammt vom Entwickler des Indikators Thomas Theuerzeit. Weitere Informationen über Projekte von Thomas Theuerzeit
MehrSelbsttest Prozessmanagement
Selbsttest Prozessmanagement Zur Feststellung des aktuellen Status des Prozessmanagements in Ihrem Unternehmen steht Ihnen dieser kurze Test mit zehn Fragen zur Verfügung. Der Test dient Ihrer persönlichen
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrSemestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7.
Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7. 2004 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....
Mehr- Bewertung verschiedenster Typen von Derivativen. - Analyse Alternativer Investmentstrategien (Hedge Fonds)
Abteilung für Finanzmathematik - Bewertung verschiedenster Typen von Derivativen - Analyse Alternativer Investmentstrategien (Hedge Fonds) - Kredit-Risiko-Management und Kredit-Derivate - Monte Carlo-
MehrDie Methode des Robusten Trends und der CAC40 (Frankreich)
Die Methode des Robusten Trends und der CAC40 (Frankreich) von Dr. Hans Uhlig Zusammenfassung Auch für den CAC40 lässt sich ein robuster Trend bestimmen, wie es für den DAX bereits gezeigt werden konnte
MehrApproximation durch Taylorpolynome
TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni
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
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrInstitut für Computational Engineering ICE. N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t. w w w. n t b.
Institut für Computational Engineering ICE N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t w w w. n t b. c h Rechnen Sie mit uns Foto: ESA Das Institut für Computational Engineering
MehrAlle gehören dazu. Vorwort
Alle gehören dazu Alle sollen zusammen Sport machen können. In diesem Text steht: Wie wir dafür sorgen wollen. Wir sind: Der Deutsche Olympische Sport-Bund und die Deutsche Sport-Jugend. Zu uns gehören
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrKapiteltests zum Leitprogramm Binäre Suchbäume
Kapiteltests zum Leitprogramm Binäre Suchbäume Björn Steffen Timur Erdag überarbeitet von Christina Class Binäre Suchbäume Kapiteltests für das ETH-Leitprogramm Adressaten und Institutionen Das Leitprogramm
MehrDas top-quark. Entdeckung und Vermessung
Das top-quark Entdeckung und Vermessung Inhalt Geschichte Eigenschaften des top-quarks Wie top-paare entstehen Detektion Methoden der Massen-Messung Geschichte Die Vorstellung von Quarks wurde 1961 unabhängig
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
MehrZahlen und das Hüten von Geheimnissen (G. Wiese, 23. April 2009)
Zahlen und das Hüten von Geheimnissen (G. Wiese, 23. April 2009) Probleme unseres Alltags E-Mails lesen: Niemand außer mir soll meine Mails lesen! Geld abheben mit der EC-Karte: Niemand außer mir soll
MehrAvenue Oldtimer Liebhaber- und Sammlerfahrzeuge. Ihre Leidenschaft, gut versichert
Avenue Oldtimer Liebhaber- und Sammlerfahrzeuge Ihre Leidenschaft, gut versichert Die Versicherung für aussergewöhnliche Fahrzeuge Sicherheit für das Objekt Ihrer Leidenschaft Die Versicherung von Sammlerfahrzeugen
MehrMarketing Funnel INSIDERWISSEN INSIDERWISSEN: MARKETING FUNNEL
Marketing Funnel INSIDERWISSEN: MARKETING FUNNEL Mit diesen Materialien geben wir Ihnen alles mit auf den Weg, was Sie zum Thema Conversion-Rate Optimierung und Traffic Gernerierung wissen sollten. Erfahren
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrStatistik I für Betriebswirte Vorlesung 11
Statistik I für Betriebswirte Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 22. Juni 2012 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrAbamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER
Abamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER Abamsoft Finos in Verbindung mit der Webshopanbindung wurde speziell auf die Shop-Software shop to date von DATA BECKER abgestimmt. Mit
MehrFragebogen: Abschlussbefragung
Fragebogen: Abschlussbefragung Vielen Dank, dass Sie die Ameise - Schulung durchgeführt haben. Abschließend möchten wir Ihnen noch einige Fragen zu Ihrer subjektiven Einschätzung unseres Simulationssystems,
MehrPhysik 4, Übung 11, Prof. Förster
Physik 4, Übung 11, Prof. Förster Christoph Hansen Emailkontakt ieser Text ist unter dieser Creative Commons Lizenz veröffentlicht. Ich erhebe keinen Anspruch auf Vollständigkeit oder Richtigkeit. Falls
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrAlbert HAYR Linux, IT and Open Source Expert and Solution Architect. Open Source professionell einsetzen
Open Source professionell einsetzen 1 Mein Background Ich bin überzeugt von Open Source. Ich verwende fast nur Open Source privat und beruflich. Ich arbeite seit mehr als 10 Jahren mit Linux und Open Source.
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
Mehr~~ Swing Trading Strategie ~~
~~ Swing Trading Strategie ~~ Ebook Copyright by Thomas Kedziora www.forextrade.de Die Rechte des Buches Swing Trading Strategie liegen beim Autor und Herausgeber! -- Seite 1 -- Haftungsausschluss Der
MehrManager. von Peter Pfeifer, Waltraud Pfeifer, Burkhard Münchhagen. Spielanleitung
Manager von Peter Pfeifer, Waltraud Pfeifer, Burkhard Münchhagen Spielanleitung Manager Ein rasantes Wirtschaftsspiel für 3 bis 6 Spieler. Das Glück Ihrer Firma liegt in Ihren Händen! Bestehen Sie gegen
MehrHandbuch. Artologik EZ-Equip. Plug-in für EZbooking version 3.2. Artisan Global Software
Artologik EZ-Equip Plug-in für EZbooking version 3.2 Artologik EZbooking und EZ-Equip EZbooking, Ihre webbasierte Software zum Reservieren von Räumen und Objekten, kann nun durch die Ergänzung um ein oder
MehrJan Parthey, Christin Seifert. 22. Mai 2003
Simulation Rekursiver Auto-Assoziativer Speicher (RAAM) durch Erweiterung eines klassischen Backpropagation-Simulators Jan Parthey, Christin Seifert jpar@hrz.tu-chemnitz.de, sech@hrz.tu-chemnitz.de 22.
MehrMultiplayer Anweisungen
Multiplayer Anweisungen Mit Multiplayer können Sie über das Internet oder ein lokales Netzwerk gegen echte Renngegner aus der ganzen Welt fahren. Insgesamt können bis zu 10 Personen gemeinsam fahren. Bedienung
Mehrkleines keyword brevier Keywords sind das Salz in der Suppe des Online Marketing Gordian Hense
Keywords sind das Salz in der Suppe des Online Marketing Keywords - Das Salz in der Suppe des Online Marketing Keyword Arten Weitgehend passende Keywords, passende Wortgruppe, genau passende Wortgruppe
MehrNovell Client. Anleitung. zur Verfügung gestellt durch: ZID Dezentrale Systeme. Februar 2015. ZID Dezentrale Systeme
Novell Client Anleitung zur Verfügung gestellt durch: ZID Dezentrale Systeme Februar 2015 Seite 2 von 8 Mit der Einführung von Windows 7 hat sich die Novell-Anmeldung sehr stark verändert. Der Novell Client
MehrWelchen Nutzen haben Risikoanalysen für Privatanleger?
Welchen Nutzen haben Risikoanalysen für Privatanleger? Beispiel: Sie sind im Sommer 2007 Erbe deutscher Aktien mit einem Depotwert von z. B. 1 Mio. geworden. Diese Aktien lassen Sie passiv im Depot liegen,
MehrDas Bayes-Theorem. Christian Neukirchen Gleichwertige Leistungsfeststellung, Juni 2005
Das Bayes-Theorem Christian Neukirchen Gleichwertige Leistungsfeststellung, Juni 2005 Ein lahmer Witz Heute im Angebot: Ein praktisches Beispiel zur Einleitung Kurze Wiederholung der Überblick über Reverend
MehrKlausur BWL V Investition und Finanzierung (70172)
Klausur BWL V Investition und Finanzierung (70172) Prof. Dr. Daniel Rösch am 13. Juli 2009, 13.00-14.00 Name, Vorname Anmerkungen: 1. Bei den Rechenaufgaben ist die allgemeine Formel zur Berechnung der
MehrSenioren ans Netz. schreiben kurze Texte. Lektion 9 in Themen aktuell 2, nach Übung 7
Senioren ans Netz Lektion 9 in Themen aktuell 2, nach Übung 7 Was lernen Sie hier? Sie üben Leseverstehen, suchen synonyme Ausdrücke, sagen Ihre Meinung. Was machen Sie? Sie erkennen und erklären Stichwörter,
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
MehrMonte-Carlo- Simulation. Seminar zur Vorlesung Teilchendetektoren und Experiment an ELSA
Monte-Carlo- Simulation Seminar zur Vorlesung Teilchendetektoren und Experiment an ELSA Übersicht Einleitung Simulation mit Geant4 generierte Daten Zusammenfassung 2 Simulation Mathematische Modellierung
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?
MehrInformationen in Leichter Sprache
Informationen in Leichter Sprache Das Elite-Netzwerk Bayern kümmert sich um kluge Köpfe! Die Internet-Seite vom Elite-Netzwerk Bayern heißt: www.elitenetzwerk.bayern.de Was ist das Elite-Netzwerk Bayern?
MehrKünstliches binäres Neuron
Künstliches binäres Neuron G.Döben-Henisch Fachbereich Informatik und Ingenieurwissenschaften FH Frankfurt am Main University of Applied Sciences D-60318 Frankfurt am Main Germany Email: doeben at fb2.fh-frankfurt.de
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
MehrInstallation der SAS Foundation Software auf Windows
Installation der SAS Foundation Software auf Windows Der installierende Benutzer unter Windows muss Mitglied der lokalen Gruppe Administratoren / Administrators sein und damit das Recht besitzen, Software
Mehrsondern alle Werte gleich behandelt. Wir dürfen aber nicht vergessen, dass Ergebnisse, je länger sie in der Vergangenheit
sondern alle Werte gleich behandelt. Wir dürfen aber nicht vergessen, dass Ergebnisse, je länger sie in der Vergangenheit liegen, an Bedeutung verlieren. Die Mannschaften haben sich verändert. Spieler
MehrWas ist Leichte Sprache?
Was ist Leichte Sprache? Eine Presse-Information vom Verein Netzwerk Leichte Sprache in Leichter Sprache Leichte Sprache heißt: So schreiben oder sprechen, dass es alle gut verstehen. Leichte Sprache ist
MehrDieses erste Kreisdiagramm, bezieht sich auf das gesamte Testergebnis der kompletten 182 getesteten Personen. Ergebnis
Datenanalyse Auswertung Der Kern unseres Projektes liegt ganz klar bei der Fragestellung, ob es möglich ist, Biere von und geschmacklich auseinander halten zu können. Anhand der folgenden Grafiken, sollte
MehrSurvival of the Fittest Wie statistische Modelle an Daten angepasst werden
Tag der Mathematik 2009 Survival of the Fittest Wie statistische Modelle an Daten angepasst werden Thomas Kneib Fakultät für Mathematik und Naturwissenschaften Carl von Ossietzky Universität Oldenburg
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
MehrInhalt. 1 Einleitung AUTOMATISCHE DATENSICHERUNG AUF EINEN CLOUDSPEICHER
AUTOMATISCHE DATENSICHERUNG AUF EINEN CLOUDSPEICHER Inhalt 1 Einleitung... 1 2 Einrichtung der Aufgabe für die automatische Sicherung... 2 2.1 Die Aufgabenplanung... 2 2.2 Der erste Testlauf... 9 3 Problembehebung...
MehrClustering Seminar für Statistik
Clustering Markus Kalisch 03.12.2014 1 Ziel von Clustering Finde Gruppen, sodas Elemente innerhalb der gleichen Gruppe möglichst ähnlich sind und Elemente von verschiedenen Gruppen möglichst verschieden
MehrFAQ Unisex in der Krankenversicherung
FAQ Unisex in der Krankenversicherung 1. Warum werden Unisex-Tarife 2012 eingeführt? Grundlage für die Einführung der Unisex-Tarife ist ein Urteil des Europäischen Gerichtshofs (EuGH) vom 01.03.2011, das
Mehr14. Minimale Schichtdicken von PEEK und PPS im Schlauchreckprozeß und im Rheotensversuch
14. Minimale Schichtdicken von PEEK und PPS im Schlauchreckprozeß und im Rheotensversuch Analog zu den Untersuchungen an LDPE in Kap. 6 war zu untersuchen, ob auch für die Hochtemperatur-Thermoplaste aus
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrUpdateanleitung für SFirm 3.1
Updateanleitung für SFirm 3.1 Vorab einige Informationen über das bevorstehende Update Bei der neuen Version 3.1 von SFirm handelt es sich um eine eigenständige Installation, beide Versionen sind komplett
MehrDer wachsende Berufsunfähigkeitsschutz SV Start-Easy-BU.
SV STart-easy-bu Der wachsende Berufsunfähigkeitsschutz für junge Leute. SV Start-Easy-BU. Was auch passiert: Sparkassen-Finanzgruppe www.sparkassenversicherung.de Weiter mit im Leben dabei auch bei Berufsunfähigkeit.
MehrDie Magie des Gewinnwachstums
Die Magie des Gewinnwachstums Vortrag Anlegermesse INVEST, Stuttgart, am 4. April 2014 Andreas Sommer, Chefredakteur Momentum Trader & Chartanalyse-Trends informieren. investieren. profitieren. Hätten
MehrWichtige Forderungen für ein Bundes-Teilhabe-Gesetz
Wichtige Forderungen für ein Bundes-Teilhabe-Gesetz Die Parteien CDU, die SPD und die CSU haben versprochen: Es wird ein Bundes-Teilhabe-Gesetz geben. Bis jetzt gibt es das Gesetz noch nicht. Das dauert
MehrSchriftliche Vordiplomprüfung Betriebsökonomie FH Serie C
Schriftliche Vordiplomprüfung Betriebsökonomie FH Serie C Fach: Zeit: Volkswirtschaftslehre - Teil Mikroökonomie - 60 Minuten Punkte: 34 Name, Vorname: Studiengang / evtl. Klasse: Erster Prüfungsversuch
MehrCCI Swing Strategie. Cut your losers short and let your winners run
CCI Swing Strategie Cut your losers short and let your winners run Charts: - H4 - Daily Indikatoren: - Simple Moving Average (200) - Commodity Channel Index CCI (20 Period) - Fractals Strategie: 1. Identifizieren
Mehr