Optimierendes Lernen (Reinforcement Learning) - Adaptive Verfahren für dynamische Optimierungsprobleme. VE 1: Einführung
|
|
- Harry Kopp
- vor 8 Jahren
- Abrufe
Transkript
1 Optimierendes Lernen (Reinforcement Learning) - Adaptive Verfahren für dynamische Optimierungsprobleme VE 1: Einführung Prof. Dr. Martin Riedmiller Machine Learning Lab Albert-Ludwigs-Universitaet Freiburg riedmiller@informatik.uni-freiburg.de Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 1
2 Organisatorisches Prof. Dr. Martin Riedmiller Raum 00009, Geb. 079 Sprechstunde: Donnerstag Uhr kein Skript - Folien über unsere Webseite Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 2
3 Termine WS 2009/ Vorlesung Dienstag, Uhr, Donnerstag, Uhr, Übung Di, 11.15, im Wechsel (nach Ankündigung) Teilnahme an Übungen Voraussetzung für Prüfung (mind. 50 %) Sonstiges: Praktikum (Machine Learning for Simulated Soccer) Implementation und Evaluation von Reinforcement Lernverfahren im RoboCup optional: Teilnahme an der Reinforcement Learning Competition Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 3
4 Ziel der Vorlesung Einführung des Lernproblem-Typs Optimierendes Lernen - Reinforcement Learning Einführung in die mathematischen Grundlagen für ein selbständig lernendes System Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 4
5 Ziel der 1. Einheit Motivation, Definition und Abgrenzung Gliederung Beispiele Lösungsansätze Maschinelles Lernen Optimierendes Lernen (Reinforcement Learning) Überblick Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 5
6 Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 6
7 Beispiel Backgammon Kann ein Programm selbständig Backgammon lernen? Lernen aus Erfolg (Sieg) und Mißerfolg (Niederlage) Neuro-Backgammon: Weltmeisterniveau (Tesauro, 1992) Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 7
8 Beispiel Stabbalancierer (Regelungstechnik) Kann ein Programm selbständig balancieren lernen? Lernen aus Erfolg und Mißerfolg Neuronale RL Regler: Störungen, Ungenauigkeiten, unbekanntes Systemverhalten, Nichtlinearitäten,... (Riedmiller et.al. ) Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 8
9 Beispiel Roboterfußball Können Programme selbständig lernen zu kooperieren? Lernen aus Erfolg und Mißerfolg Kooperative RL Agenten: Komplexität, verteilte Intelligenz,... (Riedmiller et.al. ) Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 9
10 Beispiel: Autonome (z.b. humanoide) Roboter Aufgabe: Bewegungssteuerung ähnlich wie beim Menschen (Gehen, Laufen, Fussballspielen, Radfahren, Skifahren,...) Eingabe: Bild der Videokamera Ausgabe: Steuersignale an die Gelenke Probleme: sehr komplex Konsequenzen von Aktionen schwer einschätzbar Störungen / Rauschen Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 10
11 Beispiel: Labyrinth (engl. Maze) Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 11
12 Das Agenten-Konzept.? Agent Sensoren Aktoren. Ziel. [Russell and Norvig 1995, page 33] An agent is anything that can be viewed as perceiving its environment through sensors and acting upon that environment through effectors. Keine prinizpiell andere Lösungsmethodik sondern konzeptionelle Vereinfachung Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 12
13 Lösungsansätze der Künstlichen Intelligenz (KI) Planen / Suchen (z.b. A, Backtracking) Deduktion (z.b. Logische Programmiersprachen, Prädikatenlogik) Expertensysteme (z.b. Regelwissen generiert von Experten) Fuzzy-Regelsysteme (Unscharfes Schliessen) Genetische Algorithmen (Evolvierung von Lösungen) Maschinelles Lernen (z.b. Reinforcement Lernen) Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 13
14 Typen des Lernens (bei Menschen) Lernen von einem Lehrer Strukturieren von Objekten Lernen aus Erfahrung Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 14
15 Typen des Maschinellen Lernens (ML) Lernen mit Lehrer Überwachtes Lernen (Supervised Learning): Beispiele von Eingabe / (Ziel-)Ausgabe. Zielsetzung: Generalisierung (i.a. nicht nur Auswendiglernen). Strukturierung / Erfassung von Zusammenhängen Unüberwachtes Lernen (Unsupervised learning, Clustering): Zielsetzung: Zusammenfassen von ähnlichen Datenpunkten, z.b. zur Vorverarbeitung. Lernen durch Belohnen / Bestrafen Optimierendes Lernen (Reinforcement Learning): Lernvorgabe: Spezifikation des zu erreichenden Ziels (bzw. zu vermeidender Ereignisse).... Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 15
16 Maschinelles Lernen: Zutaten 1. Typ des Lernproblems (gegeben / gesucht) 2. Repräsentation des gelernten Lösungswissens Tabelle, Regeln, lineare Abbildung, neuronales Netz, Lösungsverfahren (beobachtete Daten Problemlösung) (heuristische) Suche, Gradientenabstieg, Optimierungsverfahren,... Also nicht: für dieses Problem brauche ich ein neuronales Netz Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 16
17 Schwerpunkt der Vorlesung: Optimierendes Lernen es wird keine Information über eine Lösungsstrategie vorausgesetzt selbständiges Erlernen einer Lösungsstrategie durch geschicktes Ausprobieren von Lösungen ( Trial and Error ) größte Herausforderung an ein lernendes System Repräsentation des Lösungswissens mithilfe eines Funktionsapproximators (z.b. Tabellen, Lineare Modelle, Neuronale Netze usw.) Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 17
18 RL am Beispiel autonomer Roboter schlecht: Beschädigung (Sturz,...) gut: Aufgabe erfolgreich erledigt besser: schnell / wenig Energie / glatte Bewegungen/... Optimierung! Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 18
19 Optimierendes Lernen - Reinforcement Learning (RL) auch: Lernen aus Bewertungen, Selbständiges / Autonomes Lernen, Neuro Dynamic Programming Definiert einen Lerntypus und nicht eine Methode! Zentrales Merkmal: Bewertendes Trainingssignal - z.b. gut / schlecht RL mit unmittelbarer Bewertung: Bandit-Problem / Automatentheorie Entscheidung Bewertung Beispiel: Parameter für einen Wurf in einen Basketballkorb Zeitliche verzögerung (delayed RL) Entscheidung, Entscheidung,..., Entscheidung Bewertung wesentlich schwerer; interessant, da vielseitig einsetzbar Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 19
20 Zeitlich verzögertes RL Entscheidung, Entscheidung,..., Entscheidung Bewertung Beispiel: Robotik, Regelungstechnik, Spiele (Schach, Backgammon) Grundproblem: temporal credit assignment Basisarchitektur: Actor-Critic System Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 20
21 Mehrstufige Entscheidungsprobleme...? s 0 s 1 s 2 s s N N-1 Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 21
22 Actor Critic Actor-Critic System (Barto, Sutton, 1983) External reward Internal Critic s World Actor? Actor: In Situation s wähle Aktion u (Strategie π : S U) Critic: Verteilung des externen (Gesamt-) Signals auf einzelne Aktionen Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 22
23 Reinforcement Learning 1959 Samuel s Checker-Player (Dame): TD-Verfahren 1968 Michie und Chambers: Boxes 1983 Barto, Sutton s AHC/ACE, 1987 Sutton s TD(λ) Anfang der 90-er: Zusammenhang von Dynamischen Programmieren (DP) und RL: Werbos, Sutton, Barto, Watkins, Singh, Bertsekas DP - klassisches Optimierungsverfahren (späte 50er: Bellman) zu hoher Aufwand bei größeren Aufgabenstellungen Vorteil: saubere mathematische Formulierung, Konvergenzaussagen 2000 Policy Gradient Verfahren (Sutton et. al, Peters et. al,...) 2005 Fitted Q (Batch DP Verfahren) (Ernst et. al, Riedmiller,..) seither viele Beispiele von erfolgreichen zumindest praxisnahen Anwendungen Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 23
24 Weitere Beispiele Gebiet Eingabe Ziel Beispiel Ausgabe (Aktionen) Spiele Brettsituation Gewinnen Backgammon, Schach gültiger Zug Robotik Sensorwerte Sollwert Pendel, Roboterfußballl RT Stellgröße Reihenfolge- Zustand Gewinn Fertigungsstrasse, Mobilfunkne planung Kandidat Benchmark Zustand Zielposition Labyrinth Richtung Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 24
25 . Ziel: Selbständig lernendes System Ziel Sensoren Agent Aktoren.. Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 25
26 Vorgehensweise - Grobskizze Formulierung des Lernproblems als Optimierungsaufgabe Lösung durch Lernen basierend auf Optimierungsverfahren des Dynamischen Programmierens Schwierigkeiten: sehr großer Zustandsraum Prozessverhalten unbekannt Einsatz approximativer Verfahren (z.b. Verwendung neuronaler Netze) Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 26
27 Gliederung 1. Teil: Einführung (1) 2. Teil: Dynamisches Programmieren (2-4) Markov sche Entscheidungsprobleme, Rückwärts DP, Value Iteration, Policy Iteration 3. Teil: Approximatives DP / Optimierendes Lernen (5-10) Monte Carlo Methoden, stochastische Approximation, TD(λ), Q-learning 4. Teil: Fortgeschrittene Methoden des Optimierenden Lernens (11) Policy Gradient Methoden, Hierarchische Methoden, POMDPs, Relationales Reinforcement Lernen 5. Teil: Anwendungen des Optimierenden Lernens Roboterfussball, Pendel, RL-Competition Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 27
28 Weitere Veranstaltungen zum Thema Machine Learning for Simulated Soccer Vorlesung mit Praktikum Robot Learning (freiwillige) AG MidSize-Liga RoboCup (freiwillige) AG Simulationsliga RoboCup Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 28
29 References [1] D. P. Bertsekas and J.N. Tsitsiklis. Neuro Dynamic Programming. Athena Scientific, Belmont, Massachusetts, [2] A. Barto and R. Sutton. Reinforcement Learning. MIT Press, Cambridge, Massachusetts, [3] M. Puterman. Markov Decision Processes: Discrete Stochastic Dynamic Programming. John Wiley and Sons, New York, [4] L.P. Kaelbling, M.L. Littman and A.W. Moore. Reinforcement Learning: A survey. Journal of Artificial Intelligence Research, 4: , 1996 WWW: Prof. Dr. Martin Riedmiller, Maschinelles Lernen, Universität Freiburg Optimierendes Lernen (Reinforcement Learning) 1 29
Reinforcement Learning
Effiziente Darstellung von Daten Reinforcement Learning 02. Juli 2004 Jan Schlößin Einordnung Was ist Reinforcement Learning? Einführung - Prinzip der Agent Eigenschaften das Ziel Q-Learning warum Q-Learning
MehrArbeitsgruppe Neuroinformatik
Arbeitsgruppe Neuroinformatik Prof. Dr. Martin Riedmiller Martin.Riedmiller@uos.de Martin Riedmiller, Univ. Osnabrück, Martin.Riedmiller@uos.de Arbeitsgruppe Neuroinformatik 1 Leitmotiv Zukünftige Computerprogramme
MehrKapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen
Kapitel ML: I I. Einführung Beispiele für Lernaufgaben Spezifikation von Lernproblemen ML: I-8 Introduction c STEIN/LETTMANN 2005-2010 Beispiele für Lernaufgaben Autoeinkaufsberater Welche Kriterien liegen
Mehr1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung
1 Einleitung 1.1 Motivation und Zielsetzung der Untersuchung Obgleich Tourenplanungsprobleme zu den am häufigsten untersuchten Problemstellungen des Operations Research zählen, konzentriert sich der Großteil
MehrB.SC. INFORMATIK TIM JUNGNICKEL
ABOUT ME (21) 5. SEMESTER B.SC. INFORMATIK TU-BERLIN SEIT 2008 2 AGENDA Was ist Informatik? Wie geht es weiter? Was kann ich an der Uni machen? 1 2 3 4 Struktur des Studiums Was lernt man an der Universität?
MehrSeminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen
Seminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen Michael Groß mdgrosse@sbox.tugraz.at 20. Januar 2003 0-0 Matrixspiel Matrix Game, Strategic Game, Spiel in strategischer Form.
MehrMathematisch-algorithmische Grundlagen für Big Data
Mathematisch-algorithmische Grundlagen für Big Data Numerische Algorithmen für Datenanalyse und Optimierung Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Sommersemester 2016
MehrEinführung in die Informatik II
Einführung in die Informatik II Vorlesung Sommersemester 2013 Prof. Dr. Nikolaus Wulff Ziele der Vorlesung Sie vertiefen die Kenntnisse aus Informatik I und runden diese in weiteren Anwendungsgebieten
MehrIntelligente Agenten
Intelligente Agenten Einige einfache Überlegungen zu Agenten und deren Interaktionsmöglichkeiten mit ihrer Umgebung. Agent benutzt: Sensoren Aktuatoren (Aktoren; Effektoren) zum Beobachten/Mess seiner
MehrWintersemester 2010/2011 Rüdiger Westermann Institut für Informatik Technische Universität München
Informatik 1 Wintersemester 2010/2011 Rüdiger Westermann Institut für Informatik Technische Universität München 1 0 Allgemeines Zielgruppen Siehe Modulbeschreibung Studierende anderer (nicht Informatik)
MehrKybernetik Intelligent Agents- Action Selection
Kybernetik Intelligent Agents- Action Selection Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 26. 06. 2012 Intelligent Agents Intelligent Agents Environment
MehrÜbersicht. 20. Verstärkungslernen
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen VI Lernen 18. Lernen aus Beobachtungen 19. Lernen in neuronalen & Bayes
MehrÜberblick über das Institut für Telematik
Überblick über das Institut für Telematik Professoren Prof. Dr. Sebastian Abeck (seit 16) Prof. Dr. Michael Beigl (seit 2010) Prof. Dr. Hannes Hartenstein (seit 2003) Prof. Dr. Wilfried Juling (seit 18)
MehrVermeiden Sie es sich bei einer deutlich erfahreneren Person "dranzuhängen", Sie sind persönlich verantwortlich für Ihren Lernerfolg.
1 2 3 4 Vermeiden Sie es sich bei einer deutlich erfahreneren Person "dranzuhängen", Sie sind persönlich verantwortlich für Ihren Lernerfolg. Gerade beim Einstig in der Programmierung muss kontinuierlich
MehrInformatikgrundlagen (WS 2015/2016)
Informatikgrundlagen (WS 2015/2016) Klaus Berberich (klaus.berberich@htwsaar.de) Wolfgang Braun (wolfgang.braun@htwsaar.de) 0. Organisatorisches Dozenten Klaus Berberich (klaus.berberich@htwsaar.de) Sprechstunde
MehrFuzzy Logik und Genetische Algorithmen für adaptive Prozesskontrolle
Fuzzy Logik und Genetische Algorithmen für adaptive Prozesskontrolle Umgang mit unsicherem Wissen VAK 03-711.08 Oliver Ahlbrecht 8. Dezember 2005 Struktur 1. Einleitung 2. Beispiel Cart-Pole 3. Warum Hybride
MehrProjektarbeit/SHK-Tätigkeit: Entwicklung graphischer Visualisierungskomponenten
Projektarbeit/SHK-Tätigkeit: Entwicklung graphischer Visualisierungskomponenten Das Assistenzsystem proknows, das am Fraunhofer Institut in Lemgo entwickelt wird, ermöglicht neben der Durchführung verschiedener
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
MehrFragebogen zur Evaluation der Vorlesung und Übungen Computer Grafik, CS231, SS05
Fragebogen zur Evaluation der Vorlesung und Übungen Computer Grafik, CS231, SS05 Dozent: Thomas Vetter Bitte Name des Tutors angeben: Liebe Studierende, Ihre Angaben in diesem Fragebogen helfen uns, die
MehrInstitut für Telematik Universität zu Lübeck. Programmieren. Kapitel 0: Organisatorisches. Wintersemester 2008/2009. Prof. Dr.
Institut für Telematik Universität zu Lübeck Programmieren Kapitel 0: Organisatorisches Wintersemester 2008/2009 Prof. Dr. Christian Werner 1-2 Überblick Ziele Inhaltsüberblick Ablauf der Veranstaltung
MehrAllgemeine Informationen zu Access und Tabellen
E-Learning am Fachbereich Wirtschaftswissenschaften der JLU Gießen: Theorie und praktische Umsetzung Praktische Implementierung des Learning Objects Allgemeine Informationen zu Access und Tabellen Referateseminar
Mehr1. Mentorium Einführung, Organisation und Aufgaben zur Architektur von Informationssystemen
Wirtschaftsinformatik 2 (PWIN) 1. Mentorium Einführung, Organisation und Aufgaben zur Architektur von Informationssystemen Wirtschaftsinformatik 2 (PWIN) SS 2009, Professur für Mobile Business & Multilateral
Mehr(1) Problemstellung. (2) Kalman Filter
Inhaltsverzeichnis (1) Problemstellung...2 (2) Kalman Filter...2 Funktionsweise... 2 Gleichungen im mehrdimensionalen Fall...3 Schätzung des Systemzustands...3 Vermuteter Schätzfehler... 3 Aktualisierung
MehrZfP-Sonderpreis der DGZfP beim Regionalwettbewerb Jugend forscht BREMERHAVEN. Der Zauberwürfel-Roboter. Paul Giese. Schule: Wilhelm-Raabe-Schule
ZfP-Sonderpreis der DGZfP beim Regionalwettbewerb Jugend forscht BREMERHAVEN Der Zauberwürfel-Roboter Paul Giese Schule: Wilhelm-Raabe-Schule Jugend forscht 2013 Kurzfassung Regionalwettbewerb Bremerhaven
MehrAlgorithmen & Datenstrukturen 1. Klausur
Algorithmen & Datenstrukturen 1. Klausur 7. Juli 2010 Name Matrikelnummer Aufgabe mögliche Punkte erreichte Punkte 1 35 2 30 3 30 4 15 5 40 6 30 Gesamt 180 1 Seite 2 von 14 Aufgabe 1) Programm Analyse
MehrOperations Research II
Operations Research II Einführung in die kombinatorische Optimierung Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Wintersemester 2015/16 Peter Becker (H-BRS) Operations Research
MehrWie Sie die Produktivität Ihrer gesamten Organisation verdoppeln mit nur 8 Minuten täglich!
Wie Sie die Produktivität Ihrer gesamten Organisation verdoppeln mit nur 8 Minuten täglich! Warum die meisten Outlook falsch einsetzen! Die 3 größten Produktivitäts-Fresser im Büroalltag! Wie Sie die Produktivität
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen
MehrStudieninformationsveranstaltung. Informatik. Institut für Informatik IV Universität Bonn. Tel.: 0228/73-4118 e-mail
Studieninformationsveranstaltung Informatik Vortrag am Dies Academicus (1.12.99) Prof. Dr.. Peter Martini Institut für Informatik IV Universität Bonn Tel.: 0228/73-4118 e-mail mail: martini@informatik
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,
MehrDer Begriff Cloud. Eine Spurensuche. Patric Hafner 29.06.2012. geops
Der Begriff Cloud Eine Spurensuche Patric Hafner geops 29.06.2012 Motivation Der größte Hype der IT-Branche Hype heißt sowohl Rummel als auch Schwindel slashdot.org The cloud represents a foundational
Mehrt r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )
Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen
MehrVerwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen
Verwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen Katharina Witowski (DYNAmore GmbH) Peter Reithofer (4a engineering GmbH) Übersicht Problemstellung Parameteridentifikation
MehrDas System sollte den Benutzer immer auf dem Laufenden halten, indem es angemessenes Feedback in einer angemessenen Zeit liefert.
Usability Heuristiken Karima Tefifha Proseminar: "Software Engineering Kernkonzepte: Usability" 28.06.2012 Prof. Dr. Kurt Schneider Leibniz Universität Hannover Die ProSeminar-Ausarbeitung beschäftigt
MehrAgile Vorgehensmodelle in der Softwareentwicklung: Scrum
C A R L V O N O S S I E T Z K Y Agile Vorgehensmodelle in der Softwareentwicklung: Scrum Johannes Diemke Vortrag im Rahmen der Projektgruppe Oldenburger Robot Soccer Team im Wintersemester 2009/2010 Was
MehrTeil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung
Teil II Optimierung Gliederung 9 Einführung, Klassifizierung und Grundlagen 10 Lineare Optimierung 11 Ganzzahlige und kombinatorische Optimierung 12 Dynamische Optimierung Literatur: zu 10-12: Neumann,
MehrDiskrete Optimierung
Diskrete Optimierung Mi 10-12, C118, Sand Dr. Stephanie Reifferscheid Universität Tübingen, WSI 12. Oktober 2011 Dr. Stephanie Reifferscheid Diskrete Optimierung 12. Oktober 2011 1 / 17 Technisches Erreichbarkeit
MehrZuhörer muss mit Thema vertraut werden Zuhörer müssen inhaltlich und logisch folgen können
Inhalt 2/17 Hinweise zur Präsentationsausarbeitung und zu Vorträgen Die folgenden Folien sollen für die Vorbereitung von Präsentation eine einführende Hilfe darstellen. Es werden Hinweise zur Strukturierung
MehrSeminar Textmining SS 2015 Grundlagen des Maschinellen Lernens
Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining
MehrClevere Regler schnell entworfen
Automatisieren Fuzzy-Logik Prof. Dr.-lng. Karl Goser Dipl.-lnform. Hartmut Surmann Clevere Regler schnell entworfen Anwender können Fuzzy-Regler für ihre eigenen Regelprobleme aufbauen In den Massenmedien
MehrSeminar Business Intelligence Teil II. Data Mining & Knowledge Discovery
Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?
MehrBachelor- und Master-Studium Informatik
Bachelor- und Master-Studium Informatik Wissenswertes für Erstsemestler Prof. Dr. Till Tantau Studiengangsleiter MINT-Studiengänge 8. Oktober 2012 Gliederung Wie sollten Sie richtig studieren? Der Bachelor-Studiengang
MehrEvaluation der Computer-Sehen Vorlesung WS05/06
Ergebnisbericht der Online-Umfrage: http://popollog.de/ws0506.cs.irp Evaluation der Computer-Sehen Vorlesung WS05/06 Simon Winkelbach Institut für Robotik und Prozessinformatik Mühlenpfordtstr. 23 38106
MehrRobot Karol für Delphi
Robot Karol für Delphi Reinhard Nitzsche, OSZ Handel I Version 0.1 vom 24. Januar 2003 Zusammenfassung Nach der Einführung in die (variablenfreie) Programmierung mit Robot Karol von Freiberger und Krško
MehrMeet the Germans. Lerntipp zur Schulung der Fertigkeit des Sprechens. Lerntipp und Redemittel zur Präsentation oder einen Vortrag halten
Meet the Germans Lerntipp zur Schulung der Fertigkeit des Sprechens Lerntipp und Redemittel zur Präsentation oder einen Vortrag halten Handreichungen für die Kursleitung Seite 2, Meet the Germans 2. Lerntipp
MehrEinfaches, integriertes Projektmanagement mit Standard-Tools effizient planen und umsetzen
Einfaches, integriertes Projektmanagement mit Standard-Tools effizient planen und umsetzen von Dipl.-Ing. Christian Eichlehner Eines der Kernelemente zur erfolgreichen Projektabwicklung ist eine gute Strukturierung
MehrDie Informatik-Studiengänge
Die Informatik-Studiengänge Wissenswertes für Erstsemestler Prof. Dr. Till Tantau Studiendekan MINT-Studiengänge 11. Oktober 2010 Gliederung Wie sollten Sie richtig studieren? Der Bachelor-Studiengang
MehrWege zur Service Orientierten Organisation. Prof. Dr. Eberhard Schott e-mail: eberhard.schott @ fh-aschaffenburg.de
Vortrag Prof. Dr. Eberhard Schott e-mail: eberhard.schott @ fh-aschaffenburg.de 1. Anforderungen an eine Service Orientierte -Organisation Eine -Organisation sollte den Mentalitätswandel zum Dienstleistungsanbieter
MehrVereinfachte Ticketerfassung oxando GmbH
Vereinfachte Ticketerfassung oxando GmbH 2010 oxando GmbH, Vereinfachte Ticketerfassung 1 Ausgangssituation und Zielsetzung Ausgangssituation Das Anlegen eines Tickets ist oft nicht intuitiv und einfach
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:
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
Mehr(Lineare) stochastische Optimierung
(Lineare) stochastische Optimierung Bsp: Aus zwei Sorten Rohöl wird Benzin und Heizöl erzeugt. Die Produktivität sowie der Mindestbedarf (pro Woche) und die Kosten sind in folgender Tabelle angegeben:
MehrEvaluationsergebnisse: 'Einführung in die formale Spezifikation von Software' (ws0809) - Bernhard Beckert
Evaluationsergebnisse: 'Einführung in die formale Spezifikation von Software' (ws0809) - Bernhard Beckert Studiengang Ich studiere z.zt. im Studiengang 1 Diplom / Informatik mit Nebenfach 0 x 2 Diplom
MehrMasterstudiengänge am Institut für Informatik
Masterstudiengänge am Institut für Informatik Hintergrund: Informatikerausbildung für Wissenschaft und Industrie im Informationszeitalter wird die Informatik immer stärker zur Schlüsseldisziplin am Arbeitsmarkt
MehrMathematik + Informatik dual studieren
Mathematik + Informatik dual studieren Bachelor Scientific Programming und Ausbildung zum MATSE (Mathematisch technische/-r Softwareentwickler/-in) Dipl.-Volksw. Jochen Goeser Fachbereich Medizintechnik
MehrChristoph Puls. Zielorientiertes Management. von Logistikdienstleistungen in. Netzwerken kooperierender. Unternehmen
Christoph Puls Zielorientiertes Management von Logistikdienstleistungen in Netzwerken kooperierender Unternehmen Verlag Dr. Kovac Hamburg 2014 Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis
MehrMathematik für Studierende der Wirtschaftswissenschaften und Gesundheitsökonomie
für Studierende der Wirtschaftswissenschaften und Gesundheitsökonomie Prof. Dr. Maragreta Heilmann Teresa M.Sc. Marco, M.Sc. Bergische Universität Wuppertal Fachbereich C - und Informatik Arbeitsgruppe
MehrDISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374
DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne
MehrStudienseminar Koblenz. WebQuest. Schwierigkeiten bei der Recherche im Internet
Studienseminar Koblenz Wahlmodul 120 WebQuest Michaela Braun 20.6.2005 Schwierigkeiten bei der Recherche im Internet Probleme des Mediums Informationsfülle und damit verbundene Schwierigkeiten bei der
MehrFRAUNHOFER-INSTITUT FÜR PRODUKTIONSTECHNOLOGIE IPT INNOVATIVE PROZESSKETTENOPTIMIERUNG
FRAUNHOFER-INSTITUT FÜR PRODUKTIONSTECHNOLOGIE IPT INNOVATIVE PROZESSKETTENOPTIMIERUNG DIE HERAUSFORDERUNG Je intensiver der Wettbewerb, umso stärker hängt der Unternehmenserfolg von der Fähigkeit zur
MehrCambridge ESOL BULATS Online FAQs Konfiguration des Internet Explorers
Cambridge ESOL BULATS Online FAQs Konfiguration des Internet Explorers Page 1 of 7 Version 1.2 Inhalt 1.1 Einführung... 3 1.2 Vertrauenswürdige Sites... 4 1.3 Pop-up Blocker... 5 1.4 Zugriff auf die lokale
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung für den Bereich Master Informatik
Algorithmische Methoden zur Netzwerkanalyse Vorlesung für den Bereich Master Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR
MehrSpezialisierung Business Intelligence
Spezialisierung Business Intelligence Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg peter.becker@h-brs.de 10. Juni 2015 Was ist Business Intelligence? Allgemein umfasst der Begriff Business
Mehrlippmannstr. 57 22769 hamburg e@sygoing.de tel:040 40 172 543 fax:040 49 222 985
Über uns easy going stellt sich vor: easy going hilft Ihnen, die umfangreichen Möglichkeiten der MS-Office Produkte effizienter zu nutzen: wir beraten Sie dabei, Aufgaben schnell und fehlerfrei zu lösen.
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
MehrAuswertung zu "Projektmanagement B, SS08"
Auswertung zu "Projektmanagement B, SS08" Liebe Dozentin, lieber Dozent, anbei erhalten Sie die Ergebnisse der Evaluation Ihres Seminars. Zu dieser Veranstaltung wurden 30 Bewertungen (bei 30 TeilnehmerInnen)
MehrObjektorientierte Programmierung für Anfänger am Beispiel PHP
Objektorientierte Programmierung für Anfänger am Beispiel PHP Johannes Mittendorfer http://jmittendorfer.hostingsociety.com 19. August 2012 Abstract Dieses Dokument soll die Vorteile der objektorientierten
MehrKybernetik Braitenberg Vehikel
Kybernetik Braitenberg Vehikel Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uniulm.de 29. 05. 2012 Was ist Kybernetik? environment agent Kybernetik ermöglicht,
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
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
MehrSoftware Engineering. Bibliographisches Institut & F. A. Brockhaus AG, Mannheim; Spektrum Akademischer Verlag GmbH, Heidelberg, 2003
Software Engineering Softwaretechnik Softwaretechnologie, Software Engineering (engl.) das, -, Teilgebiet der Informatik, das sich mit Methoden und Werkzeugen für das ingenieurmäßige Entwerfen, Herstellen
MehrStudieneinstieg am Beispiel von Hochschulinstituten Der Übergang von der Mittelschule in das Bachelorstudium am Beispiel der BWL
Studieneinstieg am Beispiel von Hochschulinstituten Der Übergang von der Mittelschule in das Bachelorstudium am Beispiel der BWL Präsentation im Rahmen der AGAB- Fachtagung 15. November 2010 Wirtschafts-
MehrSummer Workshop Mehr Innovationskraft mit Change Management
Your Partner in Change. Your Partner in Innovation. Summer Workshop Mehr Innovationskraft mit Change Management Praxisbeispiel: Innovation im Tagesgeschäft etablieren www.integratedconsulting.at 1 Ausgangslage,
MehrEinführung in die Robotik Einführung. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 23. 10.
Einführung in die Robotik Einführung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 23. 10. 2012 Was ist ein Roboter? Was ist ein Roboter? Jeder hat
MehrLernziele Ablauf Übungsaufgaben Formalitäten. Programmierpraktika. Einführung in das Programmieren und Weiterführendes Programmieren
Programmierpraktika Einführung in das Programmieren und Weiterführendes Programmieren Prof. H.G. Matthies, Dr. R. Niekamp, Dr. E. Zander 16.4.2014 Programmierpraktika 16.4.2014 1/15 Lernziele und Voraussetzungen
MehrMonte Carlo Methoden
Monte Carlo Methoden im Verstärkungslernen [Spink] Bryan Spink 2003 Ketill Gunnarsson [ ketill@inf.fu-berlin.de ], Seminar zum Verstärkungslernen, Freie Universität Berlin [ www.inf.fu-berlin.de ] Einleitung
MehrReaktive Programmierung Vorlesung 16 vom 14.07.2015: Theorie der Nebenläufigkeit
18:13:55 2015-07-14 1 [16] Reaktive Programmierung Vorlesung 16 vom 14.07.2015: Theorie der Nebenläufigkeit Christoph Lüth & Martin Ring Universität Bremen Sommersemester 2015 2 [16] Organisatorisches
MehrMatrix42. Use Case - Bearbeiten einer Störung unter Verwendung von Inventardaten, Aktionen und Knowledge Base. Version 1.0.0. 16.
Matrix42 Use Case - Bearbeiten einer Störung unter Verwendung von Version 1.0.0 16. April 2013-1 - Inhaltsverzeichnis 1 Einleitung 3 1.1 Beschreibung 3 1.2 Vorbereitung 3 2 Use Case 4-2 - 1 Einleitung
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus:
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: If-clauses - conditional sentences - Nie mehr Probleme mit Satzbau im Englischen! Das komplette Material finden Sie hier: School-Scout.de
MehrProgrammieren. Kap 0 Organisation
Programmieren Kap 0 Organisation von Vorlesung und Praktikum Dr. Norbert Spangler Sprechstunde : nach Vereinbarung E-Mail norbert.spangler@h-da.de n.spangler@t-online.de http://www.fbi.h-da.de/organisation/personen/spangler-norbert.html
MehrPPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28.
PPC und Data Mining Seminar aus Informatik LV-911.039 Michael Brugger Fachbereich der Angewandten Informatik Universität Salzburg 28. Mai 2010 M. Brugger () PPC und Data Mining 28. Mai 2010 1 / 14 Inhalt
MehrWie und wann kann ich die Modulbeschreibung ändern?
Wie und wann kann ich die Modulbeschreibung ändern? 17. Juni 2015 Nicola Stauder-Bitzegeio Stabsstelle Qualitätssicherung und -entwicklung in Studium und Lehre 1 Wann? So viel und oft wie nötig, aber so
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung für den Bereich Master Informatik
Algorithmische Methoden zur Netzwerkanalyse Vorlesung für den Bereich Master Informatik Dozent: Prof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK
MehrHow-to: Webserver NAT. Securepoint Security System Version 2007nx
Securepoint Security System Inhaltsverzeichnis Webserver NAT... 3 1 Konfiguration einer Webserver NAT... 4 1.1 Einrichten von Netzwerkobjekten... 4 1.2 Erstellen von Firewall-Regeln... 6 Seite 2 Webserver
MehrIhre Stimme für 7 % für Kinder!
Text des Aufrufs, der an die Politik überreicht wird: Sehr geehrte Damen und Herren, die Mehrwertsteuer ist familienblind. Die Politik hat es bisher über all die Jahre versäumt, die Bedürfnisse von Kindern
MehrInformatik. Kap 0 Organisation
Informatik Kap 0 Organisation von Vorlesung und Praktikum Dr. Norbert Spangler Sprechstunde : nach Vereinbarung E-Mail norbert.spangler@h-da.de n.spangler@t-online.de http://www.fbi.h-da.de/organisation/personen/spangler-norbert.html
MehrPraktikum Handlungsplanung WS 2010/2011
Praktikum Handlungsplanung WS 2010/2011 Einführungsveranstaltung Albert-Ludwigs-Universität Freiburg 18. Oktober 2010 Personen Zeit & Ort Website Personen Organisatoren Dr. Malte Helmert E-Mail: helmert@informatik.uni-freiburg.de
MehrIT-Unternehmensarchitektur Übung 01: IT-Strategie
IT-Unternehmensarchitektur Übung 01: IT-Strategie 29. April 2010 (Donnerstag) Fachgebiet Software-Architekturen, Prof. Dr. Robert Hirschfeld Dipl.-Math. Gernot Dern, Dipl.-Inform. (univ.) Wolfgang Keller,
Mehrschnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG mitp/bhv
Roboter programmieren mit NXC für Lego Mindstorms NXT 1. Auflage Roboter programmieren mit NXC für Lego Mindstorms NXT schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG mitp/bhv Verlag
Mehr----------------------------------------------------------------------------------------------------------------------------------------
0 Seite 0 von 20 03.02.2015 1 Ergebnisse der BSO Studie: Trends und Innovationen im Business Performance Management (BPM) bessere Steuerung des Geschäfts durch BPM. Bei dieser BSO Studie wurden 175 CEOs,
MehrGemeinsamkeiten und Unterschiede bei der Anwendung für die Analyse von Geschäftsprozessen
Gemeinsamkeiten und Unterschiede bei der Anwendung für die Analyse von Geschäftsprozessen Gliederung Geschäftsprozess Einführung der Modellierungskonzepte PetriNetz und EPK Transformation von EPK in PN
MehrRequirements-Traceability in der industriellen Praxis Ziele und Einsatz
Requirements-Traceability in der industriellen Praxis Ziele und Einsatz Forschungsprojekt gefördert von der Deutschen Forschungsgemeinschaft Elke Bouillon elke.bouillon@tu-ilmenau.de 04.12.2012 Seite 1
MehrEinführung in die Robotik Regelung. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 04. 12.
Einführung in die Robotik Regelung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 04. 12. 2012 The human is perhaps the most intelligent control system
MehrPROF. DR. BRIGITTE WERNERS UNTERNEHMENSFORSCHUNG UND RECHNUNGSWESEN
PROF. DR. BRIGITTE WERNERS UNTERNEHMENSFORSCHUNG UND RECHNUNGSWESEN INFORMATIONEN ZU DEN WAHLPFLICHTMODULEN IM BACHELORSTUDIENGANG IN MANAGEMENT & ECONOMICS AGENDA Was ist OR / Management Science? Wer
MehrEinführung in die Fuzzy Logic
Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]
MehrMelde- und Veröffentlichungsplattform Portal (MVP Portal) Hochladen einer XML-Datei
Seite 1 Melde- und Veröffentlichungsplattform Portal (MVP Portal) Hochladen einer XML-Datei Seite 2 1 Inhalt Melde- und Veröffentlichungsplattform Portal... 1 (MVP Portal)... 1 Hochladen einer XML-Datei...
Mehrtoolwear Die Verbindung aller Systemwelten
toolwear Die Verbindung aller Systemwelten toolwear schlägt als erstes Programm seiner Art die Brücke zwischen den unterschiedlichsten Rechnersystemen. toolwear ist ein branchenneutrales Produkt. Systemarchitekturen
MehrLernmaterial für die Fernuni Hagen effizient und prüfungsnah
Lernmaterial für die Fernuni Hagen effizient und prüfungsnah www.schema-f-hagen.de Sie erhalten hier einen Einblick in die Dokumente Aufgaben und Lösungen sowie Erläuterungen Beim Kauf erhalten Sie zudem
Mehr10. Vorlesung Spieltheorie in der Nachrichtentechnik
10. Vorlesung Spieltheorie in der Nachrichtentechnik Vorlesung: Eduard Jorswieck Übung: Rami Mochaourab Sommersemester 2010 Kooperative Spiele - Stabile Paarungen Wir studieren Märkte mit zweiseitigen
Mehr