Machine Learning - Maschinen besser als das menschliche Gehirn?

Größe: px
Ab Seite anzeigen:

Download "Machine Learning - Maschinen besser als das menschliche Gehirn?"

Transkript

1 Machine Learning - Maschinen besser als das menschliche Gehirn? Seminar Big Data Science Tobias Stähle 23. Mai 2014 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft

2 Outline/Gliederung 1 Einführung 2 Neuronale Netze 3 Anwendungsbeispiele 4 Maschine vs Mensch Tobias Stähle Machine Learning 23. Mai /29

3 Machine Learning Ziel: Computersysteme die komplexe Entscheidungen treffen können Problem: zu viele Möglichkeiten Ansatz: Computer lernt aus Beispielen, verallgemeinert diese Hoffnung: Die bei den Lerndaten erfolgreiche Strategie ist auch in anderen Situationen erfolgreich Tobias Stähle Machine Learning 23. Mai /29

4 Machine Learning Ziel: Computersysteme die komplexe Entscheidungen treffen können Problem: zu viele Möglichkeiten Ansatz: Computer lernt aus Beispielen, verallgemeinert diese Hoffnung: Die bei den Lerndaten erfolgreiche Strategie ist auch in anderen Situationen erfolgreich Tobias Stähle Machine Learning 23. Mai /29

5 Machine Learning Ziel: Computersysteme die komplexe Entscheidungen treffen können Problem: zu viele Möglichkeiten Ansatz: Computer lernt aus Beispielen, verallgemeinert diese Hoffnung: Die bei den Lerndaten erfolgreiche Strategie ist auch in anderen Situationen erfolgreich Tobias Stähle Machine Learning 23. Mai /29

6 Machine Learning Ziel: Computersysteme die komplexe Entscheidungen treffen können Problem: zu viele Möglichkeiten Ansatz: Computer lernt aus Beispielen, verallgemeinert diese Hoffnung: Die bei den Lerndaten erfolgreiche Strategie ist auch in anderen Situationen erfolgreich Tobias Stähle Machine Learning 23. Mai /29

7 Geschichte 1945/1946: Erste Turing-vollständige Computer (Zuse Z10, ENIAC) 1952: Erstes Lernfähiges Dame-Programm 1958: Perzeptron, erster Ansatz für neuronale Netze 1968: XOR-Problem, Stagnation in der Forschung 1986: Backpropagation-Verfahren (1974 formuliert) wird bekannter, Renaissance der neuronalen Netze 1990 bis heute: Größere Datenmengen führen zu mehr Statistik in allen Wissenschaften. neuronale Netze und andere Systeme für maschinelles Lernen gewinnen stark an Bedeutung Tobias Stähle Machine Learning 23. Mai /29

8 Geschichte 1945/1946: Erste Turing-vollständige Computer (Zuse Z10, ENIAC) 1952: Erstes Lernfähiges Dame-Programm 1958: Perzeptron, erster Ansatz für neuronale Netze 1968: XOR-Problem, Stagnation in der Forschung 1986: Backpropagation-Verfahren (1974 formuliert) wird bekannter, Renaissance der neuronalen Netze 1990 bis heute: Größere Datenmengen führen zu mehr Statistik in allen Wissenschaften. neuronale Netze und andere Systeme für maschinelles Lernen gewinnen stark an Bedeutung Tobias Stähle Machine Learning 23. Mai /29

9 Geschichte 1945/1946: Erste Turing-vollständige Computer (Zuse Z10, ENIAC) 1952: Erstes Lernfähiges Dame-Programm 1958: Perzeptron, erster Ansatz für neuronale Netze 1968: XOR-Problem, Stagnation in der Forschung 1986: Backpropagation-Verfahren (1974 formuliert) wird bekannter, Renaissance der neuronalen Netze 1990 bis heute: Größere Datenmengen führen zu mehr Statistik in allen Wissenschaften. neuronale Netze und andere Systeme für maschinelles Lernen gewinnen stark an Bedeutung Tobias Stähle Machine Learning 23. Mai /29

10 Geschichte 1945/1946: Erste Turing-vollständige Computer (Zuse Z10, ENIAC) 1952: Erstes Lernfähiges Dame-Programm 1958: Perzeptron, erster Ansatz für neuronale Netze 1968: XOR-Problem, Stagnation in der Forschung 1986: Backpropagation-Verfahren (1974 formuliert) wird bekannter, Renaissance der neuronalen Netze 1990 bis heute: Größere Datenmengen führen zu mehr Statistik in allen Wissenschaften. neuronale Netze und andere Systeme für maschinelles Lernen gewinnen stark an Bedeutung Tobias Stähle Machine Learning 23. Mai /29

11 Geschichte 1945/1946: Erste Turing-vollständige Computer (Zuse Z10, ENIAC) 1952: Erstes Lernfähiges Dame-Programm 1958: Perzeptron, erster Ansatz für neuronale Netze 1968: XOR-Problem, Stagnation in der Forschung 1986: Backpropagation-Verfahren (1974 formuliert) wird bekannter, Renaissance der neuronalen Netze 1990 bis heute: Größere Datenmengen führen zu mehr Statistik in allen Wissenschaften. neuronale Netze und andere Systeme für maschinelles Lernen gewinnen stark an Bedeutung Tobias Stähle Machine Learning 23. Mai /29

12 Geschichte 1945/1946: Erste Turing-vollständige Computer (Zuse Z10, ENIAC) 1952: Erstes Lernfähiges Dame-Programm 1958: Perzeptron, erster Ansatz für neuronale Netze 1968: XOR-Problem, Stagnation in der Forschung 1986: Backpropagation-Verfahren (1974 formuliert) wird bekannter, Renaissance der neuronalen Netze 1990 bis heute: Größere Datenmengen führen zu mehr Statistik in allen Wissenschaften. neuronale Netze und andere Systeme für maschinelles Lernen gewinnen stark an Bedeutung Tobias Stähle Machine Learning 23. Mai /29

13 Verwendete Methoden neuronale Netze Entscheidungsbäume Assoziationsanalyse induktive logische Programmierung Support Vector Machine Clusteranalyse Bayessches Netz Tobias Stähle Machine Learning 23. Mai /29

14 Neuronale Netze Tobias Stähle Machine Learning 23. Mai /29

15 Was sind neuronale Netze? formale Modellierung des Neuronennetzes des menschlichen Gehirns zur Erforschung der Funktionsweise des menschlichen Gehirns eingesetzt zur Lösung konkreter Anwendungsprobleme Eingabevektor wird verarbeitet, Ausgabevektor ausgegeben können formell durch Matrizen dargestellt werden Tobias Stähle Machine Learning 23. Mai /29

16 Was sind neuronale Netze? formale Modellierung des Neuronennetzes des menschlichen Gehirns zur Erforschung der Funktionsweise des menschlichen Gehirns eingesetzt zur Lösung konkreter Anwendungsprobleme Eingabevektor wird verarbeitet, Ausgabevektor ausgegeben können formell durch Matrizen dargestellt werden Tobias Stähle Machine Learning 23. Mai /29

17 Was sind neuronale Netze? formale Modellierung des Neuronennetzes des menschlichen Gehirns zur Erforschung der Funktionsweise des menschlichen Gehirns eingesetzt zur Lösung konkreter Anwendungsprobleme Eingabevektor wird verarbeitet, Ausgabevektor ausgegeben können formell durch Matrizen dargestellt werden Tobias Stähle Machine Learning 23. Mai /29

18 Was sind neuronale Netze? formale Modellierung des Neuronennetzes des menschlichen Gehirns zur Erforschung der Funktionsweise des menschlichen Gehirns eingesetzt zur Lösung konkreter Anwendungsprobleme Eingabevektor wird verarbeitet, Ausgabevektor ausgegeben können formell durch Matrizen dargestellt werden Tobias Stähle Machine Learning 23. Mai /29

19 Was sind neuronale Netze? formale Modellierung des Neuronennetzes des menschlichen Gehirns zur Erforschung der Funktionsweise des menschlichen Gehirns eingesetzt zur Lösung konkreter Anwendungsprobleme Eingabevektor wird verarbeitet, Ausgabevektor ausgegeben können formell durch Matrizen dargestellt werden Tobias Stähle Machine Learning 23. Mai /29

20 Eigenschaften neuronaler Netze Parallelisierung Fehlertoleranz (intern und extern) gute Kategorisierung hohe Lernfähigkeit (auch bei komplexen Zusammenhängen) viele einstellbare Parameter Tobias Stähle Machine Learning 23. Mai /29

21 Eigenschaften neuronaler Netze Parallelisierung Fehlertoleranz (intern und extern) gute Kategorisierung hohe Lernfähigkeit (auch bei komplexen Zusammenhängen) viele einstellbare Parameter Tobias Stähle Machine Learning 23. Mai /29

22 Eigenschaften neuronaler Netze Parallelisierung Fehlertoleranz (intern und extern) gute Kategorisierung hohe Lernfähigkeit (auch bei komplexen Zusammenhängen) viele einstellbare Parameter Tobias Stähle Machine Learning 23. Mai /29

23 Eigenschaften neuronaler Netze Parallelisierung Fehlertoleranz (intern und extern) gute Kategorisierung hohe Lernfähigkeit (auch bei komplexen Zusammenhängen) viele einstellbare Parameter Tobias Stähle Machine Learning 23. Mai /29

24 Eigenschaften neuronaler Netze Parallelisierung Fehlertoleranz (intern und extern) gute Kategorisierung hohe Lernfähigkeit (auch bei komplexen Zusammenhängen) viele einstellbare Parameter Tobias Stähle Machine Learning 23. Mai /29

25 Neuronen Grundeinheiten des neuronalen Netzes alternative Namen: Knoten, Units, Einheiten nehmen Informationen auf, verarbeiten sie und leiten Informationen weiter 3 Varianten: Input-Neuronen: Eingang Außenwelt, Ausgang andere Neuronen Output-Neuronen: Eingang andere Neuronen, Ausgang Außenwelt Hidden-Neuronen: Ein- und Ausgang andere Neuronen Tobias Stähle Machine Learning 23. Mai /29

26 Neuronen Grundeinheiten des neuronalen Netzes alternative Namen: Knoten, Units, Einheiten nehmen Informationen auf, verarbeiten sie und leiten Informationen weiter 3 Varianten: Input-Neuronen: Eingang Außenwelt, Ausgang andere Neuronen Output-Neuronen: Eingang andere Neuronen, Ausgang Außenwelt Hidden-Neuronen: Ein- und Ausgang andere Neuronen Tobias Stähle Machine Learning 23. Mai /29

27 Neuronen Grundeinheiten des neuronalen Netzes alternative Namen: Knoten, Units, Einheiten nehmen Informationen auf, verarbeiten sie und leiten Informationen weiter 3 Varianten: Input-Neuronen: Eingang Außenwelt, Ausgang andere Neuronen Output-Neuronen: Eingang andere Neuronen, Ausgang Außenwelt Hidden-Neuronen: Ein- und Ausgang andere Neuronen Tobias Stähle Machine Learning 23. Mai /29

28 Neuronen Grundeinheiten des neuronalen Netzes alternative Namen: Knoten, Units, Einheiten nehmen Informationen auf, verarbeiten sie und leiten Informationen weiter 3 Varianten: Input-Neuronen: Eingang Außenwelt, Ausgang andere Neuronen Output-Neuronen: Eingang andere Neuronen, Ausgang Außenwelt Hidden-Neuronen: Ein- und Ausgang andere Neuronen Tobias Stähle Machine Learning 23. Mai /29

29 Neuronen Grundeinheiten des neuronalen Netzes alternative Namen: Knoten, Units, Einheiten nehmen Informationen auf, verarbeiten sie und leiten Informationen weiter 3 Varianten: Input-Neuronen: Eingang Außenwelt, Ausgang andere Neuronen Output-Neuronen: Eingang andere Neuronen, Ausgang Außenwelt Hidden-Neuronen: Ein- und Ausgang andere Neuronen Tobias Stähle Machine Learning 23. Mai /29

30 Neuronen Grundeinheiten des neuronalen Netzes alternative Namen: Knoten, Units, Einheiten nehmen Informationen auf, verarbeiten sie und leiten Informationen weiter 3 Varianten: Input-Neuronen: Eingang Außenwelt, Ausgang andere Neuronen Output-Neuronen: Eingang andere Neuronen, Ausgang Außenwelt Hidden-Neuronen: Ein- und Ausgang andere Neuronen Tobias Stähle Machine Learning 23. Mai /29

31 Neuronen Grundeinheiten des neuronalen Netzes alternative Namen: Knoten, Units, Einheiten nehmen Informationen auf, verarbeiten sie und leiten Informationen weiter 3 Varianten: Input-Neuronen: Eingang Außenwelt, Ausgang andere Neuronen Output-Neuronen: Eingang andere Neuronen, Ausgang Außenwelt Hidden-Neuronen: Ein- und Ausgang andere Neuronen Tobias Stähle Machine Learning 23. Mai /29

32 Verbindungen Verbinden zwei Neuronen Verbindungsstärke wird durch Gewicht ausgedrückt positives Gewicht: erregender Einfluss negatives Gewicht: hemmender Einfluss Null: Kein Einfluss Tobias Stähle Machine Learning 23. Mai /29

33 Verbindungen Verbinden zwei Neuronen Verbindungsstärke wird durch Gewicht ausgedrückt positives Gewicht: erregender Einfluss negatives Gewicht: hemmender Einfluss Null: Kein Einfluss Tobias Stähle Machine Learning 23. Mai /29

34 Verbindungen Verbinden zwei Neuronen Verbindungsstärke wird durch Gewicht ausgedrückt positives Gewicht: erregender Einfluss negatives Gewicht: hemmender Einfluss Null: Kein Einfluss Tobias Stähle Machine Learning 23. Mai /29

35 Verbindungen Verbinden zwei Neuronen Verbindungsstärke wird durch Gewicht ausgedrückt positives Gewicht: erregender Einfluss negatives Gewicht: hemmender Einfluss Null: Kein Einfluss Tobias Stähle Machine Learning 23. Mai /29

36 Verbindungen Verbinden zwei Neuronen Verbindungsstärke wird durch Gewicht ausgedrückt positives Gewicht: erregender Einfluss negatives Gewicht: hemmender Einfluss Null: Kein Einfluss Tobias Stähle Machine Learning 23. Mai /29

37 Funktionsweise neuronaler Netze Gesamtinput wird aus eingehenden Verbindungen festgelegt Jede Verbindung: Input aus Gewicht und Aktivität (oft multiplikativ) Alle Verbindungen zusammen: Netinput (oft additiv) Output wird aus Input berechnet: Lineare Aktivitätsfunktion Lineare Aktivitätsfunktion mit Schwelle (unterdrückt Rauschen) Binäre Schwellenfunktion Sigmoide Aktivitätsfunktion (Vorteile: Beschränkt und Differenzierbar) Tobias Stähle Machine Learning 23. Mai /29

38 Funktionsweise neuronaler Netze Gesamtinput wird aus eingehenden Verbindungen festgelegt Jede Verbindung: Input aus Gewicht und Aktivität (oft multiplikativ) Alle Verbindungen zusammen: Netinput (oft additiv) Output wird aus Input berechnet: Lineare Aktivitätsfunktion Lineare Aktivitätsfunktion mit Schwelle (unterdrückt Rauschen) Binäre Schwellenfunktion Sigmoide Aktivitätsfunktion (Vorteile: Beschränkt und Differenzierbar) Tobias Stähle Machine Learning 23. Mai /29

39 Funktionsweise neuronaler Netze Gesamtinput wird aus eingehenden Verbindungen festgelegt Jede Verbindung: Input aus Gewicht und Aktivität (oft multiplikativ) Alle Verbindungen zusammen: Netinput (oft additiv) Output wird aus Input berechnet: Lineare Aktivitätsfunktion Lineare Aktivitätsfunktion mit Schwelle (unterdrückt Rauschen) Binäre Schwellenfunktion Sigmoide Aktivitätsfunktion (Vorteile: Beschränkt und Differenzierbar) Tobias Stähle Machine Learning 23. Mai /29

40 Funktionsweise neuronaler Netze Gesamtinput wird aus eingehenden Verbindungen festgelegt Jede Verbindung: Input aus Gewicht und Aktivität (oft multiplikativ) Alle Verbindungen zusammen: Netinput (oft additiv) Output wird aus Input berechnet: Lineare Aktivitätsfunktion Lineare Aktivitätsfunktion mit Schwelle (unterdrückt Rauschen) Binäre Schwellenfunktion Sigmoide Aktivitätsfunktion (Vorteile: Beschränkt und Differenzierbar) Tobias Stähle Machine Learning 23. Mai /29

41 Funktionsweise neuronaler Netze Gesamtinput wird aus eingehenden Verbindungen festgelegt Jede Verbindung: Input aus Gewicht und Aktivität (oft multiplikativ) Alle Verbindungen zusammen: Netinput (oft additiv) Output wird aus Input berechnet: Lineare Aktivitätsfunktion Lineare Aktivitätsfunktion mit Schwelle (unterdrückt Rauschen) Binäre Schwellenfunktion Sigmoide Aktivitätsfunktion (Vorteile: Beschränkt und Differenzierbar) Tobias Stähle Machine Learning 23. Mai /29

42 Funktionsweise neuronaler Netze Gesamtinput wird aus eingehenden Verbindungen festgelegt Jede Verbindung: Input aus Gewicht und Aktivität (oft multiplikativ) Alle Verbindungen zusammen: Netinput (oft additiv) Output wird aus Input berechnet: Lineare Aktivitätsfunktion Lineare Aktivitätsfunktion mit Schwelle (unterdrückt Rauschen) Binäre Schwellenfunktion Sigmoide Aktivitätsfunktion (Vorteile: Beschränkt und Differenzierbar) Tobias Stähle Machine Learning 23. Mai /29

43 Funktionsweise neuronaler Netze Gesamtinput wird aus eingehenden Verbindungen festgelegt Jede Verbindung: Input aus Gewicht und Aktivität (oft multiplikativ) Alle Verbindungen zusammen: Netinput (oft additiv) Output wird aus Input berechnet: Lineare Aktivitätsfunktion Lineare Aktivitätsfunktion mit Schwelle (unterdrückt Rauschen) Binäre Schwellenfunktion Sigmoide Aktivitätsfunktion (Vorteile: Beschränkt und Differenzierbar) Tobias Stähle Machine Learning 23. Mai /29

44 Funktionsweise neuronaler Netze Gesamtinput wird aus eingehenden Verbindungen festgelegt Jede Verbindung: Input aus Gewicht und Aktivität (oft multiplikativ) Alle Verbindungen zusammen: Netinput (oft additiv) Output wird aus Input berechnet: Lineare Aktivitätsfunktion Lineare Aktivitätsfunktion mit Schwelle (unterdrückt Rauschen) Binäre Schwellenfunktion Sigmoide Aktivitätsfunktion (Vorteile: Beschränkt und Differenzierbar) Tobias Stähle Machine Learning 23. Mai /29

45 Trainingsphase Training durch viele Inputs Modifikation durch Lernregeln (meist Gewichte) supervised Learning: Gewünschtes Ergebnis wird vorgegeben unsupervised Learning: kein Output vorgegeben Tobias Stähle Machine Learning 23. Mai /29

46 Trainingsphase Training durch viele Inputs Modifikation durch Lernregeln (meist Gewichte) supervised Learning: Gewünschtes Ergebnis wird vorgegeben unsupervised Learning: kein Output vorgegeben Tobias Stähle Machine Learning 23. Mai /29

47 Trainingsphase Training durch viele Inputs Modifikation durch Lernregeln (meist Gewichte) supervised Learning: Gewünschtes Ergebnis wird vorgegeben unsupervised Learning: kein Output vorgegeben Tobias Stähle Machine Learning 23. Mai /29

48 Trainingsphase Training durch viele Inputs Modifikation durch Lernregeln (meist Gewichte) supervised Learning: Gewünschtes Ergebnis wird vorgegeben unsupervised Learning: kein Output vorgegeben Tobias Stähle Machine Learning 23. Mai /29

49 Lernregeln geben an, wie das System Modifiziert wird viele Möglichkeiten: Hebb-Regel Delta-Regel Backpropagation Competitive Learning... Tobias Stähle Machine Learning 23. Mai /29

50 Lernregeln geben an, wie das System Modifiziert wird viele Möglichkeiten: Hebb-Regel Delta-Regel Backpropagation Competitive Learning... Tobias Stähle Machine Learning 23. Mai /29

51 Lernregeln geben an, wie das System Modifiziert wird viele Möglichkeiten: Hebb-Regel Delta-Regel Backpropagation Competitive Learning... Tobias Stähle Machine Learning 23. Mai /29

52 Lernregeln geben an, wie das System Modifiziert wird viele Möglichkeiten: Hebb-Regel Delta-Regel Backpropagation Competitive Learning... Tobias Stähle Machine Learning 23. Mai /29

53 Lernregeln geben an, wie das System Modifiziert wird viele Möglichkeiten: Hebb-Regel Delta-Regel Backpropagation Competitive Learning... Tobias Stähle Machine Learning 23. Mai /29

54 Lernregeln geben an, wie das System Modifiziert wird viele Möglichkeiten: Hebb-Regel Delta-Regel Backpropagation Competitive Learning... Tobias Stähle Machine Learning 23. Mai /29

55 Lernregeln geben an, wie das System Modifiziert wird viele Möglichkeiten: Hebb-Regel Delta-Regel Backpropagation Competitive Learning... Tobias Stähle Machine Learning 23. Mai /29

56 Hebbsche Regel Hebbsche Regel "Wenn ein Axon der Zelle A... Zelle B erregt und wiederholt und dauerhaft zur Erzeugung von Aktionspotentialen in Zelle B beiträgt, so resultiert dies in Wachstumsprozessen oder metabolischen Veränderungen in einer oder in beiden Zellen, die bewirken, dass die Effizienz von Zelle A in bezug auf die Erzeugung eines Aktionspotentials in B größer wird. The Organization of Behaviour, Donald Hebb, 1949 sehr an biologische Vorgänge angelehnt zwei Neuronen gleichzeitig aktiv Gewicht wird größer vorgegebener Lernfaktor ɛ Gewichtsänderung: w ij = ɛa i a j Tobias Stähle Machine Learning 23. Mai /29

57 Hebbsche Regel Hebbsche Regel "Wenn ein Axon der Zelle A... Zelle B erregt und wiederholt und dauerhaft zur Erzeugung von Aktionspotentialen in Zelle B beiträgt, so resultiert dies in Wachstumsprozessen oder metabolischen Veränderungen in einer oder in beiden Zellen, die bewirken, dass die Effizienz von Zelle A in bezug auf die Erzeugung eines Aktionspotentials in B größer wird. The Organization of Behaviour, Donald Hebb, 1949 sehr an biologische Vorgänge angelehnt zwei Neuronen gleichzeitig aktiv Gewicht wird größer vorgegebener Lernfaktor ɛ Gewichtsänderung: w ij = ɛa i a j Tobias Stähle Machine Learning 23. Mai /29

58 Hebbsche Regel Hebbsche Regel "Wenn ein Axon der Zelle A... Zelle B erregt und wiederholt und dauerhaft zur Erzeugung von Aktionspotentialen in Zelle B beiträgt, so resultiert dies in Wachstumsprozessen oder metabolischen Veränderungen in einer oder in beiden Zellen, die bewirken, dass die Effizienz von Zelle A in bezug auf die Erzeugung eines Aktionspotentials in B größer wird. The Organization of Behaviour, Donald Hebb, 1949 sehr an biologische Vorgänge angelehnt zwei Neuronen gleichzeitig aktiv Gewicht wird größer vorgegebener Lernfaktor ɛ Gewichtsänderung: w ij = ɛa i a j Tobias Stähle Machine Learning 23. Mai /29

59 Hebbsche Regel Hebbsche Regel "Wenn ein Axon der Zelle A... Zelle B erregt und wiederholt und dauerhaft zur Erzeugung von Aktionspotentialen in Zelle B beiträgt, so resultiert dies in Wachstumsprozessen oder metabolischen Veränderungen in einer oder in beiden Zellen, die bewirken, dass die Effizienz von Zelle A in bezug auf die Erzeugung eines Aktionspotentials in B größer wird. The Organization of Behaviour, Donald Hebb, 1949 sehr an biologische Vorgänge angelehnt zwei Neuronen gleichzeitig aktiv Gewicht wird größer vorgegebener Lernfaktor ɛ Gewichtsänderung: w ij = ɛa i a j Tobias Stähle Machine Learning 23. Mai /29

60 Delta-Regel einfacher, logischer Ansatz vergleicht Output mit gewünschtem Output δ i Veränderung in Richtung gewünschtem Output Neuronen mit starkem Output stärker verändert Gewichtsänderung: w ij = ɛδ i a j Problem: Nur in Netzen ohne Hidden-Neuronen sinnvoll Tobias Stähle Machine Learning 23. Mai /29

61 Delta-Regel einfacher, logischer Ansatz vergleicht Output mit gewünschtem Output δ i Veränderung in Richtung gewünschtem Output Neuronen mit starkem Output stärker verändert Gewichtsänderung: w ij = ɛδ i a j Problem: Nur in Netzen ohne Hidden-Neuronen sinnvoll Tobias Stähle Machine Learning 23. Mai /29

62 Delta-Regel einfacher, logischer Ansatz vergleicht Output mit gewünschtem Output δ i Veränderung in Richtung gewünschtem Output Neuronen mit starkem Output stärker verändert Gewichtsänderung: w ij = ɛδ i a j Problem: Nur in Netzen ohne Hidden-Neuronen sinnvoll Tobias Stähle Machine Learning 23. Mai /29

63 Delta-Regel einfacher, logischer Ansatz vergleicht Output mit gewünschtem Output δ i Veränderung in Richtung gewünschtem Output Neuronen mit starkem Output stärker verändert Gewichtsänderung: w ij = ɛδ i a j Problem: Nur in Netzen ohne Hidden-Neuronen sinnvoll Tobias Stähle Machine Learning 23. Mai /29

64 Delta-Regel einfacher, logischer Ansatz vergleicht Output mit gewünschtem Output δ i Veränderung in Richtung gewünschtem Output Neuronen mit starkem Output stärker verändert Gewichtsänderung: w ij = ɛδ i a j Problem: Nur in Netzen ohne Hidden-Neuronen sinnvoll Tobias Stähle Machine Learning 23. Mai /29

65 Delta-Regel einfacher, logischer Ansatz vergleicht Output mit gewünschtem Output δ i Veränderung in Richtung gewünschtem Output Neuronen mit starkem Output stärker verändert Gewichtsänderung: w ij = ɛδ i a j Problem: Nur in Netzen ohne Hidden-Neuronen sinnvoll Tobias Stähle Machine Learning 23. Mai /29

66 Backpropagation Problem: gewünschter Output bei Hidden-Neuronen unklar Lösung: Rückführung des Fehlers durch die Schichten Ablauf: Forward Pass Fehlerbestimmung Backward Pass Tobias Stähle Machine Learning 23. Mai /29

67 Backpropagation Problem: gewünschter Output bei Hidden-Neuronen unklar Lösung: Rückführung des Fehlers durch die Schichten Ablauf: Forward Pass Fehlerbestimmung Backward Pass Tobias Stähle Machine Learning 23. Mai /29

68 Backpropagation Problem: gewünschter Output bei Hidden-Neuronen unklar Lösung: Rückführung des Fehlers durch die Schichten Ablauf: Forward Pass Fehlerbestimmung Backward Pass Tobias Stähle Machine Learning 23. Mai /29

69 Backpropagation Problem: gewünschter Output bei Hidden-Neuronen unklar Lösung: Rückführung des Fehlers durch die Schichten Ablauf: Forward Pass Fehlerbestimmung Backward Pass Tobias Stähle Machine Learning 23. Mai /29

70 Backpropagation Problem: gewünschter Output bei Hidden-Neuronen unklar Lösung: Rückführung des Fehlers durch die Schichten Ablauf: Forward Pass Fehlerbestimmung Backward Pass Tobias Stähle Machine Learning 23. Mai /29

71 Backpropagation Problem: gewünschter Output bei Hidden-Neuronen unklar Lösung: Rückführung des Fehlers durch die Schichten Ablauf: Forward Pass Fehlerbestimmung Backward Pass Tobias Stähle Machine Learning 23. Mai /29

72 Backpropagation II Neuronales Netz auf Beispieldaten anwenden Fehler der Outputneuronen bestimmen Fehlerminimierung der Outputschicht Minimierung über Gradienten Weitergabe des Fehlers (Gewichts-, Aktivierungsfunktionsabhängig) Minimierung der nächsten Schicht... Tobias Stähle Machine Learning 23. Mai /29

73 Backpropagation II Neuronales Netz auf Beispieldaten anwenden Fehler der Outputneuronen bestimmen Fehlerminimierung der Outputschicht Minimierung über Gradienten Weitergabe des Fehlers (Gewichts-, Aktivierungsfunktionsabhängig) Minimierung der nächsten Schicht... Tobias Stähle Machine Learning 23. Mai /29

74 Backpropagation II Neuronales Netz auf Beispieldaten anwenden Fehler der Outputneuronen bestimmen Fehlerminimierung der Outputschicht Minimierung über Gradienten Weitergabe des Fehlers (Gewichts-, Aktivierungsfunktionsabhängig) Minimierung der nächsten Schicht... Tobias Stähle Machine Learning 23. Mai /29

75 Backpropagation II Neuronales Netz auf Beispieldaten anwenden Fehler der Outputneuronen bestimmen Fehlerminimierung der Outputschicht Minimierung über Gradienten Weitergabe des Fehlers (Gewichts-, Aktivierungsfunktionsabhängig) Minimierung der nächsten Schicht... Tobias Stähle Machine Learning 23. Mai /29

76 Backpropagation II Neuronales Netz auf Beispieldaten anwenden Fehler der Outputneuronen bestimmen Fehlerminimierung der Outputschicht Minimierung über Gradienten Weitergabe des Fehlers (Gewichts-, Aktivierungsfunktionsabhängig) Minimierung der nächsten Schicht... Tobias Stähle Machine Learning 23. Mai /29

77 Backpropagation II Neuronales Netz auf Beispieldaten anwenden Fehler der Outputneuronen bestimmen Fehlerminimierung der Outputschicht Minimierung über Gradienten Weitergabe des Fehlers (Gewichts-, Aktivierungsfunktionsabhängig) Minimierung der nächsten Schicht... Tobias Stähle Machine Learning 23. Mai /29

78 Backpropagation II Neuronales Netz auf Beispieldaten anwenden Fehler der Outputneuronen bestimmen Fehlerminimierung der Outputschicht Minimierung über Gradienten Weitergabe des Fehlers (Gewichts-, Aktivierungsfunktionsabhängig) Minimierung der nächsten Schicht... Tobias Stähle Machine Learning 23. Mai /29

79 Anwendungsbeispiele Tobias Stähle Machine Learning 23. Mai /29

80 Biologie: Farbkonsistenz Phänomen: Objekte erscheinen trotz unterschiedlicher Beleuchtung in gleicher Farbe Untersuchungsansatz: Neuronales Netz mit 2 Hidden-Schichten und Backpropagation Testdaten: Objekte unter verschiedener Beleuchtung, Farbwerte wurden übergeben. Ergebnisse: neuronales Netz konnte den Objekten oft eine klare Farbe zuweisen, auch unter unterschiedlicher Beleuchtung viele Gemeinsamkeiten zu Experimenten mit menschlichen Probanden Tobias Stähle Machine Learning 23. Mai /29

81 Biologie: Farbkonsistenz Phänomen: Objekte erscheinen trotz unterschiedlicher Beleuchtung in gleicher Farbe Untersuchungsansatz: Neuronales Netz mit 2 Hidden-Schichten und Backpropagation Testdaten: Objekte unter verschiedener Beleuchtung, Farbwerte wurden übergeben. Ergebnisse: neuronales Netz konnte den Objekten oft eine klare Farbe zuweisen, auch unter unterschiedlicher Beleuchtung viele Gemeinsamkeiten zu Experimenten mit menschlichen Probanden Tobias Stähle Machine Learning 23. Mai /29

82 Biologie: Farbkonsistenz Phänomen: Objekte erscheinen trotz unterschiedlicher Beleuchtung in gleicher Farbe Untersuchungsansatz: Neuronales Netz mit 2 Hidden-Schichten und Backpropagation Testdaten: Objekte unter verschiedener Beleuchtung, Farbwerte wurden übergeben. Ergebnisse: neuronales Netz konnte den Objekten oft eine klare Farbe zuweisen, auch unter unterschiedlicher Beleuchtung viele Gemeinsamkeiten zu Experimenten mit menschlichen Probanden Tobias Stähle Machine Learning 23. Mai /29

83 Biologie: Farbkonsistenz Phänomen: Objekte erscheinen trotz unterschiedlicher Beleuchtung in gleicher Farbe Untersuchungsansatz: Neuronales Netz mit 2 Hidden-Schichten und Backpropagation Testdaten: Objekte unter verschiedener Beleuchtung, Farbwerte wurden übergeben. Ergebnisse: neuronales Netz konnte den Objekten oft eine klare Farbe zuweisen, auch unter unterschiedlicher Beleuchtung viele Gemeinsamkeiten zu Experimenten mit menschlichen Probanden Tobias Stähle Machine Learning 23. Mai /29

84 Biologie: Farbkonsistenz Phänomen: Objekte erscheinen trotz unterschiedlicher Beleuchtung in gleicher Farbe Untersuchungsansatz: Neuronales Netz mit 2 Hidden-Schichten und Backpropagation Testdaten: Objekte unter verschiedener Beleuchtung, Farbwerte wurden übergeben. Ergebnisse: neuronales Netz konnte den Objekten oft eine klare Farbe zuweisen, auch unter unterschiedlicher Beleuchtung viele Gemeinsamkeiten zu Experimenten mit menschlichen Probanden Tobias Stähle Machine Learning 23. Mai /29

85 Biologie: Farbkonsistenz Phänomen: Objekte erscheinen trotz unterschiedlicher Beleuchtung in gleicher Farbe Untersuchungsansatz: Neuronales Netz mit 2 Hidden-Schichten und Backpropagation Testdaten: Objekte unter verschiedener Beleuchtung, Farbwerte wurden übergeben. Ergebnisse: neuronales Netz konnte den Objekten oft eine klare Farbe zuweisen, auch unter unterschiedlicher Beleuchtung viele Gemeinsamkeiten zu Experimenten mit menschlichen Probanden Tobias Stähle Machine Learning 23. Mai /29

86 Wirtschaft: Autoversicherung Aufgabe: Risikoabschätzung bei Versicherten Problem: Sehr viele mögliche Parameter Ansatz: NeuroBayes Algorithmen (Kombination vieler Lernalgorithmen) Vorteile: Sehr viele Parameter können mit annehmbaren Aufwand zur Kategorisierung benutzt werden Ergebnis: Bessere Risikoabschätzung führt zu passenderen Tarifen. Kündigungsrisiko kann vorhergesagt werden gezieltes Marketing Tobias Stähle Machine Learning 23. Mai /29

87 Wirtschaft: Autoversicherung Aufgabe: Risikoabschätzung bei Versicherten Problem: Sehr viele mögliche Parameter Ansatz: NeuroBayes Algorithmen (Kombination vieler Lernalgorithmen) Vorteile: Sehr viele Parameter können mit annehmbaren Aufwand zur Kategorisierung benutzt werden Ergebnis: Bessere Risikoabschätzung führt zu passenderen Tarifen. Kündigungsrisiko kann vorhergesagt werden gezieltes Marketing Tobias Stähle Machine Learning 23. Mai /29

88 Wirtschaft: Autoversicherung Aufgabe: Risikoabschätzung bei Versicherten Problem: Sehr viele mögliche Parameter Ansatz: NeuroBayes Algorithmen (Kombination vieler Lernalgorithmen) Vorteile: Sehr viele Parameter können mit annehmbaren Aufwand zur Kategorisierung benutzt werden Ergebnis: Bessere Risikoabschätzung führt zu passenderen Tarifen. Kündigungsrisiko kann vorhergesagt werden gezieltes Marketing Tobias Stähle Machine Learning 23. Mai /29

89 Wirtschaft: Autoversicherung Aufgabe: Risikoabschätzung bei Versicherten Problem: Sehr viele mögliche Parameter Ansatz: NeuroBayes Algorithmen (Kombination vieler Lernalgorithmen) Vorteile: Sehr viele Parameter können mit annehmbaren Aufwand zur Kategorisierung benutzt werden Ergebnis: Bessere Risikoabschätzung führt zu passenderen Tarifen. Kündigungsrisiko kann vorhergesagt werden gezieltes Marketing Tobias Stähle Machine Learning 23. Mai /29

90 Wirtschaft: Autoversicherung Aufgabe: Risikoabschätzung bei Versicherten Problem: Sehr viele mögliche Parameter Ansatz: NeuroBayes Algorithmen (Kombination vieler Lernalgorithmen) Vorteile: Sehr viele Parameter können mit annehmbaren Aufwand zur Kategorisierung benutzt werden Ergebnis: Bessere Risikoabschätzung führt zu passenderen Tarifen. Kündigungsrisiko kann vorhergesagt werden gezieltes Marketing Tobias Stähle Machine Learning 23. Mai /29

91 Wirtschaft: Autoversicherung Aufgabe: Risikoabschätzung bei Versicherten Problem: Sehr viele mögliche Parameter Ansatz: NeuroBayes Algorithmen (Kombination vieler Lernalgorithmen) Vorteile: Sehr viele Parameter können mit annehmbaren Aufwand zur Kategorisierung benutzt werden Ergebnis: Bessere Risikoabschätzung führt zu passenderen Tarifen. Kündigungsrisiko kann vorhergesagt werden gezieltes Marketing Tobias Stähle Machine Learning 23. Mai /29

92 Wirtschaft: Autoversicherung Aufgabe: Risikoabschätzung bei Versicherten Problem: Sehr viele mögliche Parameter Ansatz: NeuroBayes Algorithmen (Kombination vieler Lernalgorithmen) Vorteile: Sehr viele Parameter können mit annehmbaren Aufwand zur Kategorisierung benutzt werden Ergebnis: Bessere Risikoabschätzung führt zu passenderen Tarifen. Kündigungsrisiko kann vorhergesagt werden gezieltes Marketing Tobias Stähle Machine Learning 23. Mai /29

93 Physik: CERN Aufgabe: Auswertung von Kollisionen, finden neuer Teilchen Problem: 600 Terabyte Daten pro Sekunde Ansatz: NeuroBayes Algorithmen als Triggersoftware Ergebnis: interessante Kollisionen werden gespeichert, uninteressante verworfen Reduktion auf ca. 1 Gigabyte Daten pro Sekunde Tobias Stähle Machine Learning 23. Mai /29

94 Physik: CERN Aufgabe: Auswertung von Kollisionen, finden neuer Teilchen Problem: 600 Terabyte Daten pro Sekunde Ansatz: NeuroBayes Algorithmen als Triggersoftware Ergebnis: interessante Kollisionen werden gespeichert, uninteressante verworfen Reduktion auf ca. 1 Gigabyte Daten pro Sekunde Tobias Stähle Machine Learning 23. Mai /29

95 Physik: CERN Aufgabe: Auswertung von Kollisionen, finden neuer Teilchen Problem: 600 Terabyte Daten pro Sekunde Ansatz: NeuroBayes Algorithmen als Triggersoftware Ergebnis: interessante Kollisionen werden gespeichert, uninteressante verworfen Reduktion auf ca. 1 Gigabyte Daten pro Sekunde Tobias Stähle Machine Learning 23. Mai /29

96 Physik: CERN Aufgabe: Auswertung von Kollisionen, finden neuer Teilchen Problem: 600 Terabyte Daten pro Sekunde Ansatz: NeuroBayes Algorithmen als Triggersoftware Ergebnis: interessante Kollisionen werden gespeichert, uninteressante verworfen Reduktion auf ca. 1 Gigabyte Daten pro Sekunde Tobias Stähle Machine Learning 23. Mai /29

97 Physik: CERN Aufgabe: Auswertung von Kollisionen, finden neuer Teilchen Problem: 600 Terabyte Daten pro Sekunde Ansatz: NeuroBayes Algorithmen als Triggersoftware Ergebnis: interessante Kollisionen werden gespeichert, uninteressante verworfen Reduktion auf ca. 1 Gigabyte Daten pro Sekunde Tobias Stähle Machine Learning 23. Mai /29

98 Physik: CERN Aufgabe: Auswertung von Kollisionen, finden neuer Teilchen Problem: 600 Terabyte Daten pro Sekunde Ansatz: NeuroBayes Algorithmen als Triggersoftware Ergebnis: interessante Kollisionen werden gespeichert, uninteressante verworfen Reduktion auf ca. 1 Gigabyte Daten pro Sekunde Tobias Stähle Machine Learning 23. Mai /29

99 Informatik: Handschrifterkennung Aufgabe: Erkennung Handschriftlich eingegebener mathematischer Formeln Problem: Viele Symbole, komplizierte Anordnung Ansatz: Neuronales Netz Ergebnis: Noch keines Mitmachen unter write-math.com Tobias Stähle Machine Learning 23. Mai /29

100 Informatik: Handschrifterkennung Aufgabe: Erkennung Handschriftlich eingegebener mathematischer Formeln Problem: Viele Symbole, komplizierte Anordnung Ansatz: Neuronales Netz Ergebnis: Noch keines Mitmachen unter write-math.com Tobias Stähle Machine Learning 23. Mai /29

101 Informatik: Handschrifterkennung Aufgabe: Erkennung Handschriftlich eingegebener mathematischer Formeln Problem: Viele Symbole, komplizierte Anordnung Ansatz: Neuronales Netz Ergebnis: Noch keines Mitmachen unter write-math.com Tobias Stähle Machine Learning 23. Mai /29

102 Informatik: Handschrifterkennung Aufgabe: Erkennung Handschriftlich eingegebener mathematischer Formeln Problem: Viele Symbole, komplizierte Anordnung Ansatz: Neuronales Netz Ergebnis: Noch keines Mitmachen unter write-math.com Tobias Stähle Machine Learning 23. Mai /29

103 Informatik: Handschrifterkennung Aufgabe: Erkennung Handschriftlich eingegebener mathematischer Formeln Problem: Viele Symbole, komplizierte Anordnung Ansatz: Neuronales Netz Ergebnis: Noch keines Mitmachen unter write-math.com Tobias Stähle Machine Learning 23. Mai /29

104 weitere Anwendungsgebiete Kategorisierung Bilderkennung Spracherkennung Medizinische Diagnose Börsenanalyse Suchmaschinen Computergegner in Spielen Tobias Stähle Machine Learning 23. Mai /29

105 Maschine vs Mensch Tobias Stähle Machine Learning 23. Mai /29

106 Maschine vs Mensch Maschine kann viele Daten schnell verarbeiten Statistik benötigt Programmierung durch Mensch benötigt viele Datensätze zum Lernen falsche Parameter können zu schlechten / falschen Ergebnissen führen Mensch braucht viel Zeit bei der Bearbeitung von Daten benötigt Ausbildung, Literatur... kann aus relativ wenig Datensätzen lernen Grundlagen Erwartungshaltung kann Ergebnisse verzerren Tobias Stähle Machine Learning 23. Mai /29

107 Das Gehirn im Computer "Nachbau"des Gehirns wird versucht Human Brain Project (EU Flaggschiffprojekt) Supercomputer Juqueen: Prozessorkerne Problem: Gehirn ca. 100 Mrd Neuronen viele Grundlagen noch nicht verstanden Tobias Stähle Machine Learning 23. Mai /29

108 Das Gehirn im Computer "Nachbau"des Gehirns wird versucht Human Brain Project (EU Flaggschiffprojekt) Supercomputer Juqueen: Prozessorkerne Problem: Gehirn ca. 100 Mrd Neuronen viele Grundlagen noch nicht verstanden Tobias Stähle Machine Learning 23. Mai /29

109 Das Gehirn im Computer "Nachbau"des Gehirns wird versucht Human Brain Project (EU Flaggschiffprojekt) Supercomputer Juqueen: Prozessorkerne Problem: Gehirn ca. 100 Mrd Neuronen viele Grundlagen noch nicht verstanden Tobias Stähle Machine Learning 23. Mai /29

110 Das Gehirn im Computer "Nachbau"des Gehirns wird versucht Human Brain Project (EU Flaggschiffprojekt) Supercomputer Juqueen: Prozessorkerne Problem: Gehirn ca. 100 Mrd Neuronen viele Grundlagen noch nicht verstanden Tobias Stähle Machine Learning 23. Mai /29

111 Das Gehirn im Computer "Nachbau"des Gehirns wird versucht Human Brain Project (EU Flaggschiffprojekt) Supercomputer Juqueen: Prozessorkerne Problem: Gehirn ca. 100 Mrd Neuronen viele Grundlagen noch nicht verstanden Tobias Stähle Machine Learning 23. Mai /29

112 Der Sieger Menschliches Gehirn durch große Parallelisierung vorne Kreative Prozesse außerhalb der Programmierung Wissenschaftlicher Fortschritt ohne Mensch nicht denkbar Aber: Auch Maschinen wichtig als Ergänzung Tobias Stähle Machine Learning 23. Mai /29

113 Der Sieger Menschliches Gehirn durch große Parallelisierung vorne Kreative Prozesse außerhalb der Programmierung Wissenschaftlicher Fortschritt ohne Mensch nicht denkbar Aber: Auch Maschinen wichtig als Ergänzung Tobias Stähle Machine Learning 23. Mai /29

114 Der Sieger Menschliches Gehirn durch große Parallelisierung vorne Kreative Prozesse außerhalb der Programmierung Wissenschaftlicher Fortschritt ohne Mensch nicht denkbar Aber: Auch Maschinen wichtig als Ergänzung Tobias Stähle Machine Learning 23. Mai /29

115 Der Sieger Menschliches Gehirn durch große Parallelisierung vorne Kreative Prozesse außerhalb der Programmierung Wissenschaftlicher Fortschritt ohne Mensch nicht denkbar Aber: Auch Maschinen wichtig als Ergänzung Tobias Stähle Machine Learning 23. Mai /29

116 Die Gefahr ( Tobias Stähle Machine Learning 23. Mai /29

117 Interessante Links - Bachelorarbeit zur Schrifterkennung - Sehr ausführliche Einleitung zu neuronalen Netzen cs.uni-muenster.de/professoren/lippe/lehre/skripte/wwwnnscript/ - Formellere Betrachtung neuronaler Netze - auf maschinelles Lernen spezialisierte Firma mit bekanntem Gründer Tobias Stähle Machine Learning 23. Mai /29

Machine Learning - Maschinen besser als das menschliche Gehirn?

Machine Learning - Maschinen besser als das menschliche Gehirn? Machine Learning - Maschinen besser als das menschliche Gehirn? Tobias Stähle 23.05.2014 1 Einführung 1.1 Was ist Machine Learning? Während am Anfang Computer noch auf das reine Ausrechnen beschränkt waren

Mehr

Kapitel 1: Einführung. Was ist Informatik? Begriff und Grundprobleme der Informatik. Abschnitt 1.1 in Küchlin/Weber: Einführung in die Informatik

Kapitel 1: Einführung. Was ist Informatik? Begriff und Grundprobleme der Informatik. Abschnitt 1.1 in Küchlin/Weber: Einführung in die Informatik Was ist Informatik? Begriff und Grundprobleme der Informatik Abschnitt 1.1 in Küchlin/Weber: Einführung in die Informatik Was ist Informatik? Informatik = computer science? Nach R. Manthey, Vorlesung Informatik

Mehr

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische

Mehr

Neuronale Netze (I) Biologisches Neuronales Netz

Neuronale Netze (I) Biologisches Neuronales Netz Neuronale Netze (I) Biologisches Neuronales Netz Im menschlichen Gehirn ist ein Neuron mit bis zu 20.000 anderen Neuronen verbunden. Milliarden von Neuronen beteiligen sich simultan an der Verarbeitung

Mehr

Künstliches binäres Neuron

Künstliches 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

Mehr

Einführung in neuronale Netze

Einführung in neuronale Netze Einführung in neuronale Netze Florian Wenzel Neurorobotik Institut für Informatik Humboldt-Universität zu Berlin 1. Mai 2012 1 / 20 Überblick 1 Motivation 2 Das Neuron 3 Aufbau des Netzes 4 Neuronale Netze

Mehr

Bioinformatik: Hype oder Hoffnung?

Bioinformatik: Hype oder Hoffnung? Bioinformatik: Hype oder Hoffnung? Florian Markowetz Max-Planck-Institut für Molekulare Genetik Computational Molecular Biology Berlin Career Nights AKG Bensheim, 28. Januar 2005 1 Florian Markowetz, Bioinformatik:

Mehr

Konzepte der Informatik

Konzepte 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

Mehr

Was meinen die Leute eigentlich mit: Grexit?

Was 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?

Mehr

Zellulare Neuronale Netzwerke

Zellulare Neuronale Netzwerke Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Zellulare Neuronale Netzwerke Florian Bilstein Dresden, 13.06.2012 Gliederung 1.

Mehr

Professionelle Seminare im Bereich MS-Office

Professionelle 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

Mehr

Stellen Sie bitte den Cursor in die Spalte B2 und rufen die Funktion Sverweis auf. Es öffnet sich folgendes Dialogfenster

Stellen 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.

Mehr

Grundbegriffe der Informatik

Grundbegriffe 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

Mehr

Aufgabe 6 Excel 2013 (Fortgeschrittene) Musterlösung

Aufgabe 6 Excel 2013 (Fortgeschrittene) Musterlösung - 1 - Aufgabe 6 Excel 2013 (Fortgeschrittene) Musterlösung 1. Die Tabelle mit den Werten und Gewichten der Gegenstände, sowie die Spalte mit der Anzahl ist vorgegeben und braucht nur eingegeben zu werden

Mehr

AGROPLUS Buchhaltung. Daten-Server und Sicherheitskopie. Version vom 21.10.2013b

AGROPLUS 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

Mehr

Wie Google Webseiten bewertet. François Bry

Wie Google Webseiten bewertet. François Bry Wie Google Webseiten bewertet François Bry Heu6ge Vorlesung 1. Einleitung 2. Graphen und Matrizen 3. Erste Idee: Ranking als Eigenvektor 4. Fragen: Exisi6ert der Eigenvektor? Usw. 5. Zweite Idee: Die Google

Mehr

Informationsblatt Induktionsbeweis

Informationsblatt 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

Mehr

Binäre Bäume. 1. Allgemeines. 2. Funktionsweise. 2.1 Eintragen

Binäre Bäume. 1. Allgemeines. 2. Funktionsweise. 2.1 Eintragen Binäre Bäume 1. Allgemeines Binäre Bäume werden grundsätzlich verwendet, um Zahlen der Größe nach, oder Wörter dem Alphabet nach zu sortieren. Dem einfacheren Verständnis zu Liebe werde ich mich hier besonders

Mehr

THE KNOWLEDGE PEOPLE. CompanyFlyer.indd 1 07.03.2016 11:48:05

THE KNOWLEDGE PEOPLE. CompanyFlyer.indd 1 07.03.2016 11:48:05 THE KNOWLEDGE PEOPLE CompanyFlyer.indd 1 07.03.2016 11:48:05 BE SMART IT-CONSULTING Smartes IT-Consulting für die Zukunft: Agilität, Dynamische IT, Komplexitätsreduzierung, Cloud, Industrie 4.0, Big Data

Mehr

Presseinformation. Wir bewegen Ihre Produktion! Mai 2015. GLAESS Software & Automation Wir machen industrielle Optimierung möglich.

Presseinformation. Wir bewegen Ihre Produktion! Mai 2015. GLAESS Software & Automation Wir machen industrielle Optimierung möglich. Presseinformation Mai 2015 GLAESS Software & Wir bewegen Ihre Produktion! Anlagenprogrammierung, Leitsystem, BDE und SCADA sind wichtige Bausteine in der industriellen Automatisierung. Je größer und mächtiger

Mehr

Was bisher geschah. Lernen: überwachtes Lernen. biologisches Vorbild neuronaler Netze: unüberwachtes Lernen

Was bisher geschah. Lernen: überwachtes Lernen. biologisches Vorbild neuronaler Netze: unüberwachtes Lernen Was bisher geschah Lernen: überwachtes Lernen korrigierendes Lernen bestärkendes Lernen unüberwachtes Lernen biologisches Vorbild neuronaler Netze: Neuron (Zellkörper, Synapsen, Axon) und Funktionsweise

Mehr

Objektorientierte Programmierung für Anfänger am Beispiel PHP

Objektorientierte 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

Mehr

Verarbeitung der E-Mail-Adressen

Verarbeitung der E-Mail-Adressen Verarbeitung der E-Mail-Adressen A) Auswertung aus dem Infotyp 0105 - Kommunikation zur Feststellung, welche E-Mail-Adressen gespeichert sind Aufruf über direkte Eingabe der Transaktion (notfalls Transaktionsfenster

Mehr

Gestaltung wissenschaftlicher Poster

Gestaltung wissenschaftlicher Poster Gestaltung wissenschaftlicher Poster Andreas Schoknecht INSTITUT FÜR ANGEWANDTE INFORMATIK UND FORMALE BESCHREIBUNGSVERFAHREN (AIFB) KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum

Mehr

Kapitel LF: IV. IV. Neuronale Netze

Kapitel LF: IV. IV. Neuronale Netze Kapitel LF: IV IV. Neuronale Netze Perzeptron-Lernalgorithmus Gradientenabstiegmethode Multilayer-Perzeptrons und ackpropagation Self-Organizing Feature Maps Neuronales Gas LF: IV-39 Machine Learning c

Mehr

E-Mail-Inhalte an cobra übergeben

E-Mail-Inhalte an cobra übergeben E-Mail-Inhalte an cobra übergeben Sie bieten ihren potentiellen oder schon bestehenden Kunden über ihre Website die Möglichkeit, per Bestellformular verschiedene Infomaterialien in Papierform abzurufen?

Mehr

Copyright 2015 CADRela?ons.de. 5 GUTE GRÜNDE ein Integriertes CAD/CAM- System zu nutzen

Copyright 2015 CADRela?ons.de. 5 GUTE GRÜNDE ein Integriertes CAD/CAM- System zu nutzen 5 GUTE GRÜNDE ein Integriertes CAD/CAM- System zu nutzen Vorwort Sehr geehrte CAD/CAM Anwender, es ist offensichtlich, eine integrierte CAD/CAM - SoFware verbindet Konstruk?on und Fer?gung auf op?male

Mehr

Die Post hat eine Umfrage gemacht

Die 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.

Mehr

Fachbericht zum Thema: Anforderungen an ein Datenbanksystem

Fachbericht zum Thema: Anforderungen an ein Datenbanksystem Fachbericht zum Thema: Anforderungen an ein Datenbanksystem von André Franken 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis 1 2 Einführung 2 2.1 Gründe für den Einsatz von DB-Systemen 2 2.2 Definition: Datenbank

Mehr

Data Mining und maschinelles Lernen

Data Mining und maschinelles Lernen Data Mining und maschinelles Lernen Einführung und Anwendung mit WEKA Caren Brinckmann 16. August 2000 http://www.coli.uni-sb.de/~cabr/vortraege/ml.pdf http://www.cs.waikato.ac.nz/ml/weka/ Inhalt Einführung:

Mehr

Anwendungsbeispiele Buchhaltung

Anwendungsbeispiele Buchhaltung Rechnungen erstellen mit Webling Webling ist ein Produkt der Firma: Inhaltsverzeichnis 1 Rechnungen erstellen mit Webling 1.1 Rechnung erstellen und ausdrucken 1.2 Rechnung mit Einzahlungsschein erstellen

Mehr

Würfelt 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!.

Würfelt 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

Mehr

Informatik 2 Labor 2 Programmieren in MATLAB Georg Richter

Informatik 2 Labor 2 Programmieren in MATLAB Georg Richter Informatik 2 Labor 2 Programmieren in MATLAB Georg Richter Aufgabe 3: Konto Um Geldbeträge korrekt zu verwalten, sind zwecks Vermeidung von Rundungsfehlern entweder alle Beträge in Cents umzuwandeln und

Mehr

Vermeiden Sie es sich bei einer deutlich erfahreneren Person "dranzuhängen", Sie sind persönlich verantwortlich für Ihren Lernerfolg.

Vermeiden 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

Mehr

Hilfe zur Urlaubsplanung und Zeiterfassung

Hilfe zur Urlaubsplanung und Zeiterfassung Hilfe zur Urlaubsplanung und Zeiterfassung Urlaubs- und Arbeitsplanung: Mit der Urlaubs- und Arbeitsplanung kann jeder Mitarbeiter in Coffee seine Zeiten eintragen. Die Eintragung kann mit dem Status anfragen,

Mehr

AZK 1- Freistil. Der Dialog "Arbeitszeitkonten" Grundsätzliches zum Dialog "Arbeitszeitkonten"

AZK 1- Freistil. Der Dialog Arbeitszeitkonten Grundsätzliches zum Dialog Arbeitszeitkonten AZK 1- Freistil Nur bei Bedarf werden dafür gekennzeichnete Lohnbestandteile (Stundenzahl und Stundensatz) zwischen dem aktuellen Bruttolohnjournal und dem AZK ausgetauscht. Das Ansparen und das Auszahlen

Mehr

Mathematik. UND/ODER Verknüpfung. Ungleichungen. Betrag. Intervall. Umgebung

Mathematik. UND/ODER Verknüpfung. Ungleichungen. Betrag. Intervall. Umgebung Mathematik UND/ODER Verknüpfung Ungleichungen Betrag Intervall Umgebung Stefan Gärtner 004 Gr Mathematik UND/ODER Seite UND Verknüpfung Kommentar Aussage Symbolform Die Aussagen Hans kann schwimmen p und

Mehr

Gliederung. Biologische Motivation Künstliche neuronale Netzwerke. Anwendungsbeispiele Zusammenfassung. Das Perzeptron

Gliederung. Biologische Motivation Künstliche neuronale Netzwerke. Anwendungsbeispiele Zusammenfassung. Das Perzeptron Neuronale Netzwerke Gliederung Biologische Motivation Künstliche neuronale Netzwerke Das Perzeptron Aufbau Lernen und Verallgemeinern Anwendung Testergebnis Anwendungsbeispiele Zusammenfassung Biologische

Mehr

FAQs zum Bachelorstudiengang Informatik PO-Version 2010. Allgemeine Informationen zum Bachelorstudiengang Informatik

FAQs zum Bachelorstudiengang Informatik PO-Version 2010. Allgemeine Informationen zum Bachelorstudiengang Informatik FAQs zum Bachelorstudiengang Informatik PO-Version 2010 Allgemeine Informationen zum Bachelorstudiengang Informatik Wann kann das Studium begonnen werden? Im Winter- und Sommersemester Ist das Studium

Mehr

Ihre Interessentendatensätze bei inobroker. 1. Interessentendatensätze

Ihre Interessentendatensätze bei inobroker. 1. Interessentendatensätze Ihre Interessentendatensätze bei inobroker Wenn Sie oder Ihre Kunden die Prozesse von inobroker nutzen, werden Interessentendatensätze erzeugt. Diese können Sie direkt über inobroker bearbeiten oder mit

Mehr

TTS - TinyTimeSystem. Unterrichtsprojekt BIBI

TTS - TinyTimeSystem. Unterrichtsprojekt BIBI TTS - TinyTimeSystem Unterrichtsprojekt BIBI Mathias Metzler, Philipp Winder, Viktor Sohm 28.01.2008 TinyTimeSystem Inhaltsverzeichnis Problemstellung... 2 Lösungsvorschlag... 2 Punkte die unser Tool erfüllen

Mehr

OECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland

OECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben

Mehr

Algorithmische Methoden zur Netzwerkanalyse Vorlesung für den Bereich Master Informatik

Algorithmische 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

Mehr

Anwendungsbeispiele. Neuerungen in den E-Mails. Webling ist ein Produkt der Firma:

Anwendungsbeispiele. Neuerungen in den E-Mails. Webling ist ein Produkt der Firma: Anwendungsbeispiele Neuerungen in den E-Mails Webling ist ein Produkt der Firma: Inhaltsverzeichnis 1 Neuerungen in den E- Mails 2 Was gibt es neues? 3 E- Mail Designs 4 Bilder in E- Mails einfügen 1 Neuerungen

Mehr

Abamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER

Abamsoft 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

Mehr

Prüfungsmodalitäten Bachelor-Studiengang Medieninformatik

Prüfungsmodalitäten Bachelor-Studiengang Medieninformatik Prüfungsmodalitäten Bachelor-Studiengang Medieninformatik Stand: 04.04.2012 Festlegungen gemäß Modulhandbuch FB-Rat Beschluss FBR VI/05/133.o vom 18.06.2013 Ansprechpartnerin: Prof. Dr. Heike Ripphausen-Lipa

Mehr

Pflegefall wer bezahlt, wenn es ernst wird?

Pflegefall wer bezahlt, wenn es ernst wird? Pflegefall wer bezahlt, wenn es ernst wird? Schützen Sie sich und Ihre Angehörigen rechtzeitig vor den finanziellen Folgen im Pflegefall. Kunden und Rating-Agenturen empfehlen die Württembergische Krankenversicherung

Mehr

Informatik-Sommercamp 2012. Mastermind mit dem Android SDK

Informatik-Sommercamp 2012. Mastermind mit dem Android SDK Mastermind mit dem Android SDK Übersicht Einführungen Mastermind und Strategien (Stefan) Eclipse und das ADT Plugin (Jan) GUI-Programmierung (Dominik) Mastermind und Strategien - Übersicht Mastermind Spielregeln

Mehr

Kapitalerhöhung - Verbuchung

Kapitalerhöhung - Verbuchung Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.

Mehr

Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider

Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Training des XOR-Problems mit einem Künstlichen Neuronalen Netz (KNN) in JavaNNS 11.04.2011 2_CI2_Deckblatt_XORbinaer_JNNS_2

Mehr

Datenbank-Verschlüsselung mit DbDefence und Webanwendungen.

Datenbank-Verschlüsselung mit DbDefence und Webanwendungen. Datenbank-Verschlüsselung mit DbDefence und Webanwendungen. In diesem Artikel werden wir Ihnen zeigen, wie Sie eine Datenbank verschlüsseln können, um den Zugriff einzuschränken, aber trotzdem noch eine

Mehr

4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.

4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes. Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel

Mehr

ACDSee Pro 2. ACDSee Pro 2 Tutorials: Übertragung von Fotos (+ Datenbank) auf einen anderen Computer. Über Metadaten und die Datenbank

ACDSee Pro 2. ACDSee Pro 2 Tutorials: Übertragung von Fotos (+ Datenbank) auf einen anderen Computer. Über Metadaten und die Datenbank Tutorials: Übertragung von Fotos (+ ) auf einen anderen Computer Export der In dieser Lektion erfahren Sie, wie Sie am effektivsten Fotos von einem Computer auf einen anderen übertragen. Wenn Sie Ihre

Mehr

Einführung in. Logische Schaltungen

Einführung in. Logische Schaltungen Einführung in Logische Schaltungen 1/7 Inhaltsverzeichnis 1. Einführung 1. Was sind logische Schaltungen 2. Grundlegende Elemente 3. Weitere Elemente 4. Beispiel einer logischen Schaltung 2. Notation von

Mehr

Wofür braucht man eine Tabellenkalkulation? Das Programm Microsoft Excel gehört in Softwarekategorie der Tabellenkalkulationen.

Wofür braucht man eine Tabellenkalkulation? Das Programm Microsoft Excel gehört in Softwarekategorie der Tabellenkalkulationen. Wofür braucht man eine Tabellenkalkulation? Das Programm Microsoft Excel gehört in Softwarekategorie der Tabellenkalkulationen. Was bedeutet das? Man kann damit alles berechnen, was sich irgendwie in Tabellenform

Mehr

Big Data, Amtliche Statistik und der Datenschutz

Big Data, Amtliche Statistik und der Datenschutz Konferenz für Sozial- und Wirtschaftsdaten 20./21. Februar 2014, Berlin Gute Forschung braucht gute Daten aber bitte anonymisiert! Big Data, Amtliche Statistik und der Datenschutz Peter Schaar Europäische

Mehr

Einführung in Eclipse und Java

Einführung in Eclipse und Java Universität Bayreuth Lehrstuhl für Angewandte Informatik IV Datenbanken und Informationssysteme Prof. Dr.-Ing. Jablonski Einführung in Eclipse und Java Dipl.Inf. Manuel Götz Lehrstuhl für Angewandte Informatik

Mehr

Algorithmische Methoden zur Netzwerkanalyse Vorlesung für den Bereich Master Informatik

Algorithmische 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

Mehr

Inhaltsverzeichnis: Definitionen Informationssysteme als Kommunikationssystem Problemlösende Perspektiven Allgemeine System Annäherung Fazit

Inhaltsverzeichnis: Definitionen Informationssysteme als Kommunikationssystem Problemlösende Perspektiven Allgemeine System Annäherung Fazit Informationssysteme Inhaltsverzeichnis: Definitionen Informationssysteme als Kommunikationssystem Problemlösende Perspektiven Allgemeine System Annäherung Fazit Definitionen: Informationen Informationssysteme

Mehr

Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)

Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler

Mehr

Mitarbeiterbefragung zur Führungsqualität und Mitarbeitermotivation in Ihrem Betrieb

Mitarbeiterbefragung zur Führungsqualität und Mitarbeitermotivation in Ihrem Betrieb Mitarbeiterbefragung zur Führungsqualität und Mitarbeitermotivation in Ihrem Betrieb Einleitung Liebe Chefs! Nutzen Sie die Aktion des Handwerk Magazins, um Ihre Führungsqualitäten zu erkennen. Durch eine

Mehr

Neuer Releasestand Finanzbuchhaltung DAM-EDV E.1.22. Inhaltsverzeichnis. 1. Neuerungen Schnittstelle Telebanking mit IBAN und BIC...

Neuer Releasestand Finanzbuchhaltung DAM-EDV E.1.22. Inhaltsverzeichnis. 1. Neuerungen Schnittstelle Telebanking mit IBAN und BIC... Neuer Releasestand Finanzbuchhaltung DAM-EDV E.1.22 Inhaltsverzeichnis 1. Neuerungen Schnittstelle Telebanking mit IBAN und BIC... 2 1a. Programm 257: Auflösen Vorschlag Telebanking... 2 1b. Programm 254:

Mehr

Pflegende Angehörige Online Ihre Plattform im Internet

Pflegende Angehörige Online Ihre Plattform im Internet Pflegende Angehörige Online Ihre Plattform im Internet Wissen Wichtiges Wissen rund um Pflege Unterstützung Professionelle Beratung Austausch und Kontakt Erfahrungen & Rat mit anderen Angehörigen austauschen

Mehr

Fachdidaktik der Informatik 18.12.08 Jörg Depner, Kathrin Gaißer

Fachdidaktik der Informatik 18.12.08 Jörg Depner, Kathrin Gaißer Fachdidaktik der Informatik 18.12.08 Jörg Depner, Kathrin Gaißer Klassendiagramme Ein Klassendiagramm dient in der objektorientierten Softwareentwicklung zur Darstellung von Klassen und den Beziehungen,

Mehr

Sudoku-Informatik oder wie man als Informatiker Logikrätsel löst

Sudoku-Informatik oder wie man als Informatiker Logikrätsel löst Sudoku-Informatik oder wie man als Informatiker Logikrätsel löst Peter Becker Hochschule Bonn-Rhein-Sieg Fachbereich Informatik peter.becker@h-brs.de Kurzvorlesung am Studieninformationstag, 13.05.2009

Mehr

Ablaufbeschreibung Einrichtung EBICS in ProfiCash

Ablaufbeschreibung Einrichtung EBICS in ProfiCash 1.) Zunächst müssen Sie in der BPD-Verwaltung eine Kennung für EBICS anlegen. Änderungen an der BPD können nur vom Anwender Master durchgeführt werden. 2. Hier werden die entsprechenden Parameter eingegeben.

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus:

Unterrichtsmaterialien 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

Mehr

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.

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. 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

Mehr

impact ordering Info Produktkonfigurator

impact ordering Info Produktkonfigurator impact ordering Info Copyright Copyright 2013 veenion GmbH Alle Rechte vorbehalten. Kein Teil der Dokumentation darf in irgendeiner Form ohne schriftliche Genehmigung der veenion GmbH reproduziert, verändert

Mehr

Tutorial: Homogenitätstest

Tutorial: Homogenitätstest Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite

Mehr

FlowFact Alle Versionen

FlowFact Alle Versionen Training FlowFact Alle Versionen Stand: 29.09.2005 Rechnung schreiben Einführung Wie Sie inzwischen wissen, können die unterschiedlichsten Daten über verknüpfte Fenster miteinander verbunden werden. Für

Mehr

Windows 7: Neue Funktionen im praktischen Einsatz - Die neue Taskleiste nutzen

Windows 7: Neue Funktionen im praktischen Einsatz - Die neue Taskleiste nutzen Windows 7: Neue Funktionen im praktischen Einsatz - Die neue Taskleiste nutzen Das können wir Ihnen versprechen: An der neuen Taskleiste in Windows 7 werden Sie sehr viel Freude haben. Denn diese sorgt

Mehr

Lehrer: Einschreibemethoden

Lehrer: Einschreibemethoden Lehrer: Einschreibemethoden Einschreibemethoden Für die Einschreibung in Ihren Kurs gibt es unterschiedliche Methoden. Sie können die Schüler über die Liste eingeschriebene Nutzer Ihrem Kurs zuweisen oder

Mehr

Kapiteltests zum Leitprogramm Binäre Suchbäume

Kapiteltests 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

Mehr

Individuelles Bachelorstudium. Software Engineering for Physics

Individuelles Bachelorstudium. Software Engineering for Physics Individuelles Bachelorstudium Software Engineering for Physics 1 Qualifikationsprofil Das individuelle Bachelorstudium Software Engineering for Physics vermittelt eine breite, praktische und theoretische

Mehr

Aufgabe 1 Berechne den Gesamtwiderstand dieses einfachen Netzwerkes. Lösung Innerhalb dieser Schaltung sind alle Widerstände in Reihe geschaltet.

Aufgabe 1 Berechne den Gesamtwiderstand dieses einfachen Netzwerkes. Lösung Innerhalb dieser Schaltung sind alle Widerstände in Reihe geschaltet. Widerstandsnetzwerke - Grundlagen Diese Aufgaben dienen zur Übung und Wiederholung. Versucht die Aufgaben selbständig zu lösen und verwendet die Lösungen nur zur Überprüfung eurer Ergebnisse oder wenn

Mehr

Benutzerverwaltung Business- & Company-Paket

Benutzerverwaltung Business- & Company-Paket Benutzerverwaltung Business- & Company-Paket Gemeinsames Arbeiten mit der easyfeedback Umfragesoftware. Inhaltsübersicht Freischaltung des Business- oder Company-Paketes... 3 Benutzerverwaltung Business-Paket...

Mehr

Das System der gewerblichen Schutzrechte und der Grundzüge des Urheberrechts aus gründerspezifischer Sicht

Das System der gewerblichen Schutzrechte und der Grundzüge des Urheberrechts aus gründerspezifischer Sicht Das System der gewerblichen Schutzrechte und der Grundzüge des Urheberrechts aus gründerspezifischer Sicht Vorlesung Wintersemester 2014/2015 Rechtsanwalt Alexander Goldberg Fachanwalt für gewerblichen

Mehr

Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt?

Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt? Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt? Behandelte Fragestellungen Was besagt eine Fehlerquote? Welche Bezugsgröße ist geeignet? Welche Fehlerquote ist gerade noch zulässig? Wie stellt

Mehr

Fragen und Antworten

Fragen und Antworten Fragen und Antworten im Umgang mit dem elektronischen Abfallnachweisverfahren eanv in Bezug auf die ZKS-Abfall -Allgemeine Fragen- www.zks-abfall.de Stand: 19.05.2010 Einleitung Auf den folgenden Seiten

Mehr

Die Wirtschaftskrise aus Sicht der Kinder

Die Wirtschaftskrise aus Sicht der Kinder Die Wirtschaftskrise aus Sicht der Kinder Telefonische Befragung bei 151 Kindern im Alter von 8 bis 12 Jahren Präsentation der Ergebnisse Mai 2009 EYE research GmbH, Neuer Weg 14, 71111 Waldenbuch, Tel.

Mehr

Ordner Berechtigung vergeben Zugriffsrechte unter Windows einrichten

Ordner Berechtigung vergeben Zugriffsrechte unter Windows einrichten Ordner Berechtigung vergeben Zugriffsrechte unter Windows einrichten Was sind Berechtigungen? Unter Berechtigungen werden ganz allgemein die Zugriffsrechte auf Dateien und Verzeichnisse (Ordner) verstanden.

Mehr

Zahlen und das Hüten von Geheimnissen (G. Wiese, 23. April 2009)

Zahlen 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

Mehr

Das Bayes-Theorem. Christian Neukirchen Gleichwertige Leistungsfeststellung, Juni 2005

Das 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

Mehr

Beispiel(unten ist der Spielfeldrand):

Beispiel(unten ist der Spielfeldrand): Anleitung Side by Side ist ein Puzzle mit einfachen Regeln, das in einem 6x6 (oder größerem) Gitter gespielt wird. Ziel des Spieles ist es, die leeren Kästchen mit den Zahlen 1, 2, 3, 4 oder einem X zu

Mehr

Anwendungsbeispiele Buchhaltung

Anwendungsbeispiele Buchhaltung Kostenstellen in Webling Webling ist ein Produkt der Firma: Inhaltsverzeichnis 1 Kostenstellen 1.1 Was sind Kostenstellen? 1.2 Kostenstellen in der 2 Kostenstellen in Webling 2.1 Kostenstellen erstellen

Mehr

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)

6. 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

Mehr

Wärmebildkamera. Aufgabe 1. Lies ab, wie groß die Temperatur der Lippen (am Punkt P) ist. ca. 24 C ca. 28 C ca. 32 C ca. 34 C

Wärmebildkamera. Aufgabe 1. Lies ab, wie groß die Temperatur der Lippen (am Punkt P) ist. ca. 24 C ca. 28 C ca. 32 C ca. 34 C Wärmebildkamera Ob Menschen, Tiere oder Gegenstände: Sie alle senden unsichtbare Wärmestrahlen aus. Mit sogenannten Wärmebildkameras können diese sichtbar gemacht werden. Dadurch kann man die Temperatur

Mehr

Gesucht und Gefunden: Die Funktionsweise einer Suchmaschine

Gesucht und Gefunden: Die Funktionsweise einer Suchmaschine Gesucht und Gefunden: Die Funktionsweise einer Suchmaschine Prof. Dr. Peter Becker FH Bonn-Rhein-Sieg Fachbereich Informatik peter.becker@fh-bonn-rhein-sieg.de Vortrag im Rahmen des Studieninformationstags

Mehr

mit SD-Karte SD-Karte Inhalt

mit SD-Karte SD-Karte Inhalt mit mit Kartensteckplatz Der Logger ist optional mit einem Kartensteckplatz für eine micro erhältlich. Die verfügt über ein Vielfaches der Speicherkapazität des internen Logger- Speichers. Inhalt Zeitlicher

Mehr

Methodenfehler im Morbi-RSA: Für alte und schwerkranke Menschen wird den Kassen zu wenig Geld zugewiesen

Methodenfehler im Morbi-RSA: Für alte und schwerkranke Menschen wird den Kassen zu wenig Geld zugewiesen Methodenfehler im Morbi-RSA: Für alte und schwerkranke Menschen wird den Kassen zu wenig Geld zugewiesen Was ist die Ungleichbehandlung? Im Unterschied zu allen anderen GKV-Versicherten werden bei der

Mehr

DIE INDIVIDUELLEN NEBELSYSTEME VON UR FOG

DIE INDIVIDUELLEN NEBELSYSTEME VON UR FOG DIE INDIVIDUELLEN NEBELSYSTEME VON UR FOG NEBELTECHNIK I FAST 01 I FAST 02 I FAST 03 DEUTSCH SECTEO OR THE HAMMER! YOUR CHOISE! YOU CHOOSE! 02 Individuelle Sicherheitslösungen mit den Nebelsystemen von

Mehr

Mining High-Speed Data Streams

Mining High-Speed Data Streams Mining High-Speed Data Streams Pedro Domingos & Geoff Hulten Departement of Computer Science & Engineering University of Washington Datum : 212006 Seminar: Maschinelles Lernen und symbolische Ansätze Vortragender:

Mehr

Was heißt das Was soll das?

Was heißt das Was soll das? Viele Kunden der Telekom bekommen diese Tage Post der Telekom : Entweder bekommen sie Angebote das Telefon auf VoIP umzustellen oder die Telekom-Kunden bekommen gleich die Kündigung verbunden mit der Aufforderung

Mehr

allensbacher berichte

allensbacher berichte allensbacher berichte Institut für Demoskopie Allensbach 2004 / Nr. 5 WEITERHIN: KONSUMZURÜCKHALTUNG Allensbach am Bodensee, Mitte März 2004 - Die aktuelle wirtschaftliche Lage und die Sorge, wie es weitergeht,

Mehr

Kapitel LF: IV. Multilayer-Perzeptrons und Backpropagation. Multilayer-Perzeptrons und Backpropagation. LF: IV Machine Learning c STEIN 2005-06

Kapitel LF: IV. Multilayer-Perzeptrons und Backpropagation. Multilayer-Perzeptrons und Backpropagation. LF: IV Machine Learning c STEIN 2005-06 Kapitel LF: IV IV. Neuronale Netze Perzeptron-Lernalgorithmus Gradientenabstiegmethode Multilayer-Perzeptrons und ackpropagation Self-Organizing Feature Maps Neuronales Gas 39 Multilayer-Perzeptrons und

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik

Mehr

Planen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher

Planen 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

Mehr

DuE-Tutorien 4 und 6. Tutorien zur Vorlesung Digitaltechnik und Entwurfsverfahren Christian A. Mandery. www.kit.edu WOCHE 12 AM 22.01.

DuE-Tutorien 4 und 6. Tutorien zur Vorlesung Digitaltechnik und Entwurfsverfahren Christian A. Mandery. www.kit.edu WOCHE 12 AM 22.01. DuE-Tutorien 4 und 6 Tutorien zur Vorlesung Digitaltechnik und Entwurfsverfahren Christian A. Mandery WOCHE 12 AM 22.01.2013 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum

Mehr