Stützvektormethode (SVM) Erinnerung: Funktionslernen. Beispiel: Funktionenlernen. Reale Beispiele
|
|
- Harry Böhmer
- vor 6 Jahren
- Abrufe
Transkript
1 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Stützvektorethode (SVM) Maxeren der Brete ener separerenden Hyperebene axu argn ethod Transforaton des Datenraus durch Kernfunkton Strukturelle Rskonerung Vladr Vapnk The Nature of Statstcal Learnng Theory Sprnger Vg. 995 W.N. Wapnk, A. Tscheronenks Theore der Zechenerkennung Akadee Vg. 979 Chrstopher Burges A Tutoral on Support Vector Machnes for Pattern Recognton n: Data Mnng and Knoledge Dscovery, 998, -67 Ernnerung: Funktonslernen Gegeben: Bespele X n LE de anhand ener Wahrschenlchketsvertelung P auf X erzeugt urden und t ene Funktonsert Y = t(x) versehen snd (alternatv: Ene Wahrschenlchketsvertelung P(Y X) der öglchen Funktonserte). H de Menge von Funktonen n LH. Zel: Ene Hypothese h(x) H, de das erartete Fehlerrsko R(h) nert. Rsko: R ( h) = Q( x, h) P( x) x Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Bespel: Funktonenlernen 0% 50% 3 5% 0% 0% H = { f a f a (x) = für x a, f a (x) = - sonst, a} R(f 0 ) = 0,5 0 0,0 = 0,45 R(f,5 ) = 0 0 0,0 = 0,0 R(f 3,5 ) = 0 0,5 0,05 = 0,55 5% Reale Bespele Klassfkaton: Q(x,h) = 0, falls t(x) = h(x), sonst Textklassfkaton (x = Worthäufgketen) Handschrftenerkennung (x = Pxel n Bld) Vbratonsanalyse n Treberken (x = Frequenzen) Intensvedznsche Therape (x = Vtalzechen) Regresson: Q(x,h) = (t(x)-h(x)) Zetrehenprognose (x = Zetrehe, t(x) = nächster Wert) Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008
2 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Ernnerung: Mnerung des beobachteten Fehlers Bespel Funktonslernaufgabe ncht drekt lösbar. Proble: De tatsächlche Funkton t(x) st unbekannt. De zugrunde legende Wahrschenlchket st unbekannt. Ansatz: ene hnrechend große Lernenge nehen und für dese den Fehler neren. % Eprcal Rsk Mnzaton Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Bespel II Problee der ERM Aufgabe st ncht endeutg beschreben: Mehrere Funktonen t nale Fehler exsteren. Welche ählen? Overfttng: Verrauschte Daten und zu eng Bespele führen zu falschen Ergebnssen. Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008
3 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Bespel III Enführung Bernhard Schölkopf, Alexander Sola Learnng th Kernels MIT Press 00 Ze-Klassen-Proble: Tranngsdaten (x, y ),..., (x, y ), x X, y {, -} Ähnlchket enes neuen x bestt y Ähnlchketsaß k: X & X (x, x ) k(x, x ) z.b. Skalarprodukt x*x :=(... [x] [x ]... ) Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Grundbegrffe Skalarprodukt x*y: Seen x und y Vektoren aus p x * y = [ x][ y] = Eukldsche Länge (Betrag) enes Vektors x : p p & x = x* x = '[ x] % = Hyperebene H: Se '0 der Noralenvektor und b der bas { x * x 0} H (, b) = b = Waru Skalarprodukt? Cosnus des Wnkels zschen x und x, enn bede Vektoren auf de Länge norert snd. Abstand zschen x und x st Länge des Dfferenzvektors. Voraussetzung: Bespele snd Vektoren. Überführung n enen Rau t Skalarprodukt ( : XH Wenn X berets en Rau t Skalarprodukt st, kann nchtlneare Abbldung ( auch snnvoll sen. Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008
4 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Enfachster Lernalgorthus Lernalgorthus Bld Bespele n ene Rau t Skalarprodukt. Durchschntt ener Klasse: c = x { y = } n der Mtte legt Punkt c:=(c c - )/ c = x Vektor x-c verbndet { y = } neues Bespel und c Ähnlchket zu Durchschntt ener Klasse: Wnkel zschen :=c - c - und x-c Berechnen über Skalarprodukt Anzahl postver Bespele: c c c - x-c x Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Lernalgorthus n Foreln y = sgn = sgn = sgn& ' ( = sgn& ' = sgn ( x c) ) ( x ( c c )/ ) ( c c ) ( ( x c ) ( x c ) c % ( x c ) ( x c ) ( c c ) ( x c ) ( x c ) b) % c c c c c Entschedungsfunkton Wr setzen nun de Mttelerte für c und c - en: & y = sgn ( x * x ' ( x * x b % { y = } ' { y =' } & ( ) ( ) = sgn ' ( k x, x ( k x, x b % { y = } ' { y =' } Das neue Bespel rd also t allen Tranngsbespelen verglchen. Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008
5 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Fast... De optale Hyperebene... äre das schon de Stützvektorethode. Aber: Enfach den Mttelpunkt der Bespele ener Klasse zu berechnen st zu enfach, u en ordentlches zu bekoen. Man erhält so ncht de optale Hyperebene. Bespele heßen lnear trennbar, enn es ene Hyperebene H gbt, de de postven und negatven Bespele vonenander trennt. H heßt optale Hyperebene, enn hr Abstand d zu nächsten postven und zu nächsten negatven Bespel axal st. Satz: Es exstert ene endeutg bestte optale Hyperebene. d d H Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Grundbegrffe II Der Noralenvektor steht senkrecht auf allen Vektoren der Hyperebene. Es glt: > 0 falls x postven Rau * x b = 0 falls x auf H < 0 falls x negatven Rau Bld *xb=0 *xb=- *xb= Skaleren von und b, so dass *xb = für alle Bespele a nächsten zur Hyperebene. Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008
6 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Separerende Hyperebene Bespele n For von Vektoren x aus p und Klassfkaton y= (postve Bespele) oder y=- (negatve Bespele) E={ [x,y ], [x,y ],..., [x,y ]} Separerende Hyperebene H: postve Bespele postven Halbrau, negatve Bespele negatven Halbrau, x*b=0 für Punkte auf der Hyperebene. Der Abstand von H zu Ursprung st b / De Separerbarket erfüllen vele Hyperebenen. Margn für separerbare Bespele Abstand d von H zu nächsten postven Bespel Abstand d - von H zu nächsten negatven Bespel Margn: d d - H x * b be y = H x * b be y = zusaengefasst: x : y( * x b) > 0 Der Abstand von H zu Ursprung st -b / Der Abstand von H zu Ursprung st -b / d = d - = / und argn = / Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Margn H und H snd parallel, haben denselben Noralenvektor. Per Konstrukton legt ken Bespel zschen H und H. U / zu axeren, üssen r neren. De Nebenbedngungen üssen engehalten erden: ( x * ) 0 : y b H H d d Mneren der Länge U de geoetrsche Brete zu axeren, üssen r de Länge von neren. Wr können genauso gut * neren. So fnden r nun ene endeutge Hyperebene aus den velen öglchen trennenden. Für alle Bespele st se rchtg: f(x )>0 gd. y >0 Wr können se anenden, u neue unklassfzerte Beobachtungen zu klassfzeren: f(x)=*xb das Vorzechen gbt de Klasse an. H Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008
7 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Opterungsaufgabe Lagrange-Funkton Mnere so dass für alle glt: f(x ) = *x b für y = und f(x ) = *x b ) - für y = - Äquvalente Nebenbedngungen: y *f(x ) 0 Konvexes, quadratsches Opterungsproble % endeutg n O(n 3 ) für n Bespele lösbar. Satz: = /d, d = Brete der optalen Hyperebene bzgl. der Bespele. Se das Opterungsproble gegeben, f() zu neren unter der Nebenbedngung g ()0 =,...,, dann st de Lagrange-Funkton L(, ) = f ( ) g = ( ) Dabe uss gelten 0 Für Unglechhetsbedngungen erden *-Multplkatoren engeführt, Glechhetsbedngungen erden drekt engesetzt. Es st lechter, Vektor * zu besten, als drekt nach der Erfüllung der Bedngungen zu suchen. Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Opterungsfunkton als Lagrange Mnere L(,b,*) L(, b, ) = = ( y ( x * b) ) Ene optale Lösung zechnet sch durch de folgenden notendgen Bedngungen an * aus: = yx y = 0 = = L soll bezüglch und b nert, bezüglch * axert erden. Karush-Kuhn-Tucker Bedngungen Für das prale Opterungsproble gelten de KKT Bedngungen gd., b, * de Lösung st. v L(, b, &) = v & yx, L(, b, &) = & y b y 0 :& % ( x * b) % :& 0 = 0 = 0 ( y ( * x b) ) = 0 v =,..., d Bespele, v Attrbute der Bespele=Koponenten der Vektoren v Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008
8 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Duales Proble Anschaulch? De Glechhetsbedngungen erden n L(,b,*) engesetzt. Der duale Lagrange-Ausdruck L(*) soll axert erden. Das Mnu des ursprünglchen Opterungsprobles trtt genau be enen Werten von,b,* auf e das Maxu des dualen Probles. Wr ollen neren, also =0, also Mnu von n Rchtung des Gradenten suchen. De Nebenbedngungen snd enteder et ab oder der auf hnen legende nächste Punkt zu Mnu gbt das Mnu unter Enhaltung der Nebenbedngungen an. Y (*x b)= unbeschränkt Nebenbedngung beschränkt Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Uforung * = * = * = * = = = = Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 y x * y x * [ y ( x * b) ] y ( x * b) = y b Be gute * uss gelten 0 = = y = = = Uforung II Es glt für optalen Vektor * = y x r ersetzen * = = = = = Mt den Nebenbedngungen: 0 = = y y x * x y und * 0 = = = = Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 = = y x * y y x * x y y x * x = =
9 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk SVM Opterungsproble Maxere unter 0 ) * für alle und,* y = 0 n L( ) = y y = n n = = ( x x ) Für edes Bespel gbt es en * n der Lösung. 0 = * heßt, dass das Bespel x passenden Halbrau legt. 0 < * heßt, dass das Bespel x auf H oder H legt (Stützvektor). Es glt =,* y x, Also f(x) =,* y (x *x)b Also st der beste Noralenvektor ene Lnearkobnaton von Stützvektoren (* '0). Was ssen r etzt? Maxeren des Margns ener Hyperebene ergbt ene endeutge Festlegung der optalen trennenden Hyperebene. Dazu neren r de Länge des Noralenvektors. Forulerung als Lagrange-Funkton Forulerung als duales Opterungsproble Das Lernergebns st ene Lnearkobnaton von Stützvektoren. Mt den Bespelen üssen r nur noch das Skalarprodukt rechnen. Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Ncht lnear trennbare Daten In der Praxs snd lnear trennbare Daten selten.. Ansatz: Entferne ene nale Menge von Datenpunkten, so dass de Daten lnear trennbar erden (nale Fehlklassfkaton). Proble: Algorthus rd exponentell.? Wech trennende Hyperebene Wähle C >0 und nere C = so dass für alle glt: f(x ) = *x b -- für y = und f(x ) = *x b ) -- für y = - Äquvalent: y *f(x ) - - f n - - Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008 Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008
10 technsche unverstät Fakultät für Inforatk Bedeutung von - und * -=0, *=0 -=0, 0)*<C ->, *=C 0<-<, 0<*<C f(x)=- f(x)=0 f(x)= Bespele x t * >0 heßen Stützvektoren % SVM Prof. Dr. Katharna Mork Wssensentdeckung n Datenbanken SoSe 008
3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Insttut für Stochastk Prof Dr N Bäuerle Dpl-Math S Urban Lösungsvorschlag 6 Übungsblatt zur Vorlesung Fnanzatheatk I Aufgabe Put-Call-Party Wr snd nach Voraussetzung n ene arbtragefreen Markt, also exstert
4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
Regression und Korrelation
Regresson und Korrelaton von Ac Enstegsaufgabe lneare Regresson: Durch de 3 Punkte P/, P4/5, P39/6 st ene Mn-Punktwolke gegeben. Gesucht st dejenge Gerade g, welche n der Nähe der Punkte verläuft und de
Versicherungstechnischer Umgang mit Risiko
Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über
wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
Spiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
50 Matrixnormen und Eigenwertabschätzungen
50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt
Konkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
Diskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
Neuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .
Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll
1.1 Das Prinzip von No Arbitrage
Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No
6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
4. Energie, Arbeit, Leistung, Impuls
34 35 4. Energe, Arbet, Lestung, Ipuls Zentrale Größen der Physk: Energe E, Enhet Joule ( [J] [N] [kg /s ] Es gbt zwe grundsätzlche Foren on Energe: knetsche Energe: entelle Energe: Arbet, Enhet Joule
1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
Auswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe
Portfolothore (Markowtz) Separatonstheore (Tobn) Kaptaarkttheore (Sharpe Ene Enführung n das Werk von dre Nobelpresträgern zu ene Thea U3L-Vorlesung R.H. Schdt, 3.12.2015 Wozu braucht an Theoren oder Modelle?
Die Schnittstellenmatrix Autor: Jürgen P. Bläsing
QUALITY-APPs Applkatonen für das Qaltätsmanagement Prozessmanagement De Schnttstellenmatrx Ator: Jürgen P. Bläsng Schnttstellen (Übergangsstellen, Verbndngsstellen) n betreblchen Prozessen ergeben sch
Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.
Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener
Netzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
Übung zur Vorlesung. Informationstheorie und Codierung
Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832
8 Logistische Regressionsanalyse
wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen
Beschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt
Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten
Free Riding in Joint Audits A Game-Theoretic Analysis
. wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre
Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.
Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet
Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
Finanzwirtschaft. Kapitel 3: Simultane Investitions- und Finanzplanung. Lehrstuhl für Finanzwirtschaft - Universität Bremen 1
Fnanzwrtschaft Kaptel 3: Smultane Investtons- und Fnanzplanung Prof. Dr. Thorsten Poddg Lehrstuhl für Allgemene Betrebswrtschaftslehre, nsbes. Fnanzwrtschaft Unverstät Bremen Hochschulrng 4 / WW-Gebäude
Kapitel 2: Klassifikation. Maschinelles Lernen und Neural Computation
Kaptel 2: Klassfkaton Maschnelles Lernen und Neural Computaton 28 En enfacher Fall En Feature, Hstogramme für bede Klassen (z.b. Glukosewert, Dabetes a/nen) Kene perfekte Trennung möglch Entschedung: Schwellwert
6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
Unter der Drehgruppe verstehen wir diegruppe der homogenen linearen Transformationen
Darstellunstheore der SO() und SU() Powtschnk Alexander. Defnton Darstellun Ene Darstellun ener Gruppe G st homomorphe Abbldun von deser Gruppe auf ene Gruppe nchtsnulärer lnearer Operatoren auf enem Vektorraum
Der Satz von COOK (1971)
Der Satz von COOK (1971) Voraussetzung: Das Konzept der -Band-Turng-Maschne (TM) 1.) Notatonen: Ene momentane Beschrebung (mb) ener Konfguraton ener TM st en -Tupel ( α1, α2,..., α ) mt α = xqy, falls
Stochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
Anwendungsmöglichkeiten von Lernverfahren
Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen
arxiv: v1 [math.nt] 10 Apr 2014
Über de ratonalen Punkte auf der Sphäre von Nkolay Moshchevtn 1 Moskau) arxv:1404.907v1 [math.nt] 10 Apr 014 Wr beschäftgen uns her mt der Approxmaton von Punkten auf der n-dmensonalen Sphäre durch ratonale
1 BWL 4 Tutorium V vom 15.05.02
1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)
Optische Systeme. Inhalte der Vorlesung. Hausaufgabe: Reflexion mit Winkel. Vergleichen Sie Ihre Rechnung mit einem Experiment! n = tan. sin.
Inhalte der Vorlesung 3. Optsche Systeme Martna Gerken 05..007. Grundlagen der Wellenoptk. De Helmholtz-Glechung. Lösungen der Helmholtz-Glechung: Ebene Wellen und Kugelwellen.3 Das Huygenssche Prnzp.4
Standardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
Einführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit
Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket
6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines
6 Wandtafeln 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln 6.3.1 Allgemenes Be der Berechnung der auf de enzelnen Wandtafeln entfallenden Horzontalkräfte wrd ene starre Deckenschebe angenommen.
Methoden der innerbetrieblichen Leistungsverrechnung
Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den
Empfehlungs-Systeme. Recommender-Systeme. Buch-Recommender. Personalisierung. Kollaboratives Filtern & inhaltsbasierte Empfehlungen
Epfehlngs-Systee Recoender-Systee Kollaboratves Fltern & nhaltsbaserte Epfehlngen Systee, Ntzern Dnge z epfehlen (z.b. Bücher, Fle, Ds, Webseten, Nesgrop Nachrchten, de af hren vorgen Präferenzen baseren.
Für wen ist dieses Buch? Was ist dieses Buch? Besonderheiten. Neu in dieser Auflage
Für wen st deses Bch? Das Taschenbch der Elektrotechnk rchtet sch an Stdentnnen nd Stdenten an nverstäten nd Fachhochschlen n den Berechen Elektrotechnk Nachrchtentechnk Technsche Informatk allgemene Ingenerwssenschaften
Formeln und Aufgaben Zins- und Rentenrechnung
Foreln und ufgaben Zns- und Rentenrechnung Detrch Baugarten «14. Januar 014 Inhaltsverzechns 1 Rentenrechnung 1 1.1 Zusaenfassung............................... 1 1. Bespele....................................
Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2
1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:
VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE
VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen
NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.
PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs
Bayessches Lernen (3)
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen (3) Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz
6. Elektrische Wechselgrössen
Grundlagen der Elektrotechnk GE 2 [Buch GE 2: Seten 72-14] Grundbegrffe Wechselgrössen Perodsche Wechselgrössen Lnearer und quadratscher Mttelwert Der Effektvwert Bezugspfele Verallgemenerte Zetfunktonen
IT- und Fachwissen: Was zusammengehört, muss wieder zusammenwachsen.
IT- und achwssen: Was zusammengehört, muss weder zusammenwachsen. Dr. Günther Menhold, regercht 2011 Inhalt 1. Manuelle Informatonsverarbetung en ntegraler Bestandtel der fachlchen Arbet 2. Abspaltung
Statistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
III. Theorie des Haushalts
Pro. Dr. Fredel Bolle Vorlesung "Mkroökonome" WS 008/009 III. Theore des Haushalts 86 Pro. Dr. Fredel Bolle Vorlesung "Mkroökonome" WS 008/009 III. Theore des Haushalts 87 III. Theore des Haushalts Unternehmung
Operations Research II (Netzplantechnik und Projektmanagement)
Operatons Research II (Netzplantechnk und Projektmanagement). Aprl Frank Köller,, Hans-Jörg von Mettenhem & Mchael H. Bretner.. # // ::: Gute Vorlesung:-) Danke! Feedback.. # Netzplantechnk: Überblck Wchtges
Lineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6
Praktkum Physkalsche Cheme I (C-2) Versuch Nr. 6 Konduktometrsche Ttratonen von Säuren und Basen sowe Fällungsttratonen Praktkumsaufgaben 1. Ttreren Se konduktometrsch Schwefelsäure mt Natronlauge und
Klassifikation. A. Hinneburg, Web Data Mining MLU Halle-Wittenberg, SS 2007
Klassfkaton 0 Überblck Grundkonzepte Entschedungsbäume Evaluerung von Klassfkatoren Lernen von Regeln Klassfkaton mttels Assozatonsregeln Naïver Bayescher Klassfkator Naïve Bayes für Text Klassfkaton Support
Modelle, Version Spaces, Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Maschnelles Lernen Modelle, Verson Spaces, Lernen Chrstoph Sawade/Nels Landwehr Slva Makowsk Tobas Scheffer Überblck Problemstellungen:
Geld- und Finanzmärkte
Gel- un Fnanzmärkte Prof. Dr. Volker Clausen akroökonomk 1 Sommersemester 2008 Fole 1 Gel- un Fnanzmärkte 4.1 De Gelnachfrage 4.2 De Bestmmung es Znssatzes I 4.3 De Bestmmung es Znssatzes II 4.4 Zwe alternatve
Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage
Ionenselektive Elektroden (Potentiometrie)
III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,
Franzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny
eseproben aus dem Buch "n mt en zur Elektrotechnk" Franzs Verlag, 85586 Pong ISBN 978--77-4046-8 Autor des Buches: eonhard Stny Autor deser eseprobe: eonhard Stny 005/08, alle echte vorbehalten. De Formaterung
Aufgabenteil. - wird nicht mit abgegeben - 21.03.2011, 18.00-20.00 Uhr. Fakultät für Wirtschaftswissenschaft
Fakultät für Wrtschaftswssenschaft Lehrstuhl für Volkswrtschaftslehre, nsb. Makroökonomk Unv.-Prof. Dr. Helmut Wagner Klausur: Termn: Prüfer: Makroökonome 2.03.20, 8.00-20.00 Uhr Unv.-Prof. Dr. Helmut
Mining Concept-Drifting Data Streams using Ensemble Classifiers
Vortrag m Semnar aus maschnellem Lernen Über das Paper: Mnng Concept-Drftng Data Streams usng Ensemble Classfers Haxun Wang, We Fan, Phlp S. Yu, Jawe Han Vortrag: Robert Deußer Glederung Enführung Ensemble
Bildverarbeitung Herbstsemester 2012. Bildspeicherung
Bldverarbetung Herbstsemester 2012 Bldspecherung 1 Inhalt Bldformate n der Überscht Coderung m Überblck Huffman-Coderung Datenredukton m Überblck Unterabtastung Skalare Quantserung 2 Lernzele De wchtgsten
9 Phasengleichgewicht in heterogenen Mehrkomponentensystemen
9 Phasenglechgewcht n heterogenen Mehrkomonentensystemen 9. Gbbs sche Phasenregel α =... ν Phasen =... k Komonenten Y n (α) -Molzahl der Komonente Y n der Phase α. Für jede Phase glt ene Gbbs-Duhem-Margules
2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.
. Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen
Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten
Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen
Nomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
EAU SWH l$,0, wohngebäude
EAU SWH l$,0, wohngebäude gemäß den $$ 6 ff, Energeensparverordnung (EnEV) :,:: Gültsbs: 09208 Gebäude Gebäudetyp Altbau Mehrfamlenhaus Adresse Hardstraße 3 33, 40629 Düsseldorf Gebäudetel Baujahr Gebäude
Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
Die Zahl i phantastisch, praktisch, anschaulich
Unverstät Würzburg 977 Würzburg Telefon: (91 888 5598 De Zahl phantastsch, praktsch, anschaulch De Geschchte der Zahl war dre Jahrhunderte lang dadurch geprägt, dass se und damt de kompleen Zahlen n Mathematkerkresen
Netzsicherheit I, WS 2008/2009 Übung 3. Prof. Dr. Jörg Schwenk 27.10.2008
Netzscherhet I, WS 2008/2009 Übung Prof. Dr. Jörg Schwenk 27.10.2008 1 Das GSM Protokoll ufgabe 1 In der Vorlesung haben Se gelernt, we sch de Moble Staton (MS) gegenüber dem Home Envroment (HE) mt Hlfe
Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung
Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012
Zero-sum Games. Vitali Migal
Sena Gaphentheoe und Kobnatok Wnteseeste 007/08 Zeo-su Gaes Vtal Mgal 1 Inhaltsvezehns 1. Enletung... 3. Dastellung von Spelen... 3 3. Stategen... 4 4. Spele t unvollständge Infoaton... 9 1. Enletung Als
1.1 Grundbegriffe und Grundgesetze 29
1.1 Grundbegrffe und Grundgesetze 9 mt dem udrtschen Temperturkoeffzenten 0 (Enhet: K - ) T 1 d 0. (1.60) 0 dt T 93 K Betrchtet mn nun den elektrschen Wderstnd enes von enem homogenen elektrschen Feld
Gruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
Kapitel 8: Graph-Strukturierte Daten
Ludwg Maxmlans Unerstät München Insttut für Informatk Lehr- und Forschungsenhet für Datenbanksysteme Skrpt zur Vorlesung Knowledge Dscoery n Dtb Databases II m Wntersemester 2011/2012 Kaptel 8: Graph-Strukturerte
Werkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung
Werkstoffmechank SS11 Bather/Schmtz 5. Vorlesung 0.05.011 4. Mkroskopsche Ursachen der Elastztät 4.1 Energeelastztät wrd bestmmt durch de Wechselwrkungspotentale zwschen den Atomen, oft schon auf der Bass
F A C H H O C H S C H U L E W E D E L. Seminararbeit Informatik
F A C H H O C H S C H U L E W E D E L Semnararbet Informatk n der Fachrchtung Wrtschaftsnformatk Themenberech Künstlche Intellgenz Thema Nr. 3 Dskrmnanzanalyse Engerecht von: Erarbetet m: Patrck Wolf Wedeler
Optimierung der Prozessführung komplexer verfahrenstechnischer Prozesse mit Support Vector Machines
Optmerung der Prozessführung komplexer verfahrenstechnscher Prozesse mt Support Vector Machnes Chrstan Kühnert, Justus Mnx, Dr. Thomas Bernard, Dr. Helge-Björn Kuntze, Fraunhofer IITB, Karlsruhe Kurzfassung
Dynamik starrer Körper
Dynamk starrer Körper Bewegungen starrer Körper können n Translaton und Rotaton zerlegt werden. De Rotaton stellt enen nneren Frehetsgrad des Körpers dar, der be Punktmassen ncht exstert. Der Schwerpunkt
9 Diskriminanzanalyse
9 Dskrmnanzanalyse Zel ener Dskrmnanzanalyse: Berets bekannte Objektgruppen (Klassen/Cluster) anhand hrer Merkmale charakterseren und unterscheden sowe neue Objekte n de Klassen enordnen. Nötg: Lernstchprobe
13.Selbstinduktion; Induktivität
13Sebstndukton; Induktvtät 131 Sebstndukton be En- und Ausschatvorgängen Versuch 1: Be geschossenem Schater S wrd der Wderstand R 1 so groß gewäht, dass de Gühämpchen G 1 und G 2 gech he euchten Somt snd
Nullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
Kommentierte Linkliste
Mobbng Kommenterte Lnklste Mobbng fndet sch n allen sozalen Schchten und Altersgruppen: auch be Kndern und Jugendlchen. Aktuelle Studen kommen zu dem Ergebns, dass jede/r verte österrechsche SchülerIn
Boost-Schaltwandler für Blitzgeräte
jean-claude.feltes@educaton.lu 1 Boost-Schaltwandler für Bltzgeräte In Bltzgeräten wrd en Schaltwandler benutzt um den Bltzkondensator auf ene Spannung von engen 100V zu laden. Oft werden dazu Sperrwandler
SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT
Smulaton von Hybrdfahrzeugantreben mt optmerter Synchronmaschne 1 SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT OPTIMIERTER SYNCHRONMASCHINE H. Wöhl-Bruhn 1 EINLEITUNG Ene Velzahl von Untersuchungen hat sch
Kapitel 4: Lernen als Optimierung. Maschinelles Lernen und Neural Computation
Kaptel 4: Lernen als Optmerung 71 Lernen als Funktonsoptmerung Gegeben: Fehlerfunkton (.a. neg. log Lkelhood) n z.b.: 2 E E ( ) ( ( ) W = f x ; W t ) n = 1 ( ) ( ( ) ( = + ) ( ( W t log f x t f x ) n ;
Wechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t + " I ) = 0 $ " I
Wechselstrom Dr. F. Raemy Wechselspannung und Wechselstrom können stets we folgt dargestellt werden : U t = U 0 cos (! t + " U ) ; I ( t) = I 0 cos (! t + " I ) Wderstand m Wechselstromkres Phasenverschebung:!"
Dr. Florian Englmaier 1 Übung Wettbewerbstheorie und -politik. Handout zu Übungsblatt 1: Einführung
Dr. Floran Englmaer 1 Handout zu Übungsblatt 1: Enführung De Industreökonomk beschäftgt sch mt dem Marktverhalten und der nternen Organsaton von Unternehmen. (Preswettbewerb, Marktzutrttsverhalten, Produktdff.
Flußnetzwerke - Strukturbildung in der natürlichen Umwelt -
Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche