Statistische Grundlagen und Bayes-Klassifikator

Frochte, Jörg

doi:10.3139/9783446463554.004

Cited by 2 publications

(10 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Ein Datensatz besteht aus Datenpunkten, welche mindestens Merkmale (Features; Einflussvariable) x ∈ ℝ m enthalten, wobei ein Merkmal eine einzelne messbare Eigenschaft oder ein beobachtetes Phänomen ist [10, 11]. Weiterhin können dem Datensatz noch Antwortvariablen (Targets) t ∈ ℝ m zusätzlich zu den Features zugeordnet sein.…”

Section: Stand Der Forschung Und Technikunclassified

“…Die lineare Regression ist das einfachste Regressionsmodell in ML, bei dem die Ausgangsvariable und die Eingangsvariable(n) durch lineare Funktionen angepasst werden. Im Rahmen dieses Beitrags wird aufgrund der Vielzahl der Eingangsvariablen die multiple lineare Regression verwendet [10, 11]. Entscheidungsbäume (auch bekannt als Klassifikations‐ und Regressionsbaum/CART) sind baumbasierte Modelle zur Visualisierung von datengestützten Entscheidungsprozessen.…”

Section: Stand Der Forschung Und Technikunclassified

“…Ein Baum wird durch Aufteilung der Quelldaten (Wurzelknoten) auf vielen kleineren Teilmengen sukzessive trainiert. Random Forest ist ein Ensemble‐Lernalgorithmus, welcher an einem Datensatz parallel mehrere Entscheidungsbäume trainiert und für die Vorhersage den Durchschnitt der Ergebnisse der einzelnen Entscheidungsbäume verwendet [8, 10, 11]. Boosting ist eine Ensemble‐Technik zur Kombination vieler einzelner Modelle zu einem Vorhersagemodell unter besonderer Berücksichtigung der Vorhersagequalität ‐ z.…”

Section: Stand Der Forschung Und Technikunclassified

“…Die Hauptunterschiede liegen in den Details zum Datensampling, den Entscheidungskriterien sowie den zu minimierenden Verlustfunktionen beim Training. Neuronale Netze [11–15] bestehen typischerweise aus einem Input und einem Output Layer und sog. versteckten (hidden) Layern mit trainierbaren Parametern θ (Gewichte w ,Biase b ) dazwischen.…”

Section: Stand Der Forschung Und Technikunclassified

“…Detailliertere und mathematisch fundierte Grundlagen und Hintergrunderläuterungen zu den hier vorgestellten Inhalten sind in den benannten Quellen sowie u. a. in [8, 10, 11, 15] zu finden.…”

Section: Stand Der Forschung Und Technikunclassified

See 4 more Smart Citations

Maschinelles Lernen beim Entwurf und der Bemessung von Stahlrahmenhallen

Fisch¹,

Stecker²,

Kraus

2023

Stahlbau

View full text Add to dashboard Cite

Der Einsatz digitaler Hilfsmittel in Planungs‐ und Bauprozessen steigert die Effizienz, insbesondere für wiederkehrende Aufgaben und Abläufe, wie z. B. die Dimensionierung von Bauteilen oder Bauwerken, welche nach ähnlichen Mustern ablaufen. Dieser Beitrag entwickelt einen Künstliche‐Intelligenz‐(KI‐)basierten Assistenten zum Einsatz im Entwurf und bei der Bemessung von Stahlrahmenhallen als prototypischen Co‐Piloten. Dazu wird die notwendige Datenbasis an Stahlrahmenhallen aus Projektarchiven der TRAGRAUM Partnerschaft Beratender Ingenieure mbB zusammengestellt. Diese wird im Rahmen von Datenanalysen nach den maßgebenden Beschreibungsparametern und Mustern untersucht, sodass geeignete KI‐Ersatzmodelle zur Vorhersage der Hallenparameter mittels Regressionsanalysen trainiert werden. Ferner wird eine Schnittstelle zum Finite‐Elemente‐Programm SOFiSTiK implementiert, welches die Prädiktionen der KI bezüglich der Parameter der Stahlrahmenhallen an ein parametrisiertes Eingabefile übergibt und die Berechnung und Bemessung anstößt. Im Zuge der Kalibrierung der KI‐Ersatzmodelle werden neben den Approximationsgüten auch evtl. vorzuhaltende Sicherheitsaufschläge diskutiert. Dieser Beitrag zeigt, dass der prototypische Co‐Pilot zur Vorbemessung von Stahlrahmenhallen erfolgreich umgesetzt werden konnte und mit der KI neu generierte Hallenrahmen bezüglich der Validierungsbetrachtungen als standsicher eingestuft werden können. Der Ausblick beleuchtet künftige Weiterentwicklungen dieses Ansatzes sowie den Übertrag auf andere Anwendungen.

show abstract

Section: Stand Der Forschung Und Technikunclassified

See 3 more Smart Citations

Maschinelles Lernen beim Entwurf und der Bemessung von Stahlrahmenhallen

Fisch¹,

Stecker²,

Kraus

2023

Stahlbau

View full text Add to dashboard Cite

show abstract

Data Augmentation for Optical Inspection of Additively Manufactured Crimping Tools

Chmielewski,

Roj,

Theiss

et al.

Proceedings of the Eleventh International Conference on Engineering Computational Technology

View full text Add to dashboard Cite

In this paper, the use of neural networks is investigated in the course of optical inspection control of crimping tools and the economic benefit of data augmentation of training data. It should be noted that the augmentation of training data can possess a positive effect on the prediction accuracy of neural networks. Using data augmentation, small data sets can be artificially enlarged for the training process of convolutional neural networks. The goal is to increase the prediction accuracy of convolutional neural networks in recognizing real test data. The original images are augmented in such a setting, so that the important features of the real images are still recognizable.In the process of this work, various images of crimping tools produced by a 3D printer are captured. The crimping tools were additively manufactured from both black PLA and filament with wood content. These crimping tools are to be classified as defective or properly manufactured components through visual inspection. Various defects that can occur during additive manufacturing will also be mapped. Based on the conducted experiments and results, it can be stated that the prediction accuracy can achieve high accuracy of the model with lower number of real data per class using the augmentation of the training data. Thus, data augmentation can be evaluated as a suitable method of data augmentation in the field of optical inspection control of additively manufactured crimping tools.

show abstract

Statistische Grundlagen und Bayes-Klassifikator

Cited by 2 publications

References 0 publications

Maschinelles Lernen beim Entwurf und der Bemessung von Stahlrahmenhallen

Maschinelles Lernen beim Entwurf und der Bemessung von Stahlrahmenhallen

Data Augmentation for Optical Inspection of Additively Manufactured Crimping Tools

Contact Info

Product

Resources

About