Academic literature on the topic 'Model Auswahl'

Zusammenfassung. In diesem Beitrag wird die Entwicklung der Lesekompetenz von Grundschülerinnen und Grundschülern anhand des ELFE-Tests ( Lenhard & Schneider, 2005 ) untersucht. Dabei wird die Bedeutung der Itemauswahl im verwendeten Test (sog. Item Sampling) als auch der Auswahl statistischer Modelle (sog. Multi Model Inferenz) im Hinblick auf Effektgrößen der Veränderung diskutiert und deren Variabilität quantifiziert. Es wird argumentiert, dass in einem Konzept der Generalisierbarkeit bei Tests (mindestens) drei Facetten eine wichtige Rolle spielen: die Stichprobenziehung oder Auswahl von Personen, Items und die Wahl statistischer Modelle. Die empirischen Befunde dieses Beitrags zeigen auf, dass die in Publikationen meist vernachlässigten Variationsquellen von Item Sampling und der Modellwahl gegenüber der Stichprobenziehung von Personen nicht vernachlässigbar sind.

Immer häufiger kommen Simulationsergebnisse zur Optimierung von Zerspanprozessen zum Einsatz. Dabei wird ein sehr breites Spektrum verschiedener Techniken und Algorithmen verwendet. Für die entsprechende Auswahl muss der Anwendungsingenieur eine Überprüfung der Vor- und Nachteile der verschiedenen Algorithmen bei der Erstellung und Verwendung der numerischen Zerspanmodelle in Bezug auf den jeweils vorliegenden Zerpanprozess vornehmen. In diesem Artikel werden unterschiedliche Berechnungs- und Ansatzalgorithmen anhand von vier Zerspanmodellen – Lagrange‘sches Modell mit und ohne Remeshing, Euler’sches Modell und SPH (Smoothed Particle Hydrodynamics)-Modell – erarbeitet und miteinander sowie mit den experimentell gewonnenen Daten verglichen.   More and more results from simulations are being used to optimize cutting processes. To accomplish this, a very wide spectrum of different techniques and algorithms is applied. The engineer is required to find the advantages and disadvantages of the different algorithms used for development and employment in the numerical cutting model. This paper compares different calculation and approach algorithms on the basis of four different cutting models - Lagrange model with and without Remeshing, Eulerian model and SPH (Smoothed Particle Hydrodynamics)-model - as well as experimentally gained data.

Im Zuge der Einführung von Industrie 4.0 fühlen sich viele Unternehmen überfordert, zielgerichtete und bedarfsgerechte Einführungsstrategien zu entwickeln. Dieser Fachbeitrag stellt ein unternehmensindividuelles und problemorientiertes Vorgehen vor, bei dem ausgehend von einer Reifegradermittlung Potentiale ermittelt und mit Methoden der Industrie 4.0 gehoben werden. Diskutiert werden die iterativen Schritte für eine problemspezifische Auswahl und Anwendung von Industrie 4.0-Methoden.   Considering recent developments in terms of the industrial progression to “smart factories” and the fourth industrial revolution, companies are overwhelmed and seem to be incapable to develop appropriate implementation strategies. This paper focuses on an individual, problem-oriented approach in order to assess and implement Industry 4.0 methods based on a maturity model. Therefore, the iterative steps of an approach for achieving a problem-specific Industry 4.0 implementation are discussed.

Digitale Assistenzsysteme in der Produktion helfen, zunehmend komplex werdende Arbeitsaufgaben zu beherrschen. Dafür entstehen im Zuge der Digitalisierung der Produktion forschungsseitig zahlreiche neue Möglichkeiten individueller Werkerunterstützung. Das hier vorgestellte entwickelte Modell gestattet eine detaillierte Beschreibung der Fähigkeiten und Technologien von Komponenten eines Assistenzsystems. Durch einen Abgleich von spezifischen Anforderungen eines Anwendungsfalls mit den Fähigkeiten des Assistenzsystems soll die Auswahl eines geeigneten Assistenzsystems ermöglicht werden.   Digital assistance systems help to master tasks with growing complexity in production. Currently, a lot of research aims at developing new technologies for individual worker support. This paper presents a model for a detailed description of capabilities and technologies used for components in assistance systems. By matching a given task’s requirements with the capabilities of an assistance system, the selection of the best fitting assistance system can be achieved.

In der Produktion technischer Erzeugnisse sind Montageanlagen heute weit verbreitet. Durch immer kürzer werdende Produktlebenszyklen und die zunehmende Variantenvielfalt steigt auch die Zahl der durchzuführenden Anlagen(um)planungen. Vorgestellt wird ein Konzept, um automatisiert Entwürfe für Montageanlagen zu generieren. Auswahl und Anordnung der benötigten Betriebsmittel erfolgen dabei ausgehend von einem digitalen Modell des Produktes sowie einer Bibliothek verfügbarer Ressourcen. Die getroffenen Planungsentscheidungen werden simulativ abgesichert und heuristisch optimiert.   Nowadays, assembly lines are widely used for the production of goods. Due to shorter life cycles and increasing variance of products to be manufactured, assembly systems have to be (re)configured more frequently. This paper presents a concept to automatically generate drafts of complete assembly lines. Basis for the planning approach is a library of available resources and a digital product model. An algorithm selects, combines and arranges suitable resources. The planning decisions are heuristically optimized and verified by simulation.

Zusammenfassung. Der Erwerb mathematischer Fertigkeiten ist ein Entwicklungsprozeß, der lange vor dem Mathematikunterricht in der Schule beginnt. Ziel der hier vorgestellten Untersuchung war es, Skalen der frühen Zahlbegriffsentwicklung zu entwickeln, mit deren Hilfe Niveaus in der Zahlbegriffsentwicklung für Kinder zwischen 4 und 7 Jahren eingeschätzt werden können. Auf der Grundlage vorliegender Forschungsergebnisse wurden acht Komponenten des frühen Zahlbegriffs unterschieden und durch eine erste Auswahl von 120 Aufgaben operationalisiert. Die Aufgaben wurden in den Niederlanden von 823 Jungen und Mädchen im Alter von 4 bis 7 Jahren bearbeitet. Die Ergebnisse zeigten, daß das “One Parameter Logistic Model” zur Erklärung der Antworten bei 80 Aufgaben herangezogen werden kann. Es wurden zwei Skalen mit jeweils 40 Aufgaben (Testformen A und B) erstellt; in diesem Beitrag wird vor allem die Testform A betrachtet. Die Untersuchung ergab erhebliche Unterschiede im Entwicklungsniveau bei den verschiedenen Altersgruppen. Aufgrund dieser Ergebnisse kann gefolgert werden, daß die frühe Zahlbegriffsentwicklung (bzw. eine Verzögerung in dieser Entwicklung) durch die genannten Testaufgaben gemessen werden kann. Darüber hinaus werden erste Ergebnisse eines gemeinsamen deutsch-niederländischen Projektes zur frühen Zahlbegriffsentwicklung aus einer Stichprobe mit deutschen Kindern (330 Jungen und Mädchen) vorgestellt.

Durch die zunehmende Digitalisierung der Wertschöpfungskette werden Unternehmen mit neuen Herausforderungen, wie etwa einer höheren Variantenvielfalt oder steigenden Individualisierungswünschen von Kunden, konfrontiert. Zur Bewältigung der wachsenden Herausforderungen bietet die Implementierung von Industrie 4.0-Lösungen großes Potenzial. Dennoch agieren gerade kleine und mittlere Unternehmen bei deren Einführung zurückhaltend. Dies ist vor allem auf den hohen finanziellen Aufwand für Industrie 4.0-Lösungen und eine unzureichende Abschätzbarkeit der Auswirkungen ihrer Einführung zurückzuführen. Im Rahmen des EFRE-Forschungsprojekts »Synus« wurden Methoden und Tools zur Unterstützung von kleinen und mittleren Unternehmen bei der Bewertung und Auswahl von Industrie 4.0-Lösungen entwickelt. Inhalt dieses Beitrags ist die Präsentation des Potenzial-Modells, welches kleine und mittlere Unternehmen zur Auswahl geeigneter Industrie 4.0-Lösungen in Abhängigkeit der individuellen Sachlagen und Präferenzen befähigt.

Zusammenfassung. Die empirische Erfassung psychischer Merkmale erfolgt in der Regel mit Instrumenten, die auf der Grundlage der klassischen Testtheorie entwickelt wurden. Seit den 60er Jahren bietet sich hierzu mit der Item Response Theory (IRT) eine Alternative an, die verschiedene Vorteile verspricht. Auf ihrer Grundlage können u.a. computeradaptive Tests (CATs) entwickelt werden, welche die Auswahl der vorgelegten Items dem Antwortverhalten der Patienten anpassen und damit eine höhere Messgenauigkeit bei reduzierter Itemzahl ermöglichen sollen. Wir haben verschiedene Schritte zur Entwicklung eines CAT zur Erfassung von Angst unternommen, um zu prüfen, ob sich die theoretischen Vorzüge der IRT auch in der praktischen Umsetzung bestätigen lassen. In dem vorliegenden Beitrag wird die Entwicklung der zu Grunde liegenden Itembank dargestellt. Hierfür wurde auf Daten von N = 2348 Patienten zurückgegriffen, die an der Medizinischen Klinik mit Schwerpunkt Psychosomatik der Charité zwischen 1995 und 2001 im Rahmen der Routinediagnostik ein umfangreiches Set etablierter konventioneller Fragebögen computergestützt beantwortet hatten. Diese beinhalteten 81 Items, die in einem Expertenrating für das Merkmal Angst als relevant angesehen wurden. Die Eigenschaften dieser Items wurden anhand ihrer residualen Korrelationen nach konfirmatorischer Faktorenanalyse (MplusTM), ihrer Antwortkategorienfunktion (TestgrafTM) und ihrer Diskriminationsfähigkeit (ParscaleTM) überprüft. Es verblieben 50 Items, die für die Anwendung eines polytomen Zwei-Parameter-Modells (Generalized-Partial-Credit-Model) als geeignet angesehen werden können. Orientiert man sich an einer Reliabilität von ρ ≥ .90 und legt für den computeradaptiven Testalgorithmus einen Standardfehler von ≤ .32 fest, so zeigen Simulationsstudien, dass die Merkmalsausprägung für Angst im Bereich von ± 2 Standardabweichungen um den Mittelwert der Stichprobe mit ca. 7 Items ermittelt werden kann. Zudem legen die Simulationsstudien nahe, dass der CAT-Algorithmus das Merkmal in den oberen und unteren Ausprägungen besser zu differenzieren vermag als die konventionell berechnete Summen-Skala des STAI (State).

Several modifications have been suggested to extend binary classifiers to multiclass classification, for instance the One Against All technique, the One Against One technique, or Directed Acyclic Graphs. A recent approach for multiclass classification is the pairwise classification, which relies on two input examples instead of one and predicts whether the two input examples belong to the same class or to different classes. A Support Vector Machine (SVM), which is able to handle pairwise classification tasks, is called pairwise SVM. A common pairwise classification task is face recognition. In this area, a set of images is given for training and another set of images is given for testing. Often, one is interested in the interclass setting. The latter means that any person which is represented by an image in the training set is not represented by any image in the test set. From the mentioned multiclass classification techniques only the pairwise classification technique provides meaningful results in the interclass setting. For a pairwise classifier the order of the two examples should not influence the classification result. A common approach to enforce this symmetry is the use of selected kernels. Relations between such kernels and certain projections are provided. It is shown, that those projections can lead to an information loss. For pairwise SVMs another approach for enforcing symmetry is the symmetrization of the training sets. In other words, if the pair (a,b) of examples is a training pair then (b,a) is a training pair, too. It is proven that both approaches do lead to the same decision function for selected parameters. Empirical tests show that the approach using selected kernels is three to four times faster. For a good interclass generalization of pairwise SVMs training sets with several million training pairs are needed. A technique is presented which further speeds up the training time of pairwise SVMs by a factor of up to 130 and thus enables the learning of training sets with several million pairs. Another element affecting time is the need to select several parameters. Even with the applied speed up techniques a grid search over the set of parameters would be very expensive. Therefore, a model selection technique is introduced that is much less computationally expensive. In machine learning, the training set and the test set are created by using some data generating process. Several pairwise data generating processes are derived from a given non pairwise data generating process. Advantages and disadvantages of the different pairwise data generating processes are evaluated. Pairwise Bayes' Classifiers are introduced and their properties are discussed. It is shown that pairwise Bayes' Classifiers for interclass generalization tasks can differ from pairwise Bayes' Classifiers for interexample generalization tasks. In face recognition the interexample task implies that each person which is represented by an image in the test set is also represented by at least one image in the training set. Moreover, the set of images of the training set and the set of images of the test set are disjoint. Pairwise SVMs are applied to four synthetic and to two real world datasets. One of the real world datasets is the Labeled Faces in the Wild (LFW) database while the other one is provided by Cognitec Systems GmbH. Empirical evidence for the presented model selection heuristic, the discussion about the loss of information and the provided speed up techniques is given by the synthetic databases and it is shown that classifiers of pairwise SVMs lead to a similar quality as pairwise Bayes' classifiers. Additionally, a pairwise classifier is identified for the LFW database which leads to an average equal error rate (EER) of 0.0947 with a standard error of the mean (SEM) of 0.0057. This result is better than the result of the current state of the art classifier, namely the combined probabilistic linear discriminant analysis classifier, which leads to an average EER of 0.0993 and a SEM of 0.0051
Es gibt verschiedene Ansätze, um binäre Klassifikatoren zur Mehrklassenklassifikation zu nutzen, zum Beispiel die One Against All Technik, die One Against One Technik oder Directed Acyclic Graphs. Paarweise Klassifikation ist ein neuerer Ansatz zur Mehrklassenklassifikation. Dieser Ansatz basiert auf der Verwendung von zwei Input Examples anstelle von einem und bestimmt, ob diese beiden Examples zur gleichen Klasse oder zu unterschiedlichen Klassen gehören. Eine Support Vector Machine (SVM), die für paarweise Klassifikationsaufgaben genutzt wird, heißt paarweise SVM. Beispielsweise werden Probleme der Gesichtserkennung als paarweise Klassifikationsaufgabe gestellt. Dazu nutzt man eine Menge von Bildern zum Training und ein andere Menge von Bildern zum Testen. Häufig ist man dabei an der Interclass Generalization interessiert. Das bedeutet, dass jede Person, die auf wenigstens einem Bild der Trainingsmenge dargestellt ist, auf keinem Bild der Testmenge vorkommt. Von allen erwähnten Mehrklassenklassifikationstechniken liefert nur die paarweise Klassifikationstechnik sinnvolle Ergebnisse für die Interclass Generalization. Die Entscheidung eines paarweisen Klassifikators sollte nicht von der Reihenfolge der zwei Input Examples abhängen. Diese Symmetrie wird häufig durch die Verwendung spezieller Kerne gesichert. Es werden Beziehungen zwischen solchen Kernen und bestimmten Projektionen hergeleitet. Zudem wird gezeigt, dass diese Projektionen zu einem Informationsverlust führen können. Für paarweise SVMs ist die Symmetrisierung der Trainingsmengen ein weiter Ansatz zur Sicherung der Symmetrie. Das bedeutet, wenn das Paar (a,b) von Input Examples zur Trainingsmenge gehört, dann muss das Paar (b,a) ebenfalls zur Trainingsmenge gehören. Es wird bewiesen, dass für bestimmte Parameter beide Ansätze zur gleichen Entscheidungsfunktion führen. Empirische Messungen zeigen, dass der Ansatz mittels spezieller Kerne drei bis viermal schneller ist. Um eine gute Interclass Generalization zu erreichen, werden bei paarweisen SVMs Trainingsmengen mit mehreren Millionen Paaren benötigt. Es wird eine Technik eingeführt, die die Trainingszeit von paarweisen SVMs um bis zum 130-fachen beschleunigt und es somit ermöglicht, Trainingsmengen mit mehreren Millionen Paaren zu verwenden. Auch die Auswahl guter Parameter für paarweise SVMs ist im Allgemeinen sehr zeitaufwendig. Selbst mit den beschriebenen Beschleunigungen ist eine Gittersuche in der Menge der Parameter sehr teuer. Daher wird eine Model Selection Technik eingeführt, die deutlich geringeren Aufwand erfordert. Im maschinellen Lernen werden die Trainingsmenge und die Testmenge von einem Datengenerierungsprozess erzeugt. Ausgehend von einem nicht paarweisen Datengenerierungsprozess werden unterschiedliche paarweise Datengenerierungsprozesse abgeleitet und ihre Vor- und Nachteile bewertet. Es werden paarweise Bayes-Klassifikatoren eingeführt und ihre Eigenschaften diskutiert. Es wird gezeigt, dass sich diese Bayes-Klassifikatoren für Interclass Generalization Aufgaben und für Interexample Generalization Aufgaben im Allgemeinen unterscheiden. Bei der Gesichtserkennung bedeutet die Interexample Generalization, dass jede Person, die auf einem Bild der Testmenge dargestellt ist, auch auf mindestens einem Bild der Trainingsmenge vorkommt. Außerdem ist der Durchschnitt der Menge der Bilder der Trainingsmenge mit der Menge der Bilder der Testmenge leer. Paarweise SVMs werden an vier synthetischen und an zwei Real World Datenbanken getestet. Eine der verwendeten Real World Datenbanken ist die Labeled Faces in the Wild (LFW) Datenbank. Die andere wurde von Cognitec Systems GmbH bereitgestellt. Die Annahmen der Model Selection Technik, die Diskussion über den Informationsverlust, sowie die präsentierten Beschleunigungstechniken werden durch empirische Messungen mit den synthetischen Datenbanken belegt. Zudem wird mittels dieser Datenbanken gezeigt, dass Klassifikatoren von paarweisen SVMs zu ähnlich guten Ergebnissen wie paarweise Bayes-Klassifikatoren führen. Für die LFW Datenbank wird ein paarweiser Klassifikator bestimmt, der zu einer durchschnittlichen Equal Error Rate (EER) von 0.0947 und einem Standard Error of The Mean (SEM) von 0.0057 führt. Dieses Ergebnis ist besser als das des aktuellen State of the Art Klassifikators, dem Combined Probabilistic Linear Discriminant Analysis Klassifikator. Dieser führt zu einer durchschnittlichen EER von 0.0993 und einem SEM von 0.0051

In der vorliegenden Magisterarbeit wird das Modell der familialen Pflege, der Ausbildung der Pflegeeltern und der Arbeit mit der Pflegefamilie in Litauen analysiert. Im ersten Teil wird die Analyse der Dokumente und der Rechtsakten, die den Pflegeprozess in Litauen regeln, vorgestellt. Hier wird das Problem der Auswahl der potentiellen Pflegeeltern und ihrer Vorbereitung auf die Pflege überblickt. Man analysiert die Spezifik der Sozialarbeit mit Pflegefamilien, die Aufgaben des vorläufigen Kinderheimes und die Möglichkeiten, seine Tätigkeit zu erweitern. Man konstruiert auch das Modell der zu bestrebten Sozialarbeit mit der Pflegefamilie. Im zweiten Teil stellt man die Forschung der Einstellungen vor, die die in den vorläufigen Kinderheimen arbeitenden Fachleute haben. Man versucht, die Einstellungen der Fachleute zum Phänomen der Pflegefamilie, zur Organisation der Sozialarbeit mit der Pflegefamilie und zur Möglichkeit, die Funktionen des vorläufigen Kinderheimes zu erweitern, zu erschließen. Das Problem der vorläufigen Abtrennung eines Kindes von seiner Familie ist ein komplexes Problem, und so müsste es auch gelöst werden, indem man Hilfe für die Familie des sozialen Risikos leistet und dem Kind die Möglichkeit gibt, die Krisenperiode in einer Pflegefamilie zu überleben. Am Ende der Magisterarbeit wird eine Empfehlung gegeben, wie man einem Kind, das ohne Fürsorge der Eltern geblieben ist, Hilfe effektiver leisten könnte. Das ist das Projekt des Programms eines... [to full text]

A two-step model order reduction method is investigated in order to overcome problems of certain one-step methods. Not only optimal combinations of one-step reductions are considered but also the selection of a suitable intermediate dimension (ID) is described. Several automated selection methods are presented and their application tested on a gear box model. The implementation is realized using a Matlab-based Software MORPACK. Several recommendations are given towards the selection of a suitable ID, and problems in Model Order Reduction (MOR) combinations are pointed out. A pseudo two-step is suggested to reduce the full system without any modal information. A new node selection approach is proposed to enhance the SEREP approximation of the system’s response for small reduced representations
Mehrschrittverfahren der Modellreduktion werden untersucht, um spezielle Probleme konventioneller Einschrittverfahren zu lösen. Eine optimale Kombination von strukturmechanischen Reduktionsverfahren und die Auswahl einer geeigneten Zwischendimension wird untersucht. Dafür werden automatische Verfahren in Matlab implementiert, in die Software MORPACK integriert und anhand des Finite Elemente Modells eines Getriebegehäuses ausgewertet. Zur Auswahl der Zwischendimension werden Empfehlungen genannt und auf Probleme bei der Kombinationen bestimmter Reduktionsverfahren hingewiesen. Ein Pseudo- Zweischrittverfahren wird vorgestellt, welches eine Reduktion ohne Kenntnis der modalen Größen bei ähnlicher Genauigkeit im Vergleich zu modalen Unterraumverfahren durchführt. Für kleine Reduktionsdimensionen wird ein Knotenauswahlverfahren vorgeschlagen, um die Approximation des Frequenzganges durch die System Equivalent Reduction Expansion Process (SEREP)-Reduktion zu verbessern

Several modifications have been suggested to extend binary classifiers to multiclass classification, for instance the One Against All technique, the One Against One technique, or Directed Acyclic Graphs. A recent approach for multiclass classification is the pairwise classification, which relies on two input examples instead of one and predicts whether the two input examples belong to the same class or to different classes. A Support Vector Machine (SVM), which is able to handle pairwise classification tasks, is called pairwise SVM. A common pairwise classification task is face recognition. In this area, a set of images is given for training and another set of images is given for testing. Often, one is interested in the interclass setting. The latter means that any person which is represented by an image in the training set is not represented by any image in the test set. From the mentioned multiclass classification techniques only the pairwise classification technique provides meaningful results in the interclass setting. For a pairwise classifier the order of the two examples should not influence the classification result. A common approach to enforce this symmetry is the use of selected kernels. Relations between such kernels and certain projections are provided. It is shown, that those projections can lead to an information loss. For pairwise SVMs another approach for enforcing symmetry is the symmetrization of the training sets. In other words, if the pair (a,b) of examples is a training pair then (b,a) is a training pair, too. It is proven that both approaches do lead to the same decision function for selected parameters. Empirical tests show that the approach using selected kernels is three to four times faster. For a good interclass generalization of pairwise SVMs training sets with several million training pairs are needed. A technique is presented which further speeds up the training time of pairwise SVMs by a factor of up to 130 and thus enables the learning of training sets with several million pairs. Another element affecting time is the need to select several parameters. Even with the applied speed up techniques a grid search over the set of parameters would be very expensive. Therefore, a model selection technique is introduced that is much less computationally expensive. In machine learning, the training set and the test set are created by using some data generating process. Several pairwise data generating processes are derived from a given non pairwise data generating process. Advantages and disadvantages of the different pairwise data generating processes are evaluated. Pairwise Bayes' Classifiers are introduced and their properties are discussed. It is shown that pairwise Bayes' Classifiers for interclass generalization tasks can differ from pairwise Bayes' Classifiers for interexample generalization tasks. In face recognition the interexample task implies that each person which is represented by an image in the test set is also represented by at least one image in the training set. Moreover, the set of images of the training set and the set of images of the test set are disjoint. Pairwise SVMs are applied to four synthetic and to two real world datasets. One of the real world datasets is the Labeled Faces in the Wild (LFW) database while the other one is provided by Cognitec Systems GmbH. Empirical evidence for the presented model selection heuristic, the discussion about the loss of information and the provided speed up techniques is given by the synthetic databases and it is shown that classifiers of pairwise SVMs lead to a similar quality as pairwise Bayes' classifiers. Additionally, a pairwise classifier is identified for the LFW database which leads to an average equal error rate (EER) of 0.0947 with a standard error of the mean (SEM) of 0.0057. This result is better than the result of the current state of the art classifier, namely the combined probabilistic linear discriminant analysis classifier, which leads to an average EER of 0.0993 and a SEM of 0.0051.
Es gibt verschiedene Ansätze, um binäre Klassifikatoren zur Mehrklassenklassifikation zu nutzen, zum Beispiel die One Against All Technik, die One Against One Technik oder Directed Acyclic Graphs. Paarweise Klassifikation ist ein neuerer Ansatz zur Mehrklassenklassifikation. Dieser Ansatz basiert auf der Verwendung von zwei Input Examples anstelle von einem und bestimmt, ob diese beiden Examples zur gleichen Klasse oder zu unterschiedlichen Klassen gehören. Eine Support Vector Machine (SVM), die für paarweise Klassifikationsaufgaben genutzt wird, heißt paarweise SVM. Beispielsweise werden Probleme der Gesichtserkennung als paarweise Klassifikationsaufgabe gestellt. Dazu nutzt man eine Menge von Bildern zum Training und ein andere Menge von Bildern zum Testen. Häufig ist man dabei an der Interclass Generalization interessiert. Das bedeutet, dass jede Person, die auf wenigstens einem Bild der Trainingsmenge dargestellt ist, auf keinem Bild der Testmenge vorkommt. Von allen erwähnten Mehrklassenklassifikationstechniken liefert nur die paarweise Klassifikationstechnik sinnvolle Ergebnisse für die Interclass Generalization. Die Entscheidung eines paarweisen Klassifikators sollte nicht von der Reihenfolge der zwei Input Examples abhängen. Diese Symmetrie wird häufig durch die Verwendung spezieller Kerne gesichert. Es werden Beziehungen zwischen solchen Kernen und bestimmten Projektionen hergeleitet. Zudem wird gezeigt, dass diese Projektionen zu einem Informationsverlust führen können. Für paarweise SVMs ist die Symmetrisierung der Trainingsmengen ein weiter Ansatz zur Sicherung der Symmetrie. Das bedeutet, wenn das Paar (a,b) von Input Examples zur Trainingsmenge gehört, dann muss das Paar (b,a) ebenfalls zur Trainingsmenge gehören. Es wird bewiesen, dass für bestimmte Parameter beide Ansätze zur gleichen Entscheidungsfunktion führen. Empirische Messungen zeigen, dass der Ansatz mittels spezieller Kerne drei bis viermal schneller ist. Um eine gute Interclass Generalization zu erreichen, werden bei paarweisen SVMs Trainingsmengen mit mehreren Millionen Paaren benötigt. Es wird eine Technik eingeführt, die die Trainingszeit von paarweisen SVMs um bis zum 130-fachen beschleunigt und es somit ermöglicht, Trainingsmengen mit mehreren Millionen Paaren zu verwenden. Auch die Auswahl guter Parameter für paarweise SVMs ist im Allgemeinen sehr zeitaufwendig. Selbst mit den beschriebenen Beschleunigungen ist eine Gittersuche in der Menge der Parameter sehr teuer. Daher wird eine Model Selection Technik eingeführt, die deutlich geringeren Aufwand erfordert. Im maschinellen Lernen werden die Trainingsmenge und die Testmenge von einem Datengenerierungsprozess erzeugt. Ausgehend von einem nicht paarweisen Datengenerierungsprozess werden unterschiedliche paarweise Datengenerierungsprozesse abgeleitet und ihre Vor- und Nachteile bewertet. Es werden paarweise Bayes-Klassifikatoren eingeführt und ihre Eigenschaften diskutiert. Es wird gezeigt, dass sich diese Bayes-Klassifikatoren für Interclass Generalization Aufgaben und für Interexample Generalization Aufgaben im Allgemeinen unterscheiden. Bei der Gesichtserkennung bedeutet die Interexample Generalization, dass jede Person, die auf einem Bild der Testmenge dargestellt ist, auch auf mindestens einem Bild der Trainingsmenge vorkommt. Außerdem ist der Durchschnitt der Menge der Bilder der Trainingsmenge mit der Menge der Bilder der Testmenge leer. Paarweise SVMs werden an vier synthetischen und an zwei Real World Datenbanken getestet. Eine der verwendeten Real World Datenbanken ist die Labeled Faces in the Wild (LFW) Datenbank. Die andere wurde von Cognitec Systems GmbH bereitgestellt. Die Annahmen der Model Selection Technik, die Diskussion über den Informationsverlust, sowie die präsentierten Beschleunigungstechniken werden durch empirische Messungen mit den synthetischen Datenbanken belegt. Zudem wird mittels dieser Datenbanken gezeigt, dass Klassifikatoren von paarweisen SVMs zu ähnlich guten Ergebnissen wie paarweise Bayes-Klassifikatoren führen. Für die LFW Datenbank wird ein paarweiser Klassifikator bestimmt, der zu einer durchschnittlichen Equal Error Rate (EER) von 0.0947 und einem Standard Error of The Mean (SEM) von 0.0057 führt. Dieses Ergebnis ist besser als das des aktuellen State of the Art Klassifikators, dem Combined Probabilistic Linear Discriminant Analysis Klassifikator. Dieser führt zu einer durchschnittlichen EER von 0.0993 und einem SEM von 0.0051.

ZusammenfassungAls Ergebnis des Förderprojektes SynDiQuAss liegt ein partizipatives und praktisch evaluiertes Vorgehensmodell zur Integration von digitalen Assistenzsystemen an Montagearbeitsplätzen in KMU mit produktionstechnischem Hintergrund vor. Als normatives Rahmenwerk wurde zu Beginn ein gemeinsames Commitment der Projektpartner unter besonderer Berücksichtigung der Interessen der betroffenen WerkerInnen verabschiedet, welches durch regelmäßige Evaluationen die Akzeptanz und den Systemnutzen der entwickelten Lösungsansätze absichert. Anhand prototypischer Anwendungsszenarien wurden Methoden für systematische Auswahl und Applikation kognitiver und physischer Assistenzsysteme an bisher nicht automatisierten Montagearbeitsplätzen entwickelt. Eine zentrale Software implementiert das formale Modell der digitalisierten Montageanweisung, mit der die Assistenzsystemfunktionalitäten für jeden Montageschritt gesteuert werden, und realisiert die Schnittstelle zur Anbindung anderer Unternehmensbereiche. Das modulare Aufbaukonzept wurde in einem spezifizierten Demonstratorarbeitsplatz umgesetzt und in den beteiligten Industriepartnern mit deren MitarbeiterInnen evaluiert.

Ein weit verbreitetes theoretisches Modell zur Auswahl und Konzeption von Mathematikaufgaben, welches auch bei Vor-/Brückenkursangeboten an Hochschulen Einzug gehalten hat, ist das Modell von prozeduralen und konzeptionellen Aufgaben. Dieser Beitrag analysiert dieses Modell, u.a. vom Standpunkt der Begriffsgenese aus, kritisch und stellt mit Hilfe ausgewählter Analysen von Aufgaben aus den Mathematikvorkursen an der Dualen-Hochschule Baden-Württemberg (DHBW) in Mosbach das Modell der semantischen und syntaktischen Sichtweisen vor.

Hamburg bietet mathematisch interessierten Schülerinnen und Schülern ein breites Spektrum an Fördermöglichkeiten, zu denen auch die Schülerzirkel gehören, die vor mehr als 25 Jahren von der mathematischen Gesellschaft Hamburg ins Leben gerufen wurden. Der in den Schuljahren 2016 und 2017 von mir angebotene zentrale Zirkel am Geomatikum wurde von Schülern der achten bis zur dreizehnten Klasse besucht und hier lernte ich viele ehemalige Teilnehmer des PriMa-Projekts kennen, die durch ihre muntere fachverliebte Art immer besonders viel zu einem fröhlichen produktiven Arbeitsklima beigetragen haben. Für diese Schüler – es gab natürlich auch Teilnehmer, die vorher nicht im PriMa-Projekt waren, bot der Schülerzirkel „Anschlussaufgaben“. Die Auswahl dieser Aufgaben orientiert sich am Fachlichen und nicht an modernen Moden, wie der sog. Kompetenzorientierung und der Modellierungsmanie. Die eigentliche Quelle höherer Fach- und Kulturbildung ist der Homo ludens mit seinem intellektuellen Spieltrieb, der ganz wesentlich von ästhetischen Empfindungen gesteuert wird. Letztere scheinen den Propagandisten moderner didaktischer Lehren abzugehen, denn anders kann man sich die inflationäre Verwendung von unschönen und phrasenhaften Wortverbindungen wie „Systematisierungskompetenz“, „Darstellungskompetenz“, „Reflexionskompetenz“, ja, sogar „Ich-Kompetenz“ und „Beweiskompetenz“ (!), etc., die nach schlechten Scherzen klingen, nicht erklären. Wir müssen mittlerweile damit rechnen, dass die kleinen Kinder hierzulande sehr bald nicht mehr trocken werden, sondern Töpfchenkompetenz erwerben, wenn dieser pisaesken Sprachverhunzung nicht schnell Einhalt geboten wird. Im Schülerzirkel und auch im Hamburger Projekt zur Hochbegabtenförderung – und ich denke auch im PriMa-Projekt – sehen wir immer wieder, dass vor allem schöne mathematische Inhalte viele Schüler interessieren und sie zur produktiven Beschäftigung reizen, auch wenn – oder sogar weil – sie keinen unmittelbaren Lebensbezug haben.

Im Zuge der Globalisierung sehen sich produzierende Unternehmen mit einem kontinuierlich anwachsenden Wettbewerbsdruck konfrontiert. Aufgrund dessen sehen sich viele Marktakteure zu einer intensivierten Spezialisierung gezwungen, um auf kunden-individuelle Anforderungen eingehen zu können. Einen möglichen Lösungsansatz zur Bewältigung dieser Herausforderung bietet der Ansatz der Modularisierung. Hier wird allerdings nicht konkret ein Baukasten definiert, vielmehr werden verschiedene Alternativen generiert. Die Entscheidung, welcher Baukasten schlussendlich implementiert wird, fällt meist aufgrund einiger weniger Einflussfaktoren sowie maßgeblich durch Expertenentscheidungen. An dieser Stelle setzt der vorliegende Beitrag an. Um ein quantifizierbares und ganzheitliches Kriterium zur Unter-stützung der Auswahl modularer Baukastensysteme zu bieten, wird eine multifaktorielle Simulation eingesetzt. Einer der maßgeblichen Aspekte derer ist die beidseitige Inbezugnahme von sowohl Kunden- als auch Unternehmensperspektive. Dies wird v.a. durch die Verwendung eines dynamischen Produktkonfigurationssystems ermöglicht. Um die zugrundeliegenden, teils komplexen Produktarchitekturen datentechnisch konsistent und pflegbar zu halten, wird zusätzlich der Einsatz einer modellbasierten Datenstruktur aufgezeigt. Die Verwendung des Model-Based Systems-Engineering (MBSE) Ansatzes hilf dabei, die vielschichtigen Zusammenhänge des Modulbaukastens in einer konsistenten und maschinenlesbaren Form auszudrücken. Somit kann das Konfigurationssystem produktunabhängig auf die Ontologie der zugrundeliegenden Datenstruktur zugreifen. Für die Baukastensimulation wird dieses Konfigurationssystem rekursiv für mehrere Kundenanfragen und alternative Baukästen eingesetzt, um anschließend mittels eines geometrisch-mathematischen Algorithmus ein multi-dimensionales Entscheidungskriterium hinsichtlich der Baukasten-performance zu generieren.