Suche mittels Attribut

Diese Seite stellt eine einfache Suchoberfläche zum Finden von Objekten bereit, die ein Attribut mit einem bestimmten Datenwert enthalten. Andere verfügbare Suchoberflächen sind die Attributsuche sowie der Abfragengenerator.

Liste der Ergebnisse

• Prophet  + (Prophet ist ein additives Zeitreihen-Vorhe … Prophet ist ein additives Zeitreihen-Vorhersagemodell, das speziell für geschäfts- und operationsnahe Daten mit starken Saisonalitäten, Feiertagseffekten und Trendbrüchen entwickelt wurde. Ein Kernmerkmal ist die automatische Changepoint-Erkennung: Prophet erlaubt, dass sich der Trend an datengetrieben erkannten Zeitpunkten ändert (z. B. Politikwechsel, Systemumstellungen). Die Regularisierung steuert, wie flexibel diese Änderungen sind. Saisonalitäten (jährlich, wöchentlich, täglich) sind standardmäßig enthalten und lassen sich leicht erweitern. Unter der Haube wird Prophet als Bayessches Zustandsraum-/Regressionsmodell formuliert (mit MAP-Schätzung), was robuste Vorhersageintervalle ermöglicht. Die Stärke liegt weniger in theoretischer Eleganz als in Robustheit, Skalierbarkeit und schneller Anwendung mit minimalem Feature-Engineering.wendung mit minimalem Feature-Engineering.)
• Random Forrest  + (Random Forest ist ein ensemblebasiertes ma … Random Forest ist ein ensemblebasiertes maschinelles Lernverfahren, das aus einer großen Anzahl von Entscheidungsbäumen besteht, die jeweils auf zufälligen Teilmengen der Daten und der Prädiktoren trainiert werden. Die Vorhersage erfolgt durch Aggregation der Einzelergebnisse (Mehrheitsvotum bei Klassifikation, Mittelwert bei Regression).lassifikation, Mittelwert bei Regression).)
• Retrieval-Augmented Generation  + (Retrieval-Augmented Generation (RAG) ist e … Retrieval-Augmented Generation (RAG) ist ein hybrider KI-Ansatz, der Informationsabruf (Retrieval) mit generativer Modellierung kombiniert. Anstatt Antworten ausschließlich aus dem internen Modellwissen zu erzeugen, ruft ein RAG-System zunächst relevante externe Informationen (z. B. Dokumente, Datenbankeinträge, Wissensgraphen) ab und nutzt diese anschließend als Kontext für die Text- oder Antwortgenerierung.ext für die Text- oder Antwortgenerierung.)
• Statistische Emulatoren  + (Statistische Emulatoren sind surrogatbasie … Statistische Emulatoren sind surrogatbasierte Modelle, die das Verhalten eines rechenintensiven Simulations- oder Mechanistikmodells approximieren. Anstatt das Originalmodell bei jeder Anfrage auszuführen, wird ein statistisches Ersatzmodell trainiert, das Eingaben schnell auf Ausgaben abbildet.as Eingaben schnell auf Ausgaben abbildet.)
• Transformermodelle  + (Transformermodelle sind eine Klasse tiefer … Transformermodelle sind eine Klasse tiefer neuronaler Netze, die Sequenzen vollständig über Aufmerksamkeitsmechanismen (Self-Attention) verarbeiten, ohne rekurrente oder konvolutionale Strukturen zu benötigen. Dadurch können Abhängigkeiten zwischen beliebigen Positionen einer Sequenz parallel und effizient modelliert werden. parallel und effizient modelliert werden.)
• Zeitfaltungsnetze  + (Zeitfaltungsnetze (Temporal Convolutional … Zeitfaltungsnetze (Temporal Convolutional Networks, TCNs) sind eine Klasse tiefer neuronaler Netze für die Modellierung von zeitlichen Sequenzen, die auf kausalen, eindimensionalen Faltungsoperationen basieren. Im Gegensatz zu rekurrenten Netzen verarbeiten TCNs Sequenzen vollständig parallel und vermeiden explizite Rückkopplungsschleifen.ermeiden explizite Rückkopplungsschleifen.)

• Graphen-informierte neuronale Netze  + (Es existieren viele Varianten, darunter Graph Convolutional Networks (GCN), Graph Attention Networks (GAT), GraphSAGE und Message Passing Neural Networks (MPNN). Sie unterscheiden sich v. a. in Aggregation, Gewichtung (Attention) und Skalierbarkeit.)

• ARIMA-Modelle  + (ARIMA-Modelle (AutoRegressive Integrated M … ARIMA-Modelle (AutoRegressive Integrated Moving Average) sind statistische Zeitreihenmodelle, die eine Zielgröße als Kombination aus Autoregression (AR), Differenzierung (I) zur Herstellung von Stationarität und gleitendem Mittelwert (MA) modellieren. Sie eignen sich zur Beschreibung und Prognose zeitlicher Abhängigkeiten in univariaten Zeitreihen. Abhängigkeiten in univariaten Zeitreihen.)
• Agentenbasierte Modellierung  + (Agentenbasierte Modellierung (Agent-Based … Agentenbasierte Modellierung (Agent-Based Modeling, ABM) ist ein mechanistischer Simulationsansatz, bei dem ein System als Menge autonomer, interagierender Agenten beschrieben wird. Jeder Agent folgt einfachen, lokal definierten Regeln, während das globale Systemverhalten emergent aus den vielen Einzelinteraktionen entsteht.s den vielen Einzelinteraktionen entsteht.)
• Autoencoder  + (Autoencoder sind neuronale Netzwerke des u … Autoencoder sind neuronale Netzwerke des unüberwachten Lernens, die darauf trainiert werden, ihre Eingabedaten über eine komprimierte interne Darstellung (latenter Raum) möglichst verlustarm zu rekonstruieren. Sie bestehen aus einem Encoder, der die Daten verdichtet, und einem Decoder, der die Originaldaten aus dieser Verdichtung wiederherstellt.en aus dieser Verdichtung wiederherstellt.)
• Bayessche Netzwerke  + (Bayessche Netzwerke (Bayesian Networks, Be … Bayessche Netzwerke (Bayesian Networks, Belief Networks) sind probabilistische grafische Modelle, die Zufallsvariablen und ihre bedingten Abhängigkeiten mittels eines gerichteten azyklischen Graphen (DAG) darstellen. Knoten repräsentieren Variablen, gerichtete Kanten direkte probabilistische Abhängigkeiten.n direkte probabilistische Abhängigkeiten.)
• Bayessche Zustandsraummodelle  + (Bayessche Zustandsraummodelle sind probabi … Bayessche Zustandsraummodelle sind probabilistische Modelle für dynamische Systeme mit verborgenen (latenten) Zuständen, bei denen sowohl die Systemdynamik als auch die Beobachtungen stochastisch beschrieben werden. Sie formulieren explizit, wie sich ein unbeobachteter Zustand über die Zeit entwickelt und wie Messungen aus diesem Zustand entstehen.ie Messungen aus diesem Zustand entstehen.)
• Bayessche kompartmentalisierende Modelle  + (Bayessche kompartmentalisierende Modelle s … Bayessche kompartmentalisierende Modelle sind eine Erweiterung klassischer kompartmentaler Infektionsmodelle (z. B. SIR, SEIR), bei denen Modellparameter und Zustände probabilistisch im bayesschen Rahmen behandelt werden. Die Bevölkerung wird in diskrete Kompartimente (z. B. Susceptible, Exposed, Infected, Recovered) eingeteilt, zwischen denen Übergänge gemäß definierter Dynamiken stattfinden.e gemäß definierter Dynamiken stattfinden.)
• SEIR-Modelle  + (Das SEIR-Modell erweitert das SIR-Modell u … Das SEIR-Modell erweitert das SIR-Modell um ein zusätzliches Kompartiment Exposed (E) für infizierte, aber noch nicht infektiöse Individuen. Damit bildet es eine Latenz- bzw. Inkubationsphase explizit ab, was für viele Infektionskrankheiten realistischer ist als ein unmittelbarer Übergang von empfänglich zu infektiös.rer Übergang von empfänglich zu infektiös.)
• SIR-Modelle  + (Das SIR-Modell ist ein klassisches kompart … Das SIR-Modell ist ein klassisches kompartmentalisierendes epidemiologisches Modell, das eine Population in drei Zustände unterteilt: Susceptible (S) (empfänglich), Infected (I) (infektiös) und Recovered/Removed (R) (genesen/entfernt). Es beschreibt, wie sich eine Infektionskrankheit durch Kontakte ausbreitet und wie Individuen anschließend aus dem infektiösen Zustand herausgehen.d aus dem infektiösen Zustand herausgehen.)
• Differenz-von-Differenzen-Methode  + (Die Differenz-von-Differenzen-Methode (DiD … Die Differenz-von-Differenzen-Methode (DiD) ist ein quasi-experimentelles kausales Schätzverfahren, das Effekte von Interventionen identifiziert, wenn keine Randomisierung möglich ist. Die Grundidee besteht darin, die Änderung einer Zielgröße über die Zeit in einer Behandlungsgruppe mit der entsprechenden Änderung in einer Kontrollgruppe zu vergleichen. Durch das „Differenzieren der Differenzen“ werden zeitinvariante Unterschiede zwischen den Gruppen herausgerechnet.</br></br>Formal betrachtet vergleicht DiD vier Mittelwerte: (Behandlung nach − Behandlung vor) − (Kontrolle nach − Kontrolle vor). Der so erhaltene Schätzer interpretiert man als kausalen Effekt der Intervention, unter der zentralen Annahme paralleler Trends: Ohne Intervention hätten sich Behandlungs- und Kontrollgruppe im Zeitverlauf gleich entwickelt.</br></br>In der Praxis wird DiD meist als lineares Regressionsmodell mit Interaktionsterm umgesetzt (Gruppe × Zeit), oft erweitert um Fixed Effects, Kovariaten und robuste Standardfehler. Moderne Varianten erlauben mehrere Zeitpunkte, gestaffelte Interventionen und heterogene Effekte.lte Interventionen und heterogene Effekte.)
• Elastische Netzregression  + (Die Elastische Netzregression (Elastic Net … Die Elastische Netzregression (Elastic Net Regression) ist ein regularisiertes Regressionsverfahren, das die Eigenschaften der Lasso-Regression (L1-Strafe) und der Ridge-Regression (L2-Strafe) kombiniert. Ziel ist es, stabile Schätzungen in Situationen mit vielen, möglicherweise stark korrelierten Prädiktoren zu erhalten.tark korrelierten Prädiktoren zu erhalten.)
• Quantilsregression  + (Die Quantilsregression ist ein statistisch … Die Quantilsregression ist ein statistisches Regressionsverfahren, das – im Gegensatz zur klassischen linearen Regression – nicht den bedingten Erwartungswert, sondern beliebige Quantile (z. B. Median, obere oder untere Randbereiche) der Zielvariable modelliert. Dadurch lassen sich Effekte von Kovariaten entlang der gesamten Verteilung der Zielgröße untersuchen und nicht nur im Mittel.größe untersuchen und nicht nur im Mittel.)
• Support-Vector-Maschine  + (Die Support-Vector-Maschine (SVM) ist ein … Die Support-Vector-Maschine (SVM) ist ein überwachtes Lernverfahren für Klassifikation und Regression, das Entscheidungsgrenzen mit maximalem Rand (Margin) zwischen Klassen konstruiert. Kernidee ist, eine Trennhyperebene zu finden, die den Abstand zu den nächstgelegenen Datenpunkten (den Support-Vektoren) maximiert.npunkten (den Support-Vektoren) maximiert.)
• Unterbrochene Zeitserie  + (Die Unterbrochene Zeitserie (ITS) ist ein … Die Unterbrochene Zeitserie (ITS) ist ein quasi-experimentelles kausales Analyseverfahren, das den Effekt einer Intervention anhand langer Zeitreihen vor und nach einem klar definierten Eingriffszeitpunkt schätzt. Die zentrale Idee ist, den Trend (Steigung) und das Niveau (Intercept) der Zielgröße vor der Intervention zu modellieren und zu prüfen, ob es nach der Intervention zu einem sprunghaften Niveauwechsel und/oder einer Trendänderung kommt.</br></br>Formal wird ITS häufig als segmentierte Regression umgesetzt. Dabei werden Zeit, Interventionsindikator (0/1) und eine Interaktion (Zeit × Intervention) in ein Regressionsmodell aufgenommen. So lassen sich sofortige Effekte (Niveausprung) von allmählichen Effekten (Trendänderung) trennen. Wichtig ist die explizite Modellierung von Autokorrelation, Saisonalität und Nichtstationarität, z. B. mittels ARIMA-Komponenten oder Generalized Least Squares.</br></br>ITS benötigt keine externe Kontrollgruppe, stützt sich aber stark auf die Annahme, dass keine weiteren zeitgleich wirkenden Interventionen den Effekt verfälschen. Erweiterungen (Controlled ITS) fügen eine Vergleichszeitreihe hinzu, um zeitgleiche Störereignisse besser abzufangen.tgleiche Störereignisse besser abzufangen.)
• Ensemblelernen  + (Ensemblelernen ist ein Oberbegriff für Ler … Ensemblelernen ist ein Oberbegriff für Lernverfahren, bei denen mehrere Einzelmodelle gezielt kombiniert werden, um eine bessere Vorhersageleistung, Robustheit und Stabilität zu erzielen als mit einem einzelnen Modell. Die Grundidee ist, dass unterschiedliche Modelle unterschiedliche Fehler machen und sich diese Fehler durch Aggregation teilweise kompensieren. durch Aggregation teilweise kompensieren.)
• Faltungsnetze  + (Faltungsnetze (Convolutional Neural Networ … Faltungsnetze (Convolutional Neural Networks, CNNs) sind eine Klasse tiefer neuronaler Netze, die speziell für die Verarbeitung gitterartig strukturierter Daten entwickelt wurden, insbesondere für Bilder, aber auch für Signale und räumlich-zeitliche Daten. Zentrale Idee ist die Verwendung von Faltungsoperationen, um lokale Muster effizient zu erkennen.n, um lokale Muster effizient zu erkennen.)
• Graphen-informierte neuronale Netze  + (Graphen-informierte neuronale Netze (Graph … Graphen-informierte neuronale Netze (Graph Neural Networks, GNNs) sind neuronale Modelle, die strukturierte Daten in Form von Graphen verarbeiten. Knoten repräsentieren Entitäten, Kanten ihre Beziehungen; das Modell lernt Repräsentationen, indem Informationen entlang der Graphstruktur propagiert werden.tlang der Graphstruktur propagiert werden.)
• Hierarchisch-Bayessche Modelle  + (Hierarchisch-bayessche Modelle (auch mehrs … Hierarchisch-bayessche Modelle (auch mehrstufige bayessche Modelle) sind statistische Modelle, die Daten- und Parameterstrukturen auf mehreren Ebenen abbilden und Unsicherheit kohärent im bayesschen Rahmen propagieren. Sie eignen sich besonders für Daten mit natürlicher Gruppierung, etwa Individuen innerhalb von Regionen oder Zeitpunkten.n innerhalb von Regionen oder Zeitpunkten.)
• Kompartmentalisierende Modelle  + (Kompartmentalisierende Modelle sind mechan … Kompartmentalisierende Modelle sind mechanistische mathematische Modelle, bei denen eine Population in eine endliche Anzahl von Kompartimenten unterteilt wird, die jeweils einen bestimmten Zustand repräsentieren (z. B. empfänglich, infiziert, genesen). Die Dynamik des Systems ergibt sich aus Übergängen zwischen diesen Kompartimenten.Übergängen zwischen diesen Kompartimenten.)
• Long Short-Term Memory  + (Long Short-Term Memory (LSTM) ist eine spe … Long Short-Term Memory (LSTM) ist eine spezielle Architektur rekurrenter neuronaler Netze (RNNs), die entwickelt wurde, um langfristige zeitliche Abhängigkeiten in Sequenzdaten zu modellieren. Im Gegensatz zu klassischen RNNs adressieren LSTMs explizit das Problem des Verschwindens bzw. Explodierens von Gradienten.hwindens bzw. Explodierens von Gradienten.)
• Metapopulationsmodelle  + (Metapopulationsmodelle sind mechanistische … Metapopulationsmodelle sind mechanistische Modellierungsansätze, bei denen eine Gesamtpopulation in mehrere Teilpopulationen (Subpopulationen) zerlegt wird, die räumlich, sozial oder organisatorisch getrennt sind und über Kopplungen (z. B. Mobilität, Migration, Kontakte) miteinander interagieren. Jede Subpopulation besitzt eine eigene interne Dynamik.ation besitzt eine eigene interne Dynamik.)
• Monte-Carlo-Simulation  + (Mittels Monte-Carlo-Simulation lassen sich aus funktional modellierten Zusamenhängen durch zufallsbasiertes Sampling der unbekannten Parameter konkrete Zahlenwerte bzw Zahlenbereiche mit Konfidenzintervallen erzeugen)
• Neurale gewöhnliche DIfferenzialgleichungen  + (Neurale gewöhnliche Differentialgleichunge … Neurale gewöhnliche Differentialgleichungen (Neural Ordinary Differential Equations, Neural ODEs) sind eine Klasse kontinuierlicher Tiefenmodelle, bei denen die Entwicklung latenter Zustände durch eine gewöhnliche Differentialgleichung beschrieben wird, deren rechte Seite von einem neuronalen Netz parametrisiert ist. Anstelle diskreter Schichten wird die Transformation als kontinuierlicher Fluss über die Zeit modelliert.uierlicher Fluss über die Zeit modelliert.)
• Nowcasting  + (Nowcasting bezeichnet Methoden, die den ak … Nowcasting bezeichnet Methoden, die den aktuellen (gegenwartsnahen) Zustand einer Zielgröße schätzen, obwohl die dafür relevanten Beobachtungen unvollständig, verzögert oder verrauscht vorliegen. Der Kernunterschied zur Vorhersage ist der Zeithorizont: Nowcasting schätzt heute, nicht morgen. Typische Probleme sind Meldeverzüge (Reporting Delays), Nachmeldungen, Right-Censoring und Messfehler.</br></br>Methodisch wird Nowcasting häufig als Zustandsschätzung formuliert. Klassische Ansätze nutzen Bayessche Modelle, State-Space-Modelle (z. B. Kalman-Filter), Deconvolution/Back-Projection oder hierarchische Verzögerungsmodelle, um aus partiellen Meldungen den aktuellen wahren Wert zu rekonstruieren. Moderne Varianten kombinieren mehrere Datenquellen (z. B. Meldedaten, Syndromdaten, Suchanfragen) und korrigieren systematische Verzerrungen.</br></br>Ein zentrales Ergebnis des Nowcastings ist nicht nur ein Punktwert, sondern eine Unsicherheitsverteilung des aktuellen Zustands. Diese Unsicherheit nimmt ab, sobald Nachmeldungen eintreffen – das Modell wird fortlaufend aktualisiert. das Modell wird fortlaufend aktualisiert.)
• Physik-Informierte Neuronale Netze  + (Physik-informierte neuronale Netze (Physic … Physik-informierte neuronale Netze (Physics-Informed Neural Networks, PINNs) sind neuronale Netze, bei denen bekannte physikalische Gesetze explizit in den Trainingsprozess integriert werden. Dies geschieht typischerweise, indem Differentialgleichungen, Erhaltungssätze oder Nebenbedingungen als zusätzliche Terme in die Verlustfunktion aufgenommen werden.in die Verlustfunktion aufgenommen werden.)
• Propensity-Score-Matching  + (Propensity-Score-Matching ist ein quasi-ex … Propensity-Score-Matching ist ein quasi-experimentelles Verfahren der kausalen Inferenz, das Beobachtungsdaten so aufbereitet, dass Behandlungs- und Kontrollgruppe hinsichtlich beobachteter Kovariaten möglichst vergleichbar sind. Kernidee ist der Propensity Score: die Wahrscheinlichkeit, eine Behandlung zu erhalten, gegeben die beobachteten Kovariaten. Dieser Score wird meist per logistischer Regression oder einem flexibleren Klassifikationsmodell geschätzt.</br></br>Anschließend werden behandelte und unbehandelte Individuen mit ähnlichem Propensity Score gepaart (Matching). Gängige Varianten sind 1:1-Nearest-Neighbor-Matching, Matching mit/ohne Zurücklegen, Caliper-Matching (maximale Distanz), Kernel- oder Stratification-Matching. Nach dem Matching wird der durchschnittliche Behandlungseffekt (ATE oder ATT) als Mittelwertunterschied der Outcomes geschätzt.</br></br>Zentrale Annahme ist die Unconfoundedness (keine unbeobachteten Confounder): gegeben die Kovariaten ist die Behandlung „as-if random“. PSM eliminiert Verzerrung durch beobachtete Störfaktoren, kann aber keine unbeobachteten ausgleichen. Qualitätssicherung erfolgt über Balance-Checks (Standardized Mean Differences) und Sensitivitätsanalysen.an Differences) und Sensitivitätsanalysen.)