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

• 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.)
• 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).)
• Rekurrente neuronale Netze  + (Rekurrente neuronale Netze (RNNs) sind ein … Rekurrente neuronale Netze (RNNs) sind eine Klasse neuronaler Netzwerke zur Verarbeitung sequenzieller Daten, bei denen der Zustand eines Neurons von aktuellen Eingaben und von seinem vorherigen Zustand abhängt. Dadurch besitzen RNNs ein internes Gedächtnis, mit dem zeitliche Abhängigkeiten modelliert werden können.e Abhängigkeiten modelliert werden können.)
• 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.)
• K-Nearest Neighbor  + (k-Nearest Neighbor (k-NN) ist ein instanzb … k-Nearest Neighbor (k-NN) ist ein instanzbasiertes, nichtparametrisches Lernverfahren, das Vorhersagen ausschließlich auf Basis der Ähnlichkeit zu bereits beobachteten Datenpunkten trifft. Es gibt kein explizit trainiertes Modell; stattdessen wird für eine neue Beobachtung eine Menge der k nächstgelegenen Nachbarn im Merkmalsraum bestimmt.legenen Nachbarn im Merkmalsraum bestimmt.)

• Autoencoder  + (Es existieren zahlreiche Varianten: Denois … Es existieren zahlreiche Varianten: Denoising Autoencoder (robust gegen Rauschen), Sparse Autoencoder (erzwingen dünn besetzte Repräsentationen), Variational Autoencoder (VAE) (probabilistische latente Variablen) und Convolutional Autoencoder für Bild- und Signalverarbeitung.oencoder für Bild- und Signalverarbeitung.)

• 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.)
• 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.)
• Bayesische Kalibration  + (Bayessche Kalibration ist ein bayessches I … Bayessche Kalibration ist ein bayessches Inferenzverfahren zur Anpassung von Modellparametern an beobachtete Daten, bei dem Unsicherheit in Parametern, Beobachtungen und ggf. Modellfehlern explizit berücksichtigt wird. Ziel ist es, ein Simulations- oder Rechenmodell so zu justieren, dass seine Ausgaben konsistent mit empirischen Daten sind.ben konsistent mit empirischen Daten sind.)
• 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.)
• 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.)
• Bootstrapping  + (Das wiederholte ziehen mit Zurücklegen aus einer beschränkten Menge von Eingabedaten, um die Resilienz der dahintergeschalteten Methode gegenüber Variation der Eingabedaten zu prüfen. Ergebnis ist ein Konfidenzinerval für die Eingabedaten.)
• Kalman-Filter  + (Der Kalman-Filter ist ein rekursives Schät … Der Kalman-Filter ist ein rekursives Schätzverfahren zur Zustandsrekonstruktion dynamischer Systeme, bei dem Messungen und Modellvorhersagen optimal kombiniert werden. Er ist speziell für lineare dynamische Systeme mit gaußschem Rauschen formuliert und liefert zu jedem Zeitpunkt eine Schätzung des aktuellen Zustands samt Unsicherheit. des aktuellen Zustands samt Unsicherheit.)
• Gaussprozessregression  + (Die **Gaussprozessregression (Gaussian Pro … Die **Gaussprozessregression (Gaussian Process Regression, GPR)** ist ein **nichtparametrisches bayessches Regressionsverfahren**, bei dem Funktionen selbst als Zufallsobjekte modelliert werden. Ein Gaussprozess definiert eine Verteilung über Funktionen, sodass für jede endliche Menge von Eingabepunkten eine multivariate Normalverteilung der Funktionswerte entsteht.malverteilung der Funktionswerte entsteht.)
• 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.)
• Instumentalvariablemmethode  + (Die Instrumentalvariablenmethode (IV) ist … Die Instrumentalvariablenmethode (IV) ist ein kausales Schätzverfahren, das eingesetzt wird, wenn eine erklärende Variable (Behandlung, Exposition) endogen ist – also mit unbeobachteten Störfaktoren korreliert. In solchen Fällen liefern einfache Regressions- oder Matching-Methoden verzerrte Effekte. Die IV-Methode nutzt eine zusätzliche Variable, das Instrument, um diese Endogenität zu umgehen.</br></br>Ein gültiges Instrument 𝑍 muss drei zentrale Bedingungen erfüllen:</br># Relevanz – <math>Z<\math> beeinflusst die Behandlung <math>D<\math></br># Exogenität – <math>Z<\math> ist unabhängig von unbeobachteten Confoundern</br># Ausschlussrestriktion – <math>Z<\math> wirkt auf das Outcome <math>Y<\math> nur über <math>D<\math>, nicht direkt.</br></br>Unter diesen Annahmen kann man den kausalen Effekt von <math>D<\math> auf <math>Y<\math> identifizieren, selbst wenn <math>D<\math> nicht randomisiert ist.</br></br>Praktisch wird IV häufig über Two-Stage Least Squares (2SLS) umgesetzt: In der ersten Stufe wird die Behandlung durch das Instrument vorhergesagt, in der zweiten Stufe wird das Outcome auf diese vorhergesagte Behandlung regressiert. Der geschätzte Effekt ist meist ein Local Average Treatment Effect (LATE), d. h. er gilt für jene Subpopulation, deren Behandlung tatsächlich durch das Instrument beeinflusst wird (die „Compliers“).</br></br>=='"`UNIQ--h-1--QINU`"' Anwendbarkeit im Gesundheitssektor ==</br></br>Im Gesundheitswesen wird die IV-Methode eingesetzt, wenn Behandlungszuweisungen stark selektiv sind, z. B. bei Therapieentscheidungen, Krankenhauswahl oder Medikamentenverschreibung. Typische Instrumente sind ärztliche Behandlungspräferenzen, regionale Versorgungsunterschiede, Entfernung zu Einrichtungen oder administrative Regeländerungen.</br></br>In Public Health kommt IV zum Einsatz, um kausale Effekte von Expositionen zu schätzen, die nicht randomisierbar sind, etwa der Einfluss von Versicherungsschutz, Screening-Programmen oder Umweltbelastungen. Besonders wichtig ist IV, wenn unbeobachtete Confounder (z. B. Gesundheitsbewusstsein) eine zentrale Rolle spielen und andere Methoden (PSM, DiD) nicht ausreichen.</br></br>=='"`UNIQ--h-2--QINU`"' Sonstiges ==</br></br>Starke Annahmen (Exogenität, Ausschlussrestriktion)</br></br>Schwache Instrumente problematisch</br></br>=='"`UNIQ--h-3--QINU`"' Semantik ==</br></br>Wikidata-Identifikator ist: [[Wikidata ID ist::Q173206usschlussrestriktion) Schwache Instrumente problematisch =='"`UNIQ--h-3--QINU`"' Semantik == Wikidata-Identifikator ist: [[Wikidata ID ist::Q173206)
• 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.)
• MCP-Server  + (Ein MCP-Server (Model Context Protocol Ser … Ein MCP-Server (Model Context Protocol Server) ist ein Dienst, der einer KI-Anwendung (dem MCP-Host/Client) standardisiert Werkzeuge (Tools) und Ressourcen bereitstellt – z. B. Dateizugriff, Datenbankabfragen, API-Aufrufe oder domänenspezifische Funktionen. Die Idee ist, dass nicht jede KI-App für jede Datenquelle eigene Integrationen bauen muss, sondern über ein einheitliches Protokoll andocken kann.ein einheitliches Protokoll andocken kann.)
• Formularasssistenzsystem  + (Ein System welches Patienten und sonstigen … Ein System welches Patienten und sonstigen Kontakten des Gesundheitsamtes (und potenziell anderer Behörden) ermöglicht, mittels eines Dialogs mit einem Sprachassistenten für ihr Anliegen relevante Formulate auszuwählen und anbietet, beim Ausfüllen behilflich zu sein.bietet, beim Ausfüllen behilflich zu sein.)
• OpenCode de  + (Eine Platform zum Austausch für die deutsche öffentliche Verwaltung geeigneter Open Source-Software, z.B in Form von gehärteten Dockercontainern)
• 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.)
• Generalisierte lineare Modelle  + (Generalisierte lineare Modelle (GLM) sind … Generalisierte lineare Modelle (GLM) sind eine Erweiterung der klassischen linearen Regression, die es erlauben, nicht-normalverteilte Zielvariablen zu modellieren. Dazu wird der Erwartungswert der Zielvariable über eine Link-Funktion mit einem linearen Prädiktor der Kovariaten verknüpft.nearen Prädiktor der Kovariaten verknüpft.)
• 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.)
• 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.)