Filter Results
674 results
Als „Die Forschungsuniversität in der Helmholtz-Gemeinschaft“ schafft und vermittelt das KIT Wissen für Gesellschaft und Umwelt. Ziel ist es, zu den globalen Herausforderungen maßgebliche Beiträge in den Feldern Energie, Mobilität und Information zu leisten. Dazu arbeiten rund 9 300 Mitarbeiterinnen und Mitarbeiter auf einer breiten disziplinären Basis in Natur-, Ingenieur-, Wirtschafts- sowie Geistes- und Sozialwissenschaften zusammen. Seine 25 100 Studierenden bereitet das KIT durch ein forschungsorientiertes universitäres Studium auf verantwortungsvolle Aufgaben in Gesellschaft, Wirtschaft und Wissenschaft vor. Die Innovationstätigkeit am KIT schlägt die Brücke zwischen Erkenntnis und Anwendung zum gesellschaftlichen Nutzen, wirtschaftlichen Wohlstand und Erhalt unserer natürlichen Lebensgrundlagen.
Data Types:
  • Video
Lecture 11: Systems with dist. parameters: Simulation
Data Types:
  • Video
Die hypergeometrische Verteilung tritt unter anderem in der Stichprobentheorie auf. Sie entsteht in einem Urnenmodell, wenn mehrfach ohne Zurücklegen aus einer Urne mit Kugeln zweierlei Farben gezogen wird. In diesem Video wird ein begriffliches Verständnis dieser Verteilung vermittelt, wobei die Modellbildung breiten Raum einnimmt.
Data Types:
  • Video
03 | 0:00:00 Starten 0:00:05 Kapitel 2: Echtzeitbetriebssysteme 0:09:19 Aufgaben eines Echtzeitbetriebssystems 0:11:38 Non-exhaustive List of RTOSs 0:12:44 Ein Schichtenmodell für informationsverarbeitende Systeme 0:15:27 Schichtenmodell eines Betriebssystems 0:18:05 Schichtenmodell eines Mikrokernbetriebssystems 0:19:44 Usermode- und Kernelmode-Wechsel 0:20:52 Taskverwaltung: Tasks und Threads 0:23:15 Taskzustände/Threadzustände 0:27:59 Beispiel: zeitlicher Ablauf der FTS-Steuerung 0:30:58 Zustände der Task Kameradatenverarbeitung 0:34:04 Wesentliche Zeotparameter einer Echtzeittask 0:40:11 Echtzeitscheduling 0:41:54 Analyse des Echtzeitverhaltens 0:43:30 Klassifizierungsmerkmale von Scheduling-Verfahren 0:44:52 Preemptives und nicht-preemptives Scheduling 0:45:44 FIFO-Scheduling 0:49:43 Fixed-Priority-Scheduling 0:50:59 Rate-Monotonic-Scheduling (RMS) 0:57:20 RMS = Optimale Prioritätenverteilung? 1:02:14 FTS Beispiel mit drei Aufgaben 1:05:12 Prozessorauslastung 1:08:13 Ablauf des FTS Beispiels 1:11:18 EDF-Scheduling 1:16:12 LLF-Scheduling
Data Types:
  • Video
How can machine learning be used to determine seismic wave arrivals? Operating principles of neural networks, comparison of conventional feature based and artificial neural network algorithms to pick seismic phase arrivals, network training and application.
Data Types:
  • Video
Investments Vorlesung 6
Data Types:
  • Video
10 | 0:00:00 Start 0:00:05 Numerische Integration 0:00:37 Problemstellung 0:04:25 Kondition des Problems 0:13:07 Quadraturformeln 0:18:27 Beispiele 0:36:06 Ordnung einer Quadraturformel (QF) 0:57:43 Beispiele 1:10:09 Symmetrische Quadraturformel (QF) 1:14:47 Beispiele
Data Types:
  • Video
Das Themenfeld Maschinelle Intelligenz und speziell Maschinelles Lernen unter Berücksichtigung realer Herausforderungen komplexer Anwendungsdomänen ist ein stark expandierendes Wissensgebiet und Gegenstand zahlreicher Forschungs- und Entwicklungsvorhaben. Die Vorlesung behandelt erweiterte Methoden des Maschinellen Lernens wie semi-überwachtes und aktives Lernen, tiefe Neuronale Netze (deep learning), gepulste Netze, hierarchische Ansätze z.B. beim Reinforcement Learning sowie dynamische, probabilistisch relationale Methoden. Ein weiterer Schwerpunkt liegt in der Einbettung und Anwendung von maschinell lernenden Verfahren in realen Systemen.
Data Types:
  • Video
02 | 0:00:00 Start 0:01:10 Branch-and-Bound-Verfahren 0:02:56 Branch and Bound 0:04:20 Relaxierung ganzzahliger linearer Optimierungsprobleme 0:15:21 Branching 0:31:24 Branching: Verzweigen mit kombinatorischer Explosion 0:33:15 Ausloten 0:41:41 Ausloten(""Fathoming"", ""Pruning"") 0:46:16 Ein zweiter Grund zum Ausloten 0:47:22 Ein dritter Grund zum Ausloten 0:53:22 Branch-and-Bound-Verfahren - Hauptideen 1:03:58 Branch-and-Bound-Verfahren - Beispiel 1:20:06 Branch-and-Bound - Lösung per Simplex-Verfahren
Data Types:
  • Video
12 | 0:00:00 Starten 0:00:18 Heutiges Thema: Evolutionäre Algorithmen 0:03:05 Begriffsdefinitionen 0:04:20 Grundalgorithmus 0:06:29 Repräsentation: Kodierung der Individuen 0:10:11 Generierung von Nachkommen 0:12:07 Mutation 0:14:29 Rekombination 0:16:46 Beispiel (applikationsspezifisch) 0:20:33 Selektion 0:22:53 Populationsmodelle 0:23:46 Beispiel: Maximumsuche 0:27:20 Populationsmitglieder (Iteration) 0:31:15 Selektionsmethoden 0:36:38 Evolution 0:38:28 Beispiel: Travelling Salesman - Problem 0:41:55 Beispiel: Mischung von Kaffeesorten 0:44:28 Cybermotten 0:47:16 Genetische Programmierung 0:52:36 Beispiel: Ameise (Berthold) 0:55:49 Steuerung in der Robotik - Optimale Steuerung 0:56:48 Genetisches Programm 0:57:50 Beispiel: Beinsteuerung Simulation 0:58:37 Beispiel: Autonomous Evolution of Dynamic Gaits 0:59:27 Beispiel: Snakebot 1:01:08 Genetisches Programm 1:02:25 Snakebot 1:07:51 Weitere Anwendungen 1:10:44 Diskussion 1:12:42 Literatur
Data Types:
  • Video
7