NeuroBayes

Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
NeuroBayes- ein PrognoseAlgorithmus aus der Teilchenphysik
erobert die Wirtschaft
15. November 2010
Univ. Wuppertal
Prof. Dr. Michael Feindt
KCETA, KIT
Wissenschaftlicher Beirat
Phi-T Physics Information Technologies GmbH
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
1
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Vorhersehbar
Bei einfachen klassischen physikalischen Prozessen ist das Ergebnis
exakt vorhersagbar
(eine Ursache erzeugt eine
eindeutige Wirkung,
Determinismus)
Beispiele hierfür sind:
Pendel, Planetenbahnen,
Billard, Elektromagnetismus…
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
35
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Zufall
Rein zufällige Ereignisse sind prinzipiell nicht vorhersagbar
(auch bei genauer Kenntnis der Ausgangssituation!)
Beispiele hierfür sind:
Lottozahlen
(Zu viele Einflussgrößen,
deterministisches Chaos)
radioaktiver Zerfall
(Quantenmechanik)
Elektronisches Rauschen
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
36
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Wahrscheinlichkeit
Viele Systeme: Mischung aus vorhersagbarer Komponente
und Zufallskomponente.
 Wahrscheinlichkeitsaussage, Statistik
Statistische Aussagen über
die Zukunft im Mittel (leicht)
Statistische Aussagen über
die Zukunft im Einzelfall
(schwierig)
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Wahrscheinlichkeit
Worauf es bei Zukunftsprognosen ankommt:
Extraktion der vorhersagbaren Komponente aus multidimensionalen historischen Daten, Anwendung des Modells
auf aktuelle Daten
Kosten durch
Kunden X
mittlere Kosten
Univ. Wuppertal
15.11.2010
37
Kosten
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
LHC - Collider am CERN
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes®
NeuroBayes
Univ.
Short Term
Trading Fund
Wuppertal
4
15.11.2010
powered
4
by
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Aktuellstes Projekt LHC am CERN:
Riesige Energien …. riesige Detektoren….
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes®
NeuroBayes
Univ.
Short Term
Trading Fund
Wuppertal
5
A
B
15.11.2010
powered
5
by
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Quantenmechanik:
Jedes Mal
passiert etwas
anderes!
Prof. Dr. M. Feindt
KIT / Phi-T
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
OPAL Experiment am LEP
Start
Idee
NeuroBayes
Univ. Wuppertal
15.11.2010
22
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
Prof. Dr. M. Feindt
NeuroBayes
f(t|x)
KIT / Phi-T
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
NeuroBayes
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Univ. Wuppertal
Summary
A
15.11.2010
24
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Aufgabe:
Aus bekannten Beispielen lernen,
ob und wie eine Zielvariable
von vielen Eingabevariablen abhängt,
die beliebig kompliziert und korreliert sein können.
Dabei nur relevante Zusammenhänge lernen,
keine Kaffeesatzleserei (d.h. Unterdrückung statistischer Schwankungen).
Mit Hilfe dieser Expertise für neue Fälle, bei denen die
Eingabewerte bekannt sind, nicht aber die Zielvariable
(z.B weil sie erst in der Zukunft bestimmt wird),
den Wert der Zielvariablen prognostizieren
und die Unsicherheit der Prognose quantifizieren.
Lösungsansatz: NeuroBayes®
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
38
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
<phi-t> NeuroBayes®
Neuronale Netzwerke:
Selbstlernende Verfahren, der Natur nachempfunden
Motor Cortex
Frontal Lobe
Parietal
Cortex
Temporal Lobe
Occipital
Lobe
Brain Stem
Cerebellum
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
Wuppertal
15.11.2010
15.11.2010
39
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Neuronale Netzwerke
Die Information
(das Wissen, die Expertise)
steckt in den Verbindungen
zwischen den Nervenzellen.
Jedes Neuron trifft unscharfe
Entscheidungen (Fuzzy-Logik)
<phi-t> NeuroBayes®
> lernt extrem schnell aus historischen Daten (WochenMinuten)
> ist extrem robust
> unterdrückt statistisches Rauschen (hohe Generalisierungsfähigkeit)
> kann binäre Entscheidungen treffen (klassifizieren)
> kann komplette Wahrscheinlichkeitsdichten berechnen
> macht zuverlässige Prognosen für die Zukunft
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
40
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
NeuroBayes® Aufgabe 1:
Klassifikation
Binaräres Target: Das Ergebnis jedes einzelnen Ereignisses wird
entweder „ja“ oder „nein“ sein.
Beispiele:
> Dieses Elementarteilchen ist ein K-Meson.
> Deutschland wird 2010 Weltmeister. jetzt P=0
> Kunde Schmidt wird im nächsten Jahr Liquiditätsprobleme haben.
> Kunde Müller wird dieses Produkt kaufen.
> Der Aktienkurs von Borussia Dortmund wird Ende 2007 höher
sein als heute.
Resultat:
Bayes‘sche a posteriori-Wahrscheinlichkeit, dass die Antwort ,,ja“
sein wird.
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Naïve neuronale Netzwerke und Kritik
Wir haben das probiert, aber es gab keine guten Resultate…
…und das Trainieren dauert ewig….
- In lokalem Minimum stecken geblieben
- Trainieren nicht robust, zu naiver Algorithmus
Wir haben das probiert aber es war schlechter als unser
100 Mannjahre-High-Tech-Algorithmus…
- Zu naive Input-Variablen gewählt
- Benutze den fancy Algorithmus-Output als INPUT !
Wir haben das probiert aber die Prognosen waren falsch
- Übertraining: das Netz hat statistische Schwankungen gelernt
Ja, aber wie kann man systematische Unsicherheiten abschätzen?
- Wie kann man das sonst bei korrelierten Input-Variablen?
- Tests auf Daten und Monte Carlo möglich
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
NeuroBayes® Aufgabe 2:
Bedingte Wahrscheinlichkeitsdichten
Wahrscheinlichkeitsdichte für reellwertige Zielfunktionen:
Für jeden möglichen reellen Wert wird eine
Wahrscheinlichkeit(-sdichte) prognostiziert. Daraus können
alle statistischen Größen wie Erwartungswert, Median, Modus,
Standardabweichung, Percentile etc. abgeleitet werden und für
beliebige Nutzenfunktionen optimale Entscheidungen getroffen
werden.
Beispiele:
> Energie eines Elementarteilchens (z.B. semilept. B-Zerfall)
> Preisänderung einer Aktie oder Option
> Umsatz eines Artikels
> Kosten, die ein einzelner Versicherter verursacht
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Vorhersage der kompletten
Wahrscheinlichkeitsdichte- Verteilung
Erwartungswert
Modus
Standardabweichung
(Volatilität)
Abweichung von
Normalverteilung
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
41
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Input
NeuroBayes®- Prinzip
NeuroBayes® Teacher:
Lernen von komplizierten
Zusammenhängen aus
bestehenden Datenbanken
NeuroBayes® Expert:
Prognosen für unbekannte Daten
Signifikanzkontrolle
Preprocessing
Postprocessing
Output
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
42
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Funktionsweise von NeuroBayes®:
Historische Daten
NeuroBayes®
Teacher
Datensatz
a = ...
b = ...
c = ...
....
t = …!
p rog
Expertensystem
Expertise
Aktuelle Daten
Datensatz
a = ...
b = ...
c = ...
....
t=?
Prof. Dr. M. Feindt
lernen…
…und
prognostizieren
Wahrscheinlichkeit, dass
Hypothese stimmt
(bei Klassifikation) oder
Wahrscheinlichkeitsdichte
für die gesuchte Größe t
NeuroBayes®
Expert
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
43
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Training eines neuronalen Netzwerks
Schwierigkeit: finde globales Minimum einer nicht-linearen Funktion in
einem hochdimensionalen (~ >100) Raum.
Anschaulich: finde tiefstes Tal in den Alpen (nur 2 Dimensionen)
Das nächste lokale Minimum
ist leicht zu finden.....
aber das globale....
...unmöglich!
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
18
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Bayes‘sche Regularierung
Bayes‘sche Argumente werden innerhalb von NeuroBayes
an vielen Stellen genutzt.
Likelihood
Posterior
Prior
Evidenz
Lerne nur statistisch relevante Information, unterdrücke statistisches
Rauschen (optimiere VC-Dimension).
Michael Feindt
NeuroBayes for Hadron Collider Flavour Physics
LHCb Collaboration Meeting 12.11. 192010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
<phi-t> NeuroBayes®
> beruht auf neuronalen Algorithmen der 2. Generation,
Bayes‘scher Regularisierung, optimiertem Preprocessing mit
Transformation und Dekorrelation der Input-Variablen und
(nichtlinearer) Korrelation zum Output.
> lernt extrem schnell durch Methoden 2. Ordnung und 0-Iteration-Modus
> ist extrem robust gegen Ausreißer
> ist quasi immun gegen Auswendiglernen statistischen Rauschens,
kann wahre Dynamik von Zufall unterscheiden, hat hervorragende
Generalisierungsfähigkeit
> selektiert automatisch relevante Variablen
> liefert schon bei wenig Statistik sinnvolle Prognosen
> hat Boost- und Kreuzvalidierungsfeatures
> kann mit Gewichten und Untergrtundsubtraktion trainiert werden.
> Kann klassifizieren und komplette (neuerdings sogar n-dimensionale)
Wahrscheinlichkeitsdichten berechnen
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Mehr als 50 Diplom- und Doktorarbeiten…
... und viele Veröffentlichungen der Experimente
DELPHI, CDF II, AMS, Belle und CMS
benutzen NeuroBayes® oder Vorgänger sehr erfolgreich.
Jetzt auch massiv in LHCb und vereinzelt in ATLAS.
Mehrere neue Elementarteilchen, Reaktionen und Effekte
entdeckt mit Hilfe von NeuroBayes®, u.a.
Angeregte B**+ und B_s**-Mesonen
Teilchen-Antiteilchen-Oszillationen des B_s- Mesons
Eigenschaften des X(3872) (exotisch, kein normales Meson)
Erzeugung einzelner Top-Quarks
Ausschluss eines 160-170 GeV Standard-Modell-Higgs-Bosons
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
44
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Einige Anwendungen in der Teilchenphysik
DELPHI (hauptsächlich Vorgänger von NeuroBayes)
Kaon, proton, electron id
Inklusive Rekonstruktion von B-Mesonen: E, φ, θ, Q-Wert
B**, Bs** Anreicherung
B Fragmentationsfunktion
Limit auf Bs-Oszillation
B0-Mischung
B- F/B-Asymmetrie
B-> wrong sign Charm
CDF II:
Elektronen-ID, Myon-ID, Kaon/Proton-ID
Optimierung von Resonanz-Rekonstruktion (X, Y, B, Bs, Bs**)
Spin-Paritäts-Analyse, Likelihood Analysen
B-Tagging für top, single top, Higgs, usw.
B-Flavour-Tagging für Oszillationsanalyse
(Bs Oszillationen, CP-Verletzung)
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Einige Anwendungen in der Teilchenphysik
CMS:
B-tagging
top and single top physics
Belle:
Kontinuums-Unterdrückung
Vollständige Rekonstruktion von B-Zerfällen
B Flavour-Tagging
Selektionen von Eichreaktionen
Optimierung der Luminosität des KEKB-Beschleunigers
LHCb:
ist dabei, komplette Rekonstruktionskette mit NeuroBayes zu
optimieren
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
23
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
NeuroBayes
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
30
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Physik- BeispieI 1 (DELPHI, CERN)
Klassifikation:
Hadronenidentification
(DELPHI am CERN):
Signalhöhe verdoppelt
bei konstantem
Untergrundlevel
durch eine der ersten
NeuroBayesKlassifikationen
Original-Methode :
einige Millionen CHF
Konkurrierende Gruppen!
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Vergleich mit konventionellem neuronalen Netz
Optimal
mögliche
Prognose
(immer alles
richtig)
Gleiche
Input-Variablen!
(von Experten optimiert)
Quelle: Doktorarbeit Ulrich Kerzel, 2005, Univ. Karlsruhe.
Elektronenidentifikation für das CDF-Experiment
am Fermi National Laboratory, Chicago
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Physik- Beispiel 2
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
(DELPHI, CERN)
Optimierte
Rekonstruktion von
reellwertigen Größen:
erweiterte Regression
Auflösung massiv verbessert
und Bias korrigiert
durch NeuroBayes-Technologie
(schmaler Peak um +-0)
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Physik- Beispiel 3 (DELPHI, CERN)
Auflösung des inklusiv rekonstruierten
Azimuthalwinkels von B-Hadrons
im DELPHI- Detektor
erste neuronale Rekonstruktion einer Richtung
NeuroBayes
phi-Richtung
Bester
”klassischer"
chi**2- Fit
(BSAURUS)
Keine Selektion:
Verbesserte Auflösung
Prof. Dr. M. Feindt
KIT / Phi-T
Nach Selektion auf NeuroBayes Fehler-Schätzer:
Auflösung massiv verbessert, keine Schwänze
==> erlaubt zuverlässige Selektion guter Ereignisse
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Hadron-Collider: Monte Carlo Simulation für Resonanzproduktion mit
unterschiedlichen JPC-Annahmen (durch Gewichtung).
Aber keine guten Monte Carlo-Simulationen für Untergrund verfügbar.
Idee: nimm Untergrund aus Seitenbändern der Daten, achte darauf,
dass Masse nicht gelernt werden kann! Teste dies!
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
X(3872) Analyse:
X
softe
NeuroBayes
Selektion
Signalartig
Untergrundartig
kaum Signalverlust
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Harter NeuroBayes Schnitt:
Sehr sauberes X(3872) Signal
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Training mit Gewichten:
Neuronale Netwerk- Spin Paritäts-Analyse
Benutze Seitenbänder als Untergrund-Sample
Benutze Phasenraum- Monte Carlo als Signal-Sample
Berechne quadrierte Übergangsmatrixelemente für spezifische
Spin-Paritäts-Annahmen und benutze diese als Gewicht im
Training
Harter Schnitt auf NeuroBayes-Output sollte bei Training mit
korrekter Hypothese das Signal besonders gut anreichern
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Sehr harter NeuroBayes Schnitt:
JPC=1—(ππ)s Hypothese
nicht so gute Hypothese für X
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Sehr harter NeuroBayes Schnitt:
JPC=1—(ππ)s Hypothese
Eine gute Hypothese für X
CDF II (auch ohne NN): X(3872) kann nur durch 1++ (präferiert) or 2-+
beschrieben werden. Zerfall in J/ψ ρ Isospin-verletzend, wenn
einfaches Charmonium. Guter Kandidat für ein D^*D Molekül.
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Entdeckung orbital angeregter Bs in B+ K- (with B+ J/ψ K)
NeuroBayes hilft, bisher
unentdeckte Hadronen
zu finden.
Klare Evidenz für zwei
Peaks.
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Hadronen-Collider: Resonanz- S/B-Optimierung ohne MC:
Idee: Training mit Untergrundsubtraktion
Signal: Peakregion mit Gewicht 1
Seitenbandregion mit Gewicht -1
Untergrund: Seitenbandregion mit Gewicht 1
funktioniert sehr
gut!
auch für Y(2S)
und Y(3S) !
Obwohl nur auf
Y(1S) trainiert.
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
36
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Flexible Wahl des Arbeitspunktes
(Scan durch Schnitt auf Netzwerkausgabe)
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
37
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
NeuroBayes Bs --> J/ψ Φ Selektion ohne MC (CDF II)
Leichter Schnitt auf Netz 1,
Input in zweites
NeuroBayes-Training
alle Daten
leichte Preselektion,
Input in erstes
NeuroBayes-Training
Prof. Dr. M. Feindt
KIT / Phi-T
Schnitt auf Netzwerk 2
NeuroBayes
Univ. Wuppertal
15.11.2010
38
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Effizienteste S/B- Informationsextraktion: Die sPlot-Methode
Fitte Daten an Signal- und
Untergrund-PDF in einer
Verteilung (z.B. Masse).
Berechne sPlot-Gewichte ws
für Signal (kann <0 oder >1 sein) as
als Funktion der Masse.
Trainiere NeuroBayes-Netzwerk
mit jedem Ereignis sowohl
als Signal mit Signalgewicht wS und
als Untergrund mit Gewicht 1-wS.
Softer Schnitt auf Ausgabe reichert S/B an!
Sicherstellen, das Netzwerk nicht die Masse
lernen kann) (Veröffentlichung in Vorbereitung)
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
39
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Belle-Experiment am japanische Forschungszentrum KEK:
Sehr erfolgreiches Experiment, >400 Physiker aus aller Welt.
>400 Veröffentlichungen.
Beschleuniger hält Weltrekord an Luminosität.
Ca. 1 Milliarde Ereignisse mit 2 B-Mesonen über 10 Jahre vermessen.
KIT Mitglied seit 2008
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
31
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Daten jetzt (2010) mit einer neuen vollautomatischen hierarchischen
NeuroBayes-Fabrik für die vollständige Rekonstruktion von B0 und B+
Mesonen (1042 Zerfallskanäle, 71 NeuroBayes-Netzwerke)
reanalysiert:
Effizienzsteigerung um +130% bei gleichem Untergrundlevel
(entspricht ca. weiteren 10 Jahren Datennahme)
Signal
mit NeuroBayes
Untergrund
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
Signal
(klassisches
Verfahren)
15.11.2010
32
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Flexibilität:
Arbeiten mit NeuroBayes erlaubt stufenlose Einstellung von
Signalreinheit oder –Effizienz.
z.B. auch gleiche Signal-Effizienz:
Unterdrückung des Untergrundes um ca. Faktor 10!
Untergrund
(klassisches Verfahren)
Signal
Untergrund
mit NeuroBayes
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
33
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Flexibilität:
NeuroBayes erlaubt kontinuierliche Wahl des Arbeitspunktes auf
der Reinheit/Effizienz-Kurve.
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
43
82
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Erkenntnis
Diese Methoden sind nicht nur
in der Physik
anwendbar
<phi-t>:
Prof. Dr. M. Feindt
Ausgründung aus der Universität Karlsruhe,
gefördert durch das exist-seed-Programm des
Bundesministeriums für Bildung und Forschung
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Historie
Nach sehr vielen erfolgreichen Anwendungen in der ElementarteilchenphysikGrundlagenforschung Potenzial von NeuroBayes® für die Wirtschaft erkannt.
High-Tech-Ausgründung aus
Elite-Universität Karlsruhe nutzt und
optimiert NeuroBayes® für die Wirtschaft.
2000-2002 NeuroBayes®-Spezialisierung
für die Wirtschaft in Universität
Karlsruhe
2002: Phi-T GmbH gegründet
2008: Gemeinsame Gründung der 50-50 Projektund Vertriebstochter Phi-T products&services
mit dem OTTO-Konzern.
Exklusivrechte an und Weiterentwicklung und
Anwendungen von NeuroBayes®.
>35 Mitarbeiter, hauptsächlich promovierte Physiker.
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
45
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Erfolgreich
im Wettbewerb
mit anderen
Data-MiningMethoden
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
46
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Ab 2009: neue Regeln: nur noch 2 Teams pro Universität
A
B
und 2009…
Aufgabe:
Prognosen über den Buchumsatz von 8 Buchtiteln
in 2500 Buchhandlungen. (Libri)
Siegerteam : Uni Karlsruhe II (Studenten von
Prof. Dr. M. Feindt, u.a. 2 Phi-T-Praktikanten)
mit NeuroBayes®-Unterstützung
und 2010....
Aufgabe:
Optimierung von individuellen Kundenbindungsmaßnahmen in Online-Shop. (Libri)
Siegerteam : KIT II (Studenten von Prof. Dr. M. Feindt,
u.a. 2 Phi-T-Praktikanten)
mit NeuroBayes®-Unterstützung
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
47
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Sehr erfolgreiche Referenzprojekte u.a. mit
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
48
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
z.B.
Individuelle Risikoprognosen
für Kfz-Versicherungen:
Schadenwahrscheinlichkeit
Verteilung der Schadenhöhe
Großschaden-Prognose
Kündigungs-Prognose
 sehr erfolgreich
eingesetzt bei
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
49
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Korrelationen zur Zielvariablen im „Ramler II-Plot“
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
50
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Prognose von Finanzmärkten
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
VDI-Nachrichten, 9.3.2007
NeuroBayes®-basierter risikoarmer
marktneutraler Fonds für
institutionelle Anleger:
Lupus Alpha NeuroBayes®
Short Term Trading Fonds
Test
Test
Börsenzeitung, 6.2.2008
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
A
B
Univ. Wuppertal
15.11.2010
51
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Wenig Risiko, hohe Rendite, keine Korrelation...
Lupus alpha NeuroBayes® Fonds:
Risiko (Volatilität) wie beim Rentenfonds
Erwartungswert (Rendite) wie beim Aktienfonds
Keine Korrelation zu anderen Anlageformen
REX Index
Test
Test
Euro Stoxx 50 Index
Long-Short Index HFRX
(
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
Prof. Dr. M. Feindt
NeuroBayes
f(t|x)
KIT / Phi-T
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
NeuroBayes
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Univ. Wuppertal
Summary
A
15.11.2010
53
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
Prof. Dr. M. Feindt
NeuroBayes
f(t|x)
KIT / Phi-T
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
NeuroBayes
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Univ. Wuppertal
Summary
A
15.11.2010
54
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Umsatzprognose für den Versandhandel,
Dispositionsoptimierung
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
55
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Farbcodierung: NeuroBayes®
besser – gleich - schlechter
als bisherige Methoden
TrainingsSaisons
Test-Saisons
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
56
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
Prof. Dr. M. Feindt
NeuroBayes
f(t|x)
KIT / Phi-T
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
NeuroBayes
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Univ. Wuppertal
Summary
A
15.11.2010
57
A
B
61
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
NeuroBayes® Kündigungswahrscheinlichkeit.
Kündiger-Identifikation mit NeuroBayes® (Beispiel Tageszeitung)
Mit NeuroBayes® konnten kündigungsgefährdete Abonnenten einer großen
Tageszeitung erfolgreich identifiziert werden:
Das NeuroBayes®-Scoring ermöglicht die
Identifikation von 67% aller Kündiger in nur
10% aller Abonnenten!
Der Einsatz von NeuroBayes® in der Kündiger-Identifikation und Kundenbindung
•ermöglicht spürbare Einsparungen in der Akquisition und
•ist die perfekte Basis für ein effizientes Kundenbeziehungsmanagement!
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
58
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
NeuroBayes®- Bonität für Kreditkauf
Typische Verbesserungen der Ausfallwahrscheinlichkeitsprognose
(gegenüber schon sehr gut entwickelten Methoden):
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
59
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Komplexe NeuroBayes®-Analysen:
Printinduzierter Onlineumsatz
Optimierung bisheriger Ausstattungspolitik durch
<<NeuroBayes® driven Reinforcement Learning>>
Katalogstart
Katalogstart
Print
Online
Print-induziert
Aktuelle
Situation
Katalogstart Katalogstart
Katalogstart
Print
Online
Historische
Situation bei
Ausstattung
Katalogstart
(Katalogstart) Katalogstart
Print
Online
Historische
Situation
bei Nichtausstattung
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
60
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
NeuroBayes®- Beispiel: Prognose des
Deckungsbeitrags einer Katalogversendung
optimale Ausstattungstiefe
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
61
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Kosten im Krankenversicherungsbereich
Komplexe Wahrscheinlichkeitsverteilungen,
mit klassischen Methoden nicht behandelbar.
Großteil der Versicherten beanspruchen in
einem Tarif keine Leistungen im Folgejahr
Klassifikation: Wahrscheinlichkeit, dass
irgendeine Leistung beansprucht wird.
Dichteverteilung:
Wahrscheinlichkeitsverteilung der Kosten,
wenn überhaupt Kosten entstehen.
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
62
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Prognose von Krankheitskosten
Pilotprojekt für private
Krankenversicherung
Prognose der Kosten im
Folgejahr für jeden Versicherten
mit Konfidenzintervallen
(volle
Wahrscheinlcihkeitsdichte)
Kunde N. 00000
4 JahreTrainingsdaten, Test auf
Folgejahr
Mann, 44
Tarif XYZ123 seit
ca. 17 Jahre
Sehr gute Testresultate!
Hat Potential für eine wirkliche und objektive Kostenreduktion im
Gesundheitswesen
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
63
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Das <phi-t> Mausspiel:
oder:
sogar Ihr ``freier Wille´´ ist vorhersagbar
//www.phi-t.de/mousegame
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
64
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
Neuro-Netzer
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010
65
A
B
Start
Idee
NeuroBayes
Idee
Hintergrund
Ziele
NeuroBayes
f(t|x)
Beispiele
Historie
Anwendung
Prinzip
Funktion
Beispiel
Konkurrenz
Projekt l
Forschung
Projekt ll
Ablauf
Spiel
Summary
A
A
B
Dokumentation
Basics:
M. Feindt, A Neural Bayesian Estimator for Conditional Probability
Densities, E-preprint-archive physics 0402093
M. Feindt, U. Kerzel, The NeuroBayes Neural Network Package,
Nuclear Instruments and Methods A 559(2006) 190
Web Sites:
www.phi-t.de (deutsch & englisch)
www-ekp.physik.uni-karlsruhe.de/~feindt (einige NeuroBayesVorträge können hier gefunden werden)
www.neurobayes.de (Dokumentation, Physik- Resultate mit
NeuroBayes, Tutorials, FAQ, Diskussionsforum)
Prof. Dr. M. Feindt
KIT / Phi-T
NeuroBayes
Univ. Wuppertal
15.11.2010