Proceedings – 31. Workshop Computational Intelligence : Berlin, 25. – 26. November 2021

doi:10.58895/ksp/1000138532

Proceedings – 31. Workshop Computational Intelligence : Berlin, 25. – 26. November 2021

Horst Schulte,

Close

Frank Hoffmann,

Close

Ralf Mikut (eds.)

Close

Download

PDF

Buch kaufen

Amazon DE

KNV Buchkatalog

Hinweis: Sie können über den Button "Download" das gesamte Buch herunter laden oder die einzelnen Kapitel/Beiträge über das unten stehende Dropdown-Menü

Dieser Tagungsband enthält die Beiträge des 31. Workshop Computational Intelligence. Die Schwerpunkte sind Methoden, Anwendungen und Tools für Fuzzy-Systeme, Künstliche Neuronale Netze, Evolutionäre Algorithmen und Data-Mining-Verfahren sowie der Methodenvergleich anhand von industriellen und Benchmark-Problemen.

The proceedings of the 31st Workshop on Computational Intelligence focus on methods, applications, and tools for fuzzy systems, artificial neural networks, deep learning, system identification, and data mining techniques.

Umfang: III, 305 S.

Preis: 47.00 €

Inhaltsverzeichnis

Interpretable Machine Learning: On the Problem of Explaining Model Change
Barbara Hammer & Eyke Hüllermeier
Concepts for Automated Machine Learning in Smart Grid Applications
Stefan Meisenbacher et al.
Quantification Platform for Touch Response of Zebrafish Larvae using Machine Learning
Yanke Wang et al.
VectorRL: Interpretable Graph-based Reinforcement Learning for Automated Driving
Christopher Diehl et al.
Ensemble-based Uncertainty Quantification: Bayesian versus Credal Inference
Mohammad Hossein Shaker & Eyke Hüllermeier
Approximation der zulässigen Parametermenge bei der Bounded-Error-Schätzung durch ein Ray-Shooting-Verfahren
Felix Wittich & Andreas Kroll
Interval-based Interpretable Decision Tree for Time Series Classification
Malte Schmidt & Volker Lohweg
Smart Data Representations: Impact on the Accuracy of Deep Neural Networks
Oliver Neumann et al.
Systemidentifikation und Simulationnichtlinearer dynamischer Systeme mitGaußschen Prozessmodellen mitnäherungsweiser Rückführung normalverteilter Ausgangsgrößen
Lars Kistner & Andreas Kroll
Adaptive Model Predictive Control with Finite Impulse Response Models
Christopher Illg et al.
Demanded Power Point Tracking of PV Power Plants without Battery Energy Storage
Stephan Kusche & Horst Schulte
Approximative Modellierung eines LLC-Resonanzwandlers mit Takagi-Sugeno-Modellen
Alessio Cavaterra et al.
Classification of Pollen by the Means of Circular Transformations
Halil Akcam & Volker Lohweg
Label Assistant: A Workflow for Assisted Data Annotation in Image Segmentation Tasks
Marcel P. Schilling et al.
Physik-geführte NARXnets (PGNARXnets) zur Zeitreihenvorhersage
Silas Aaron Selzer et al.
Genetische Algorithmen zur Hyperparameteroptimierung künstlicher neuronaler Netze für die Energiezeitreihenprognose
Tobias M. Fischer et al.
Assistenzsystem zur Qualitätssicherung von IoT-Geräten basierend auf AutoML und SHAP
Jan Ewerszumrode et al.

Fächer:

Maschinenbau und Verfahrenstechnik

Schlagwörter:

Maschinelles Lernen Deep Learning Computational Intelligence Künstliche Intelligenz Neuronale Netze Maschine Learning Artificial Intelligence Neural Networks

Wikipedia Concepts

These are words or phrases in the text that have been automatically identified by the Named Entity Recognition and Disambiguation service, which provides Wikipedia () and Wikidata () links for these entities.

Metrics:

Empfohlene Zitierweise

Schulte, H et al. (eds.) 2021. Proceedings – 31. Workshop Computational Intelligence : Berlin, 25. – 26. November 2021. Karlsruhe: KIT Scientific Publishing. DOI: https://doi.org/10.58895/ksp/1000138532

Export to:

Lizenz

Dieses Buch ist lizenziert unter Creative Commons Attribution + ShareAlike 4.0

Proceedings – 31. Workshop Computational Intelligence : Berlin, 25. – 26. November 2021

Horst Schulte,

Close

Frank Hoffmann,

Close

Ralf Mikut (eds.)

Close

Inhaltsverzeichnis

Interpretable Machine Learning: On the Problem of Explaining Model Change

Concepts for Automated Machine Learning in Smart Grid Applications

Quantification Platform for Touch Response of Zebrafish Larvae using Machine Learning

VectorRL: Interpretable Graph-based Reinforcement Learning for Automated Driving

Ensemble-based Uncertainty Quantification: Bayesian versus Credal Inference

Approximation der zulässigen Parametermenge bei der Bounded-Error-Schätzung durch ein Ray-Shooting-Verfahren

Interval-based Interpretable Decision Tree for Time Series Classification

Smart Data Representations: Impact on the Accuracy of Deep Neural Networks

Systemidentifikation und Simulationnichtlinearer dynamischer Systeme mitGaußschen Prozessmodellen mitnäherungsweiser Rückführung normalverteilter Ausgangsgrößen

Adaptive Model Predictive Control with Finite Impulse Response Models

Demanded Power Point Tracking of PV Power Plants without Battery Energy Storage

Approximative Modellierung eines LLC-Resonanzwandlers mit Takagi-Sugeno-Modellen

Classification of Pollen by the Means of Circular Transformations

Label Assistant: A Workflow for Assisted Data Annotation in Image Segmentation Tasks

Physik-geführte NARXnets (PGNARXnets) zur Zeitreihenvorhersage

Genetische Algorithmen zur Hyperparameteroptimierung künstlicher neuronaler Netze für die Energiezeitreihenprognose