國立虎尾科技大學 |

Maschinelle Lernmethoden für Klassifizierungsprobleme = Perspektiven für die mathematische Modellierung mit Schülerinnen und Schülern /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	Maschinelle Lernmethoden für Klassifizierungsprobleme/ von Sarah Schönbrodt.
其他題名:	Perspektiven für die mathematische Modellierung mit Schülerinnen und Schülern /
作者:	Schönbrodt, Sarah.
面頁冊數:	XIII, 99 S. 1 Abb.online resource. :
Contained By:	Springer Nature eBook
標題:	Applied mathematics. -
電子資源:	https://doi.org/10.1007/978-3-658-25137-6
ISBN:	9783658251376

Maschinelle Lernmethoden für Klassifizierungsprobleme = Perspektiven für die mathematische Modellierung mit Schülerinnen und Schülern /
Schönbrodt, Sarah.

Maschinelle Lernmethoden für KlassifizierungsproblemePerspektiven für die mathematische Modellierung mit Schülerinnen und Schülern /[electronic resource] :von Sarah Schönbrodt. - 1st ed. 2019. - XIII, 99 S. 1 Abb.online resource. - BestMasters,2625-3577. - BestMasters,.

Klassifizierung auf Basis maschineller Lernalgorithmen -- Mathematische Hintergründe zweier maschineller Lernmethoden -- Anwendung zweier maschineller Lernmethoden zur Bildklassifizierung -- Maschinelles Lernen in der mathematischen Modellierung mit Schülerinnen und Schülern.

Sarah Schönbrodt gibt Einblick in die mathematischen Hintergründe der Support Vector Machine und einer auf der Singulärwertzerlegung basierenden Klassifizierungsmethode. Die Autorin stellt fest, dass sich hinter beiden Methoden elementar-mathematische und anschauliche Konzepte verbergen, die großteils mit Schulmathematik zugänglich sind. Schülerinnen und Schülern wird aufgrund der großen Anwendungsbreite für verschiedene lebensnahe Fragestellungen ein verständlicher Zugang zu Problemlösestrategien des aktuell höchst relevanten maschinellen Lernens gegeben. Perspektiven für die methodisch-didaktische Gestaltung eines Workshops zur mathematischen Modellierung werden aufgezeigt. Der Inhalt Klassifizierung auf Basis maschineller Lernalgorithmen Mathematische Hintergründe zweier maschineller Lernmethoden Anwendung zweier maschineller Lernmethoden zur Bildklassifizierung Maschinelles Lernen in der mathematischen Modellierung mit Schülerinnen und Schülern Die Zielgruppen Dozierende und Studierende der Mathematikdidaktik und Mathematik Angehende Lehrerinnen und Lehrer der Mathematik und Informatik Die Autorin Nach erfolgreichem Abschluss ihres Masterstudiums promoviert Sarah Schönbrodt im Bereich der Entwicklung von authentischen Modellierungsaufgaben für Schülerinnen und Schüler an der RWTH Aachen. Sie ist zugleich in der Organisation und Gestaltung des Schülerlabors CAMMP für Mathematische Modellierung tätig.

ISBN: 9783658251376

Standard No.: 10.1007/978-3-658-25137-6doiSubjects--Topical Terms:

1069907
Applied mathematics.

LC Class. No.: T57-57.97

Dewey Class. No.: 519

Maschinelle Lernmethoden für Klassifizierungsprobleme = Perspektiven für die mathematische Modellierung mit Schülerinnen und Schülern /
LDR:03036nam a22003615i 4500 001 1004358
003 DE-He213
005 20200711084520.0
007 cr nn 008mamaa
008 210106s2019 gw | s |||| 0|ger d
020 $a 9783658251376 $9 978-3-658-25137-6
024 7 $a 10.1007/978-3-658-25137-6 $2 doi
035 $a 978-3-658-25137-6
050 4 $a T57-57.97
072 7 $a PBW $2 bicssc
072 7 $a MAT003000 $2 bisacsh
072 7 $a PBW $2 thema
082 0 4 $a 519 $2 23
100 1 $a Schönbrodt, Sarah. $e author. $4 aut $4 http://id.loc.gov/vocabulary/relators/aut $3 1297809
245 1 0 $a Maschinelle Lernmethoden für Klassifizierungsprobleme $h [electronic resource] : $b Perspektiven für die mathematische Modellierung mit Schülerinnen und Schülern / $c von Sarah Schönbrodt.
250 $a 1st ed. 2019.
264 1 $a Wiesbaden : $b Springer Fachmedien Wiesbaden : $b Imprint: Springer Spektrum, $c 2019.
300 $a XIII, 99 S. 1 Abb. $b online resource.
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
347 $a text file $b PDF $2 rda
490 1 $a BestMasters, $x 2625-3577
505 0 $a Klassifizierung auf Basis maschineller Lernalgorithmen -- Mathematische Hintergründe zweier maschineller Lernmethoden -- Anwendung zweier maschineller Lernmethoden zur Bildklassifizierung -- Maschinelles Lernen in der mathematischen Modellierung mit Schülerinnen und Schülern.
520 $a Sarah Schönbrodt gibt Einblick in die mathematischen Hintergründe der Support Vector Machine und einer auf der Singulärwertzerlegung basierenden Klassifizierungsmethode. Die Autorin stellt fest, dass sich hinter beiden Methoden elementar-mathematische und anschauliche Konzepte verbergen, die großteils mit Schulmathematik zugänglich sind. Schülerinnen und Schülern wird aufgrund der großen Anwendungsbreite für verschiedene lebensnahe Fragestellungen ein verständlicher Zugang zu Problemlösestrategien des aktuell höchst relevanten maschinellen Lernens gegeben. Perspektiven für die methodisch-didaktische Gestaltung eines Workshops zur mathematischen Modellierung werden aufgezeigt. Der Inhalt Klassifizierung auf Basis maschineller Lernalgorithmen Mathematische Hintergründe zweier maschineller Lernmethoden Anwendung zweier maschineller Lernmethoden zur Bildklassifizierung Maschinelles Lernen in der mathematischen Modellierung mit Schülerinnen und Schülern Die Zielgruppen Dozierende und Studierende der Mathematikdidaktik und Mathematik Angehende Lehrerinnen und Lehrer der Mathematik und Informatik Die Autorin Nach erfolgreichem Abschluss ihres Masterstudiums promoviert Sarah Schönbrodt im Bereich der Entwicklung von authentischen Modellierungsaufgaben für Schülerinnen und Schüler an der RWTH Aachen. Sie ist zugleich in der Organisation und Gestaltung des Schülerlabors CAMMP für Mathematische Modellierung tätig.
650 0 $a Applied mathematics. $3 1069907
650 0 $a Engineering mathematics. $3 562757
650 1 4 $a Applications of Mathematics. $3 669175
710 2 $a SpringerLink (Online service) $3 593884
773 0 $t Springer Nature eBook
776 0 8 $i Printed edition: $z 9783658251369
830 0 $a BestMasters, $x 2625-3577 $3 1253531
856 4 0 $u https://doi.org/10.1007/978-3-658-25137-6
912 $a ZDB-2-SNA
950 $a Life Science and Basic Disciplines (German Language) (SpringerNature-11777)