Investmentstrategien im Rahmen von Übernahmen börsennotierter Gesellschaften – Merger Arbitrage und Maschinelles Lernen (Merger Arbitrage and Machine Learning)

2019 ◽  
Author(s):  
Frank Lehrbass ◽  
Alexander Raasch
Keyword(s):  
Machine Learning ◽  
Maschinelles Lernen ◽  
Merger Arbitrage

scholarly journals Maschinelles Lernen für Abdeckungsmessungen von Oberflächen mit abgeschiedenen Au-Nanosphären mittels Lichtstreuung / Machine learning for coverage measurements of surfaces with deposited Au-nanospheres by light scattering

2019 ◽  
Vol 86 (s1) ◽  
pp. 47-51
Author(s):  
Gabriela Alexe ◽  
Andreas Tausendfreund ◽  
Dirk Stöbener ◽  
Andreas Fischer
Keyword(s):  
Machine Learning ◽  
Light Scattering ◽  
A Priori ◽  
Maschinelles Lernen

ZusammenfassungDie nicht-negative Matrixfaktorisierung wird als Ansatz zur Lösung des inversen Problems bei Oberflächenmessungen basierend auf der Auswertung von Streulichtverteilungen vorgeschlagen. Die Entwicklung neuer Streulichtmethoden basiert derzeit auf empirischen Lösungen, die stark von der jeweiligen Anwendung abhängen. Die vorgeschlagene modellbasierte Lösung wird ohne a priori Expertenwissen für Au-Nanosphären auf Au-Substraten angewendet und für die Messung der Oberflächenabdeckung mit Partikeln mittels Streulichtsimulationen verifiziert. Ausblickend werden Strategien für die Validierung vorgestellt.

Maschinelles Lernen zur Prognose von Auftragskennzahlen/Machine learning for the forecasting of key figures of customer orders

2021 ◽  
Vol 111 (03) ◽  
pp. 124-129
Author(s):  
Markus Böhm ◽  
Klaus Erlach ◽  
Thomas Bauernhansl
Keyword(s):  
Machine Learning ◽  
Complex Systems ◽  
Decision Trees ◽  
Real Time ◽  
Personal Experience ◽  
Shop Floor ◽  
Maschinelles Lernen ◽  
Classification Methods ◽  
Digital Models ◽  
High Expenditure

Prognosen bilden oft die Grundlage für Entscheidungen in der Produktion. Heute werden solche Voraussagen meist erfahrungs- oder modellbasiert getroffen. Bei komplexen Systemen stößt das an die Grenzen der Zuverlässigkeit oder ist mit hohem zeitlichen Aufwand verbunden. Klassierungsmethoden des Maschinellen Lernens versprechen dafür Lösungen. Automatisch erstellte Entscheidungsbäume können eine Möglichkeit sein, echtzeitnah Prognosen für Kennzahlen in der Produktion zu erstellen.   Forecasts often form the basis for decisions on the shop floor. Today, forecasts in production are mostly derived from personal experience or digital models. With complex systems, this approach reaches the limits of reliability or is associated with a high expenditure of time. Classification methods of machine learning promise solutions for this. Automatically generated decision trees can be a possibility to generate real-time forecasts for key figures in production.

Gemeinsame sache: Cerner und Amazon arbeiten künftig in Sachen Künstliche Intelligenz eng zusammen

2019 ◽  
Vol 24 (10) ◽  
pp. 70-71
Author(s):  
Alexandra Heeser
Keyword(s):  
Machine Learning ◽  
Central Europe ◽  
Business Development ◽  
Künstliche Intelligenz ◽  
Maschinelles Lernen

Das Gesundheits-IT Unternehmen Cerner und der Logistikriese Amazon arbeiten künftig im Bereich KI und maschinelles Lernen im Gesundheitswesen zusammen, um Innovationen im Gesundheitswesen weltweit voranzutreiben. Bereits in der Vergangenheit haben die beiden Branchenführer beim „Amazon Machine Learning Solution Lab“ kooperiert. kma spricht über den aktuellen Zusammenschluss mit Bernhard Calmer, Leiter Business Development Central Europe von Cerner.

Maschinelles Lernen in der PPS*/Machine learning in production planning and control

2017 ◽  
Vol 107 (09) ◽  
pp. 630-634
Author(s):  
F. Echsler Minguillon ◽  
G. Prof. Lanza
Keyword(s):  
Machine Learning ◽  
Degrees Of Freedom ◽  
Maschinelles Lernen ◽  
Series Production ◽  
Planning And Control ◽  
Decentralized Planning ◽  
New Concepts ◽  
Centralized Planning ◽  
Matrix Production ◽  
And Control

Für die variantenreiche Serienproduktion werden neue Produktionskonzepte wie die Matrix-Produktion untersucht, um künftigen Flexibilitätsanforderungen gerecht werden zu können. Die zentrale Planung stößt dort aufgrund der Komplexität häufig an ihre Grenzen, während die Leistungsfähigkeit einer dezentralen Planung oft nicht vorhersagbar ist. Maschinelles Lernen kann dazu eingesetzt werden, die dezentrale Steuerung zu verbessern und so Freiheitsgrade in der zentralen Planung zu schaffen.   Currently, new concepts for varied series production such as matrix production are investigated to be able to meet future flexibility requirements. Centralized planning is often unfeasible for such scenarios, whereas performance of decentralized planning is often hard to predict. Machine learning can be used to improve decentralized planning and create additional degrees of freedom for centralized planning.

Industrie 4.0 in praxisnaher Anwendung*/Industry 4.0 in practical application - From retrofit to data storage to machine learning using glass forming as an example

2019 ◽  
Vol 109 (10) ◽  
pp. 779-784
Author(s):  
H. Mende ◽  
P. Vogel ◽  
M. Padrón Hinrichs ◽  
R. Schmitt
Keyword(s):  
Machine Learning ◽  
Data Storage ◽  
Process Parameters ◽  
Industry 4.0 ◽  
Industrie 4.0 ◽  
Maschinelles Lernen ◽  
Practical Application ◽  
Glass Forming ◽  
End Products

Industrie 4.0 und maschinelles Lernen (ML) versprechen hohes Potenzial der Effizienzsteigerung für die Produktion. Die Etablierung in der Praxis bedarf kleiner, umsetzungsfähiger Beispiele um den Nutzen aufzuzeigen. Dieser Beitrag beschreibt das Vorgehen für die Vernetzung einer Maschine zur nicht-isothermen Glasumformung und anschließender Verwertung der Daten mittels ML. Das übergeordnete Ziel dabei ist, die Optimierung der Prozessparameter durch eine Prognose der Qualität der Endprodukte zu erreichen.   Industry 4.0 has become a widely understood term. Establishment in practice requires small, implementable examples to show concrete potenzials. This article describes the procedure for networking a machine for non-isothermal glass forming and subsequent utilization of the data by means of machine learning (ML). The overall goal is to optimize the process parameters by predicting the quality of the end products.

Mind wandering as data augmentation: How mental travel supports abstraction

2020 ◽  
Vol 43 ◽  
Author(s):  
Myrthe Faber
Keyword(s):  
Machine Learning ◽  
Data Augmentation ◽  
Mental Content ◽  
Mind Wandering ◽  
Theoretical Framework ◽  
Important Addition

Abstract Gilead et al. state that abstraction supports mental travel, and that mental travel critically relies on abstraction. I propose an important addition to this theoretical framework, namely that mental travel might also support abstraction. Specifically, I argue that spontaneous mental travel (mind wandering), much like data augmentation in machine learning, provides variability in mental content and context necessary for abstraction.

Data Mining and Machine Learning

2020 ◽  
Author(s):  
Mohammed J. Zaki ◽  
Wagner Meira, Jr
Keyword(s):  
Machine Learning ◽  
Data Mining

Mathematics for Machine Learning

2020 ◽  
Author(s):  
Marc Peter Deisenroth ◽  
A. Aldo Faisal ◽  
Cheng Soon Ong
Keyword(s):  
Machine Learning
Sign in / Sign up

Export Citation Format

Share Document