Podcasts about regressionsmodelle

In dieser Folge des Digital Insurance Podcast spreche ich darüber, welche Rolle die Automation im digitalen Wandel spielt. In diesem zweiten Teil der Podcast-Reihe zum digitalen Wandel geht es um die Automation. An die Existenz von Chatbots und anderen Tools im Kundenservice haben wir uns gewöhnt. Künstliche Intelligenz ist aber inzwischen zu mehr in der Lage. Es können E-Mails ausgewertet und selbständig beantwortet werden. Ein essenzieller Baustein in dem Ganzen ist die Robotic Process Automation (RPA). Hiermit lassen sich zeitintensive, repetitive Aufgaben automatisieren. Das manuelle Eintragen von Daten aus beispielsweise SAP in eine Excel-Tabelle wird obsolet. Ich sehe darin aber nur eine Übergangslösung. Das Interface, das RPA nutzen muss, ist für Menschen gemacht - nicht für KI. Die Zukunft liegt in API-Schnittstellen sowie in Low- und No-Code-Plattformen. Sogenannte No-Code-Lösungen bringen neue Herausforderungen mit sich. So “No-Code” sind sie in der Regel nicht. Für das Anpassen der Konnektoren muss nicht selten die Dokumentation gelesen werden. Eventuell braucht es zusätzlich Hilfe aus der IT-Abteilung. Weitere Punkte betreffen die Reihenfolge der auszuführenden Aktionen zu beachten sowie das korrekte Auslesen und Übertragen der Formatierung von Informationen (z. B. Uhrzeit). Mein Fazit lautet an dieser Stelle: Custom made Software ist teurer als Stangenware und Low-Code-Produkte sehe ich zwischen diesen beiden. Ich sehe hier keine strikte Entweder-oder-Frage. Vielmehr gibt der Anwendungszweck den Weg vor. An Künstlicher Intelligenz führt auf kurz oder lang aber kein Weg vorbei. Aktuell ist sie noch nicht so “intelligent”. Zumeist handelt es sich um Regressionsmodelle, die historische Daten auswerten. Eine Frage, die uns in diesem Zusammenhang in Zukunft beschäftigen wird, lautet: Wenn KI Entscheidungen trifft, wollen wir ihr dann auch die Verantwortung überlassen? Links in dieser Ausgabe Zur Homepage von Jonas Piela Zum LinkedIn-Profil von Jonas Piela Über diesen Podcast Folgt uns auf LinkedIn für mehr Podcast-Updates Zur Podcast-Website Wir suchen immer nach neuen und spannenden Gesprächspartnern. Meldet euch bei Susan.

Penalisierte Regressionsmodelle stellen eine Möglichkeit dar die Selektion von Kovariablen in die Schätzung eines Modells zu integrieren. Penalisierte Ansätze eignen sich insbesondere dafür, komplexen Strukturen in den Kovariablen eines Modells zu berücksichtigen. Diese Arbeit beschäftigt sich mit verschiedenen Penalisierungsansätzen für diskrete Strukturen, wobei der Begriff "diskrete Struktur" in dieser Arbeit alle Arten von kategorialen Einflussgrößen, von effekt-modifizierenden, kategorialen Einflussgrößen sowie von gruppenspezifischen Effekten in hierarchisch strukturierten Daten bezeichnet. Ihnen ist gemein, dass sie zu einer verhältnismäßig großen Anzahl an zu schätzenden Koeffizienten führen können. Deswegen besteht ein besonderes Interesse daran zu erfahren, welche Kategorien einer Einflussgröße die Zielgröße beeinflussen, und welche Kategorien unterschiedliche beziehungsweise ähnliche Effekte auf die Zielgröße haben. Kategorien mit ähnlichen Effekten können beispielsweise durch fused Lasso Penalties identifiziert werden. Jedoch beschränken sich einige, bestehende Ansätze auf das lineare Modell. Die vorliegende Arbeit überträgt diese Ansätze auf die Klasse der generalisierten linearen Regressionsmodelle. Das beinhaltet computationale wie theoretische Aspekte. Konkret wird eine fused Lasso Penalty für effekt-modifizierende kategoriale Einflussgrößen in generalisierten linearen Regressionsmodellen vorgeschlagen. Sie ermöglicht es, Einflussgrößen zu selektieren und Kategorien einer Einflussgröße zu fusionieren. Gruppenspezifische Effekte, die die Heterogenität in hierarchisch strukturierten Daten berücksichtigen, sind ein Spezialfall einer solchen effekt-modifizierenden, kategorialen Größe. Hier bietet der penalisierte Ansatz zwei wesentliche Vorteile: (i) Im Gegensatz zu gemischten Modellen, die stärkere Annahmen treffen, kann der Grad der Heterogenität sehr leicht reduziert werden. (ii) Die Schätzung ist effizienter als im unpenalisierten Ansatz. In orthonormalen Settings können Fused Lasso Penalties konzeptionelle Nachteile haben. Als Alternative wird eine L0 Penalty für diskrete Strukturen in generalisierten linearen Regressionsmodellen diskutiert, wobei die sogenannte L0 "Norm" eine Indikatorfunktion für Argumente ungleich Null bezeichnet. Als Penalty ist diese Funktion so interessant wie anspruchsvoll. Betrachtet man eine Approximation der L0 Norm als Verlustfunktion wird im Grenzwert der bedingte Modus einer Zielgröße geschätzt.

Einleitung: Modell-basierte Vorhersagen für molekulare Netzwerke und zelluläre Interaktionen können durch zwei verschiedene Strategien der Systembiologie getroffen werden, die top-down und bottom-up Strategien. Die bottom-up Strategie beginnt bei a priori Wissen über einzelne Grundelemente und fügt diese zu größeren Einheiten wie Signalwegen oder ganzen Systemen zusammen. Top-down Strategien setzen bei Datensätzen eines Systems an und versuchen Netzwerke, Interaktionen oder Komponenten zu identifizieren, die für das Systemverhalten (z.B. Phänotyp) verantwortlich sind. Im Folgenden werden beide Strategien auf unterschiedliche Transkriptionsdaten angewendet und die Ergebnisse visualisiert. Beide Strategien können auf linearen Regressionsmodellen basieren. In dieser Arbeit werden lineare Regressionsmodelle höherer Ordnung mittels eines neuen visuellen Hilfsmittels, des Eruptionsdiagramms, verglichen. Methodik: Eruptionsdiagramme werden durch die Überlagerung zweier Vulkandiagramme erstellt. Beide Vulkandiagramme werden von derselben Datengrundlage generiert, stammen jedoch von zwei verschiedenen Modellen. Jedes Gen wird von einem Pfeil repräsentiert, welcher bei dem Punkt des Vulkandiagramms von Modell 1 startet und bei dem Punkt des Vulkandiagramms aus Modell 2 endet. Im Rahmen der Modellselektion können Eruptionsdiagramme als visuelles Hilfsmittel verwendet werden, um (ir)relevante Kovariaten, Störfaktoren und Effektmodifikation aufzudecken. Ergebnisse: Es werden zwei verschiedene Transkriptionsdatensätze analysiert: ein Maus-Infektionsdatensatz und ein humaner Asthmadatensatz. Für die Analyse des Infektionsdatensatzes werden verschiedene lineare Regressionsmodelle miteinander verglichen. Durch eine rückwärts-gewandte Modellselektionsstrategie wird gezeigt, dass durch die Infektionskovariaten erster Ordnung zusätzliche erklärende Kraft gewonnen wird. Durch das Eruptionsdiagramm werden Effekte zweiter Ordnung aufgedeckt. Ein Modellvergleich identifiziert die Kovariaten dritter Ordnung als Störfaktoren. Das Modell zweiter Ordnung, welches am besten zu den Daten passt, wird für die weiterführende Analyse verwendet. Die Ergebnisse der Interaktionskovariate werden in aggravating und alleviating Effekte unterteilt. Ein Interaktionseffekt ist alleviating (aggravating, neutral), falls der Effekt der kombinierten Kovariaten schwächer (stärker, identisch) als die Summe der individuellen Effekte dieser Kovariaten ist. Bei der bottom-up Analyse des Asthmadatensatzes werden die Daten nicht auf Einzelgenebene sondern auf Gengruppenebene analysiert. Zunächst wird das passende Regressionsmodell mit Hilfe des Eruptionsdiagramms aufgestellt. Der Einfluss der einzelnen Gene auf das globale Testergebnis der Gengruppen wird in diagnostischen Balkendiagrammen genauer untersucht. Eine Signalweganalyse der Gengruppen zeigt neue Biomarker und Signalwege für die Charakterisierung von allergischem und nicht-allergischem Asthma auf. Diskussion: Die Ergebnisse der Transkriptionsanalyse werden durch Anreicherungsanalysen auf ihre funktionelle Relevanz hin untersucht. Die Ergebnisse zeigten unterschiedliche funktionelle Eigenschaften der aggravating und alleviating Gene auf. Die Anreicherungsanalyse des Asthmadatensatzes der Gene, die von Störfaktoren beeinflusst werden und durch Effektmodifikation gekennzeichnet sind, weisen jedoch keine funktionellen Unterschiede auf.

Zusammenfassung Hintergrund: Zahlreiche Studien weisen auf adverse Effekte für die Gesundheit durch Exposition gegenüber Umweltlärm hin. Limitation bisheriger Studien ist jedoch vor allem die teils unzureichende Erfassung der Exposition. Ziel war es daher, die Exposition der Teilnehmer gegenüber Umweltlärm mittels individueller Dosimetermessungen objektiv und summativ zu erfassen und Auswirkungen der Exposition auf den Blutdruck der Probanden zu untersuchen. Im Hinblick auf zukünftige Studien wurde in einer Pilotstudie geprüft, ob Videotelefonate via Skype ein geeignetes neues Erhebungsinstrument sind. Methoden: 628 Kinder (Alter: 8-12 Jahre; Teilnahmebereitschaft: 61%), 632 Jugendliche (Alter: 13-17 Jahre; Teilnahmebereitschaft: 58%) und 482 Erwachsene (Alter: 18-65 Jahre; Teilnahmebereitschaft: 40%) aus vier bayerischen Städten nahmen an einer 24-stündigen Dosimetermessung zur objektiven Erfassung der individuellen Lärmexposition teil. Mittels logistischer Regressionsmodelle wurde ein möglicher Zusammenhang zwischen Lärmexposition und Hypertonie berechnet. Für die Pilotstudie zur Testung von Skype wurden 300 junge Erwachsene (Alter: 18-24 Jahre; Teilnahmebereitschaft 19%) aus Landsberg am Lech randomisiert zu einem Interview per Skype oder per Telefon eingeladen. Die Teilnahmebereitschaft und Dauer der Interviews wurde zwischen beiden Methoden verglichen. Ergebnisse: Es zeigte sich eine sehr hohe Lärmexposition in allen Altersgruppen mit mittleren Schallpegeln am Tag von 80,0 dB(A) (Standardabweichung 5,8 dB(A)) bei den Kindern, 76,0 dB(A) (6,2 dB(A)) bei den Jugendlichen und 72,1 dB(A) (6,1 dB(A)) bei den Erwachsenen. Bei den Jugendlichen und Erwachsenen ergab sich zudem ein statistisch signifikanter Zusammenhang zwischen der nächtlichen Lärmexposition und Hypertonie (Odds Ratio=1,49; 95% Konfidenzintervall=1,04-2,13). Im Rahmen der Pilotstudie nahmen statistisch signifikant weniger Probanden an einem Skype-Interview (10%) als an einem Telefon-Interview (22%) teil (pChi2

Die Mobilfunktechnologie verbreitet sich weltweit sehr schnell, fast jeder Jugendliche in Deutschland besitzt heutzutage ein Mobiltelefon. Teile der Allge-meinbevölkerung befürchten, dass elektromagnetische Felder des Mobilfunks die Gesundheit und das Wohlbefinden besonders bei Minderjährigen bereits ab Feldstärken weit unterhalb der in Deutschland geltenden Grenzwerte beein-trächtigen könnten. Das Ziel der hier vorliegenden Studie war die Untersuchung eines möglichen Zusammenhangs zwischen der objektiven und subjektiven Exposition gegenüber hochfrequenten elektromagnetischen Feldern des Mobilfunks und dem subjektiven Befinden der Jugendlichen. Zudem sollte die Rolle der Umweltbesorgnis in diesem Zusammenhang ermittelt werden. Die individuelle Expositionsabschätzung wurde mittels personenbezogener Messungen über 24 Stunden an 1.524 Jugendlichen (13-17 Jahre; Response 51%) aus vier bayerischen Städten durchgeführt. Zusätzlich wurden im Interview das subjektive Befinden der Teilnehmer, die Umweltbesorgnis sowie potentielle Störgrößen erfasst. Mittels multipler logistischer Regressionsmodelle wurde der Zusammenhang zwischen der Exposition und den chronischen Be-schwerden Kopfschmerzen, Einschlafproblemen und Müdigkeit untersucht. Die mittels Personendosimetrie gemessene Exposition der Jugendlichen gegenüber elektromagnetischen Feldern des Mobilfunkbereichs lag bei < 1% des Grenzwerts. 24% der jugendlichen Teilnehmer machten sich Sorgen bezüglich potentieller negativer Effekte von Mobilfunkfeldern auf die Gesundheit. Es zeigten sich keine konsistenten statistisch signifikanten Zusammenhänge zwischen der gemessenen Exposition und den betrachteten chronischen Beschwerden während der letzten 6 Monate. Hinsichtlich der selbst eingeschätzten subjektiven Exposition und den chronischen Beschwerden ergaben sich teilweise statistisch signifikante Zusammenhänge. Des Weiteren zeigte sich ein statistisch signifikanter Einfluss von hoher Umweltbesorgnis auf die Prävalenz der chronischen Beschwerden. Die in Deutschland geltenden Grenzwerte für elektromagnetische Felder des Mobilfunks werden sicher eingehalten. Zusammenhänge zwischen objektiver Exposition und dem Befinden der Jugendlichen ließen sich nicht finden. Die Resultate bezüglich der subjektiven Exposition sind mit hoher Wahrscheinlichkeit auf eine differentielle Missklassifikation zurückzuführen. Aufgrund des gefundenen Zusammenhangs zwischen hoher Umweltbesorgnis und einer höhe-ren Prävalenz chronischer Beschwerden wäre eine Interventionsstudie mit verhaltenstherapeutischem Ansatz wünschenswert.

Solange der Mensch seit Beginn der modernen Wissenschaft versucht, seine kognitiven Fähigkeiten durch anatomische, physiologische und psychologische Untersuchungen zu verstehen, werden diese Forschungen auch von der Entwicklung mathematischer Modelle begleitet. Dies geschieht in der Hoffnung, zu einem tieferen Verständnis der Gehirnfunktionen zu gelangen und in jüngster Zeit mit dem Ziel, neuartige mathematische Verfahren, z.B. zur Mustererkennung und Funktionenapproximation, zu erhalten. Im Rahmen dieses Ansatzes wurde vor etwa 10 Jahren das radiale Basisfunktionen (RBF)-Netzwerk eingeführt, welches bestimmte Strukturen im cerebellaren Cortex modelliert. In früheren Arbeiten wurden tiefgehende Beziehungen zwischen diesem dreischichtigen Netzwerkmodell und der maximum likelihood (ML)-Schätzung von empirischen Datenverteilungen durch Mischungen univariater Normalverteilungen aufgedeckt. Solche Netzwerke eignen sich zur datengetriebenen Funktionenapproximation und zur Lösung von Klassi- fikationsaufgaben. Ausgehend von diesen Beobachtungen wird in der vorliegenden Arbeit das RBF-Modell stufenweise verallgemeinert. Zunächst wird mit dem generalisierten radialen Basisfunktionen (GRBF)-Netzwerk ein Modell vorgestellt, dessen Parameter sich aus ML-Schätzungen von Datenverteilungen durch Mischungen multivariater Normalverteilungen ableiten lassen. Damit wird erstmals ein Verfahren eingeführt, mit dem alle Netzwerkparameter simultan optimiert werden können. Ein deterministisches Abkühlschema sorgt dabei für die sichere Konvergenz des zugehörigen sequentiellen stochastischen Lernprozesses. Anschließend wird ein neues Modell zur Funktionenapproximation, der sogenannte LLMApproximator , vorgestellt, das ebenfalls auf Dichteschätzungen durch Mischungen multivariater Normalverteilungen beruht und sich in Spezialfällen auf das GRBF-Netzwerk reduziert. Im LLM-Verfahren wird die zu approximierende Funktion durch eine Interpolation lokaler linearer Regressionsmodelle dargestellt. In Verallgemeinerung dieser Verfahren wird schließlich ein Konstruktionsprinzip für Systeme lokaler Experten formuliert, das sowohlWettbewerb als auch Kooperation unterschiedlicher Experten zur Lösung einer gemeinsamen Aufgabe organisiert. Die Arbeitsweisen des LLM-Approximators als auch des Systems lokaler Experten werden am Beispiel von Regelungsproblemen illustriert. Zunächst wird die Regelung eines virtuellen Bioreaktors mit Hilfe des LLM-Approximators vorgestellt. Anschließend wird das System lokaler Experten für die Regelung einer realen, komplexen industriellen Anlage verwendet. Dabei handelt es sich um die Anlage zur Rückstandsverbrennung im Werk Burghausen der Wacker-Chemie GmbH.

Nach einer kurzen Einfuehrung in die Theorie der erwartungstreuen Schaetzgleichungen fuer allgemeine Regressionsmodelle und der korrigierten Schaetzgleichungen fuer Regressionsmodelle mit fehlerbehafteten Kovariablen wird die Approximationsguete eines auf Reihenentwicklung basierenden Ansatzes von Stefanski diskutiert.