Support Vector Machines (SVM)
Die Support Vector Machine (SVM) ist eine mathematische Methode, die im Umfeld des maschinellen Lernens zum Einsatz kommt. Sie gestattet das Klassifizieren von Objekten und ist vielfältig nutzbar. Unterstützt werden die lineare und die nicht-lineare Objektklassifizierung. Typische Anwendungsbereiche sind die Bild-, Text- oder Handschrifterkennung. Eine Support Vector Machine unterteilt eine Menge von Objekten so in Klassen, dass um die Klassengrenzen herum ein möglichst breiter Bereich frei von Objekten bleibt; sie ist ein sogenannter Large Margin Classifier (dt. „Breiter-Rand-Klassifikator“).
Support Vector Machines sind keine Maschinen im herkömmlichen Sinne, bestehen also nicht aus greifbaren Bauteilen. Es handelt sich um ein rein mathematisches Verfahren der Mustererkennung, das mit
Computerprogrammen umgesetzt wird. Der Namensteil "machine"
weist nicht auf eine reale
Maschine hin, sondern auf das Herkunftsgebiet der Support Vector Machines, das maschinelle Lernen (Machine Learning).
Ausgangsbasis für den Bau einer Support Vector Machine ist eine Menge von Trainingsobjekten, für die jeweils bekannt ist, welcher Klasse sie zugehören. Jedes Objekt wird durch einen Vektor in einem Vektorraum repräsentiert. Aufgabe der Support Vector Machine ist es, in diesen Raum eine Hyperebene einzupassen, die als Trennfläche fungiert und die Trainingsobjekte in zwei Klassen teilt. Der Abstand derjenigen Vektoren, die der Hyperebene am nächsten liegen, wird dabei maximiert. Dieser breite, leere Rand soll später dafür sorgen, dass auch Objekte, die nicht genau den Trainingsobjekten entsprechen, möglichst zuverlässig klassifiziert werden. Beim Einsetzen der Hyperebene ist es nicht notwendig, alle Trainings-vektoren zu beachten. Vektoren, die weiter von der Hyperebene entfernt liegen und gewissermaßen hinter einer Front anderer Vektoren „versteckt“ sind, beeinflussen Lage und Position der Trennebene nicht. Die Hyperebene ist nur von den ihr am nächsten liegenden Vektoren abhängig – und auch nur diese werden benötigt, um die Ebene mathematisch exakt zu beschreiben. Diese nächstliegenden Vektoren werden nach ihrer Funktion Stützvektoren (engl. support vectors) genannt und verhalfen den Support Vector Machines zu ihrem Namen.
Rechnungsprüfung 4.0
Die Level-Ebenen sind frei wähl- oder kombinierbar und umfassen selbst jeweils zwei Teilmodule im Umfang von jeweils fünf Seminartagen, je nach individuellem Bedarf. Das Angebot wird überwiegend online bereitgestellt und ist mit zahlreichen Praxisbeispielen und Give-Aways (Musterdateien, Skripten) angereichert.
Es ist nicht erforderlich, das gesamte Programm in numerischer Reihenfolge zu absolvieren.
Nach jedem Einzelmodul können bereits Analyseschritte und -verfahren im Echtbetrieb erprobt werden. Ansonsten können Einzelmodule nach Bedarf über gewünschte Zeiträume gestreckt werden. Zur Vertiefung bietet CHE zahlreiche sogenannte Methodenworkshops (ganztägige Prakikerseminare) zu einzelnen Themen an, beispielsweise zum Monetary Unit Sampling oder zur Benford-Ziffernanalyse einschließlich Tool-Training (Umsetzung mit digitalen Werkzeugen von Excel bis KNIME).
Da in den für Rechnungsprüfer/-innen besonders relevanten einschlägigen Studiengängen / Ausbildungsgängen Kenntnisse zur Statistik wie auch zu umsetzungsbezogenen Excel-Kenntnissen nicht systematisch vermittelt werden, wird jeweils die Möglichkeit geschaffen, sich vor, während und/oder zwischen einzelnen Modulen derartige Kenntnisse noch anzueignen.
Für jedes Modul kann auf Basis eines Multiple-Choice-Tests ein qualifizierter Leistungsnachweis erworben werden.
Das gesamte Kursprogramm und die Beschreibung der Inhalte der einzelnen Modulbausteine finden Sie hier
QUICKLINKS
ANSCHRIFT
CHE - Kommunalberatung
Christoph Heck
Gonellastraße 62
40668 Meerbusch
KONTAKT
Tel.: 02150 794320
Fax: 02150794323
Mail: info@che-kommunalberatung.de