Papers
Hier gibt es Arbeiten, Seminarausarbeitungen, und Präsentationen von peer-reviewed Konferenzpapers, jedoch keine Journalpapers oder Papers, die von anderen präsentiert wurden. Und sonstige Texte wie Schulreferate.Titel | Beschreibung |
---|---|
Doktorarbeit | Meine Doktorarbeit über kausale Effekte in graphischen Modellen |
Masterarbeit | Meine Masterarbeit über die Kombination von aus Videos berechneten Kamerapfaden und (Straßen-)karten |
Bacholorarbeit | Meine Bachelorarbeit über Ereigniszuordnungen |
Präsentation UAI 19 | Folien zum Paper "Finding minimal d-separators in linear time and applications" |
Präsentation CTW 19 | Folien zum Vortrag "Graphical Methods for Finding Instrumental Variables" |
Poster AISTATS 16 | Poster zum Paper "On Searching for Generalized Instrumental Variables" |
Präsentation AAAI 16 | Poster zum Paper "Separators and Adjustment Sets in Markov Equivalent DAGs" |
Folien Balisage 14 | Folien zum Balisage Vortrag "Extending XQuery with pattern matching" |
Folien UAI 14 | Folien zum UAI Vortrag "Constructing Separators and Adjustment Sets in Ancestral Graphs" |
Seminararbeit Kryptographie | Meine Seminararbeit über teilbares, elektronisches Geld |
Seminararbeit Vision | Meine Seminararbeit über semantische Bildsegmentierungen |
Scherzprogramme | Ein Tutorial zur Scherzprogrammprogrammierung unter Windows 9x. |
McMampf | Ein Walkthrough für das Spiel "McMampf". |
Facharbeit | Meine Facharbeit über Molekülstrukturberechnungen |
Chemie-Heft | Mein virtuelles Chemieheft. Inklusive eigenem Dateiformat |
Euglenareferat | Ein Referat über den Euglena-Einzeller (Augentierchen). |
Glaselektrodenreferat | Ein Referat über die Glaselektrode zur pH-Messung. |
Skript zu Lineare Algebra II | Skriptmitschrift zu Lineare Algebra II |
Doktorarbeit
Graphische, kausale Modelle repräsentieren Zufallsvariablen mitsamt ihren gegenseitigen Einflüssen als Graphen, und können die Ergebnisse von Experimenten aus rein beobachteten Daten vorhersagen. Diese Modelle haben große Bedeutung in Forschungsbereichen wie Epidemiologie, der Wirtschaftswissenschaft und der Sozialwissenschaft, in denen randomisierte kontrollierte Studien unmöglich sind oder unethisch wären, jedoch große Datenmengen zur Verfügung stehen. Obwohl graphische, kausale Modelle schon intensiv erforscht wurden, sind die meisten Ergebnisse theoretischer Natur und es fehlen effiziente Algorithmen, um die Modelle in künstlicher Intelligenz oder zur Analyse von Big Data anzuwenden.
In meiner Dissertation habe ich zwei Methoden untersucht, um die kausalen Effekte von Experimenten aus gegebenen beobachteten Daten und dem dazugehörigen graphischen kausalen Model zu berechnen: das Adjustieren für Störfaktoren in nicht-parametrisierten Systemen und die Instrumentvariablenmethode in linearen Systemen.
Download (2736 KB)
Download (deutschsprachige Zusammenfassung) (486 KB)zur Übersicht
Masterarbeit
Download (13910 KB)zur Übersicht
Bacholorarbeit
Download (421 KB)zur Übersicht
Präsentation UAI 19
Download (333 KB)zur Übersicht
Präsentation CTW 19
Download (307 KB)zur Übersicht
Poster AISTATS 16
Download (176 KB)zur Übersicht
Präsentation AAAI 16
Download (666 KB)zur Übersicht
Folien Balisage 14
Download (580 KB)zur Übersicht
Folien UAI 14
Download (640 KB)zur Übersicht
Seminararbeit Kryptographie
Download (463 KB)zur Übersicht
Seminararbeit Vision
Download (1143 KB)zur Übersicht
Scherzprogramme
Download (21 KB)zur Übersicht
McMampf
Download (7 KB)zur Übersicht
Facharbeit
Desweiteren gibt es ein Programm das zeigt, dass beide so nicht funktionieren.
Quellcode auf GitHub
Download (398 KB)zur Übersicht
Chemie-Heft
Download (489 KB)zur Übersicht
Euglenareferat
Download (16 KB)zur Übersicht
www.benibela.de/papers_de.html
Datenschutz