Lernen der Struktur nichtlinearer Abhängigkeiten mit graphischen Modellen:
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
Berlin
dissertation.de
2000
|
| Ausgabe: | Als Ms. gedr. |
| Schlagworte: | |
| Online-Zugang: | Inhaltsverzeichnis |
| Beschreibung: | Zugl.: München, Techn. Univ., Diss., 2000 |
| Beschreibung: | IV, 163 S. graph. Darst. : 21 cm |
| ISBN: | 3898251314 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV013315422 | ||
| 003 | DE-604 | ||
| 005 | 20010205 | ||
| 007 | t | ||
| 008 | 000822s2000 gw d||| m||| 00||| ger d | ||
| 016 | 7 | |a 959555374 |2 DE-101 | |
| 020 | |a 3898251314 |c Pb. : DM 69.00 |9 3-89825-131-4 | ||
| 035 | |a (OCoLC)76171179 | ||
| 035 | |a (DE-599)BVBBV013315422 | ||
| 040 | |a DE-604 |b ger |e rakddb | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c DE | ||
| 049 | |a DE-91 |a DE-12 | ||
| 084 | |a DAT 717d |2 stub | ||
| 084 | |a MAT 055d |2 stub | ||
| 100 | 1 | |a Hofmann, Reimar |e Verfasser |4 aut | |
| 245 | 1 | 0 | |a Lernen der Struktur nichtlinearer Abhängigkeiten mit graphischen Modellen |c Reimar Hofmann |
| 250 | |a Als Ms. gedr. | ||
| 264 | 1 | |a Berlin |b dissertation.de |c 2000 | |
| 300 | |a IV, 163 S. |b graph. Darst. : 21 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 500 | |a Zugl.: München, Techn. Univ., Diss., 2000 | ||
| 650 | 0 | 7 | |a Graphisches Modell |0 (DE-588)4606156-3 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Bayes-Netz |0 (DE-588)4567228-3 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Dichteschätzung |0 (DE-588)4353528-8 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Kognitives Lernen |0 (DE-588)4164479-7 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |2 gnd |9 rswk-swf |
| 655 | 7 | |0 (DE-588)4113937-9 |a Hochschulschrift |2 gnd-content | |
| 689 | 0 | 0 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |D s |
| 689 | 0 | 1 | |a Kognitives Lernen |0 (DE-588)4164479-7 |D s |
| 689 | 0 | 2 | |a Bayes-Netz |0 (DE-588)4567228-3 |D s |
| 689 | 0 | 3 | |a Graphisches Modell |0 (DE-588)4606156-3 |D s |
| 689 | 0 | 4 | |a Dichteschätzung |0 (DE-588)4353528-8 |D s |
| 689 | 0 | |5 DE-604 | |
| 856 | 4 | 2 | |m DNB Datenaustausch |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=009079578&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-009079578 | |
Datensatz im Suchindex
| _version_ | 1807229357258702848 |
|---|---|
| adam_text |
INHALTSVERZEICHNIS
1
EINLEITUNG
1
1.1
HAEUFIG
ANGEWENDETE
VORGEHENS
WEISEN
ZUR
DATENANALYSE
.
4
1.1.1
SEGMENTIERUNG
.
5
1.1.2
KORRELATIONSANALYSE
.
5
1.1.3
GRAPHISCHE
MODELLE
.
6
1.2
ZIELE
DIESER
ARBEIT
.
7
1.3
AUFBAU
DIESER
ARBEIT
.
9
2
GRUNDLAGEN
ZU
GRAPHISCHEN
MODELLEN
11
2.1
ALLGEMEINES
ZUR
NOTATION
UND
GENERELLE
ANNAHMEN
.
11
2.2
BAYES-NETZE
.
13
2.2.1
DEFINITION
UEBER
FAKTORISIERUNG
.
13
2.2.2
DEFINITION
UEBER
UNABHAENGIGKEIT
.
16
2.2.3
KAUSALE
NETZE
.
17
2.2.4
AEQUIVALENZ
.
18
2.2.5
FAITHFULNESS-ANNAHME
.
20
2.2.6
QUANTITATIVE
MODELLE
.
21
2.2.7
GEMISCHTE
DOMAENEN
MIT
DISKRETEN
UND
NORMALVERTEILTEN
KONTI
NUIERLICHEN
VARIABLEN
.
23
2.3
MARKOV-NETZE
.
23
2.4
CHAIN
GRAPHS
.
25
2.5
PROBABILISTISCHES
SCHLIESSEN
(INFERENZ)
.
25
3
LERNEN
IN
GRAPHISCHEN
MODELLEN
29
3.0.1
FORMALISIERUNG
DES
PARAMETRISCHEN
LERNPROBLEMS
.
29
3.0.2
GRUNDLEGENDE
BEGRIFFE
.
30
3.1
VERSCHIEDENE
GRUNDPHILOSOPHIEN
ZUM
UMGANG
MIT
WAHRSCHEINLICHKEITEN
IN
DER
STATISTIK
.
31
3.2
VERBREITETE
ANSAETZE
ZUM
PARAMETERLERNEN
.
32
3.2.1
MAXIMUM-LIKELIHOOD
.
32
3.2.2
BAYESSCHES
LERNEN
.
33
3.2.3
MAXIMUM-A-POSTERIORI-LERNEN
.
33
3.2.4
AUSWERTEN
DES
GELERNTEN
MODELLS
.
34
II
INHALTSVERZEICHNIS
3.3
MEHRERE
MODELLE
UND
MODELLSELEKTION
.
35
3.3.1
FORMALISIERUNG
DES
LERNENS
MIT
MEHREREN
MODELLEN
.
36
3.3.2
UEBERTRAGEN
DER
PARAMETERLERNVERFAHREN
AUF
DAS
LERNEN
MIT
MEH
REREN
MODELLEN
.
37
3.3.3
MODELLSELEKTION
MIT
HILFE
EINER
BEWERTUNGSMETRIK
.
39
3.3.4
BEWERTUNGSMETRIKEN
FUER
BAYES-NETZE
MIT
TABELLEN
UND
LINEARE
BAYES-NETZE
.
40
3.3.5
UEBERTRAINING
.
41
3.3.6
MODELLBEWERTUNG
DURCH
EINEN
TESTDATENSATZ
.
42
3.3.7
KREUZVALIDIERUNG
.
43
3.4
STRUKTURLERNEN
.
45
3.4.1
TESTBASIERTES
STRUKTURLERNEN
.
46
3.4.2
METRIKBASIERTES
STRUKTURLERNEN
.
47
4
NICHTLINEARE
ABHAENGIGKEITEN
51
4.1
NICHTLINEARE
SCHAETZER
FUER
UNBEDINGTE
DICHTEN
.
53
4.1.1 GAUSSSCHE
MISCHDICHTEN
.
53
4.1.2
KERNEL-DICHTESCHAETZER
FUER
UNBEDINGTE
DICHTEN
.
53
4.2
NICHTLINEARE
SCHAETZER
FUER
BEDINGTE
DICHTEN
.
54
4.2.1
FUNKTION
PLUS
RAUSCHEN
.
55
4.2.2
AUS
UNBEDINGTEN
DICHTESCHAETZERN
ABGELEITETE
BEDINGTE
DICH
TESCHAETZER
.
55
4.2.3
BEDINGTE
GAUSSSCHE
MISCHDICHTEN
.
56
4.2.4
BEDINGTE
KERNEL-DICHTESCHAETZER
.
56
4.3
BESONDERE
ANFORDERUNGEN
AN
DICHTESCHAETZER
FUER
DAS
STRUKTURLEMEN
IN
BAYES-NETZEN
.
56
4.3.1
GESCHWINDIGKEIT
.
57
4.3.2
LOKALE
OPTIMA
BEIM
LERNEN
BEDINGTER
DICHTESCHAETZER
.
57
4.3.3
LIKELIHOOD-AEQUIVALENZ
.
58
4.4
DIE
KONSISTENZBEDINGUNG'.
EINE
HINREICHENDE
BEDINGUNG
FUER
LIKELIHOOD
AEQUIVALENZ
.
60
4.4.1
OFFENSICHTLICHE
LOESUNGEN
DER
KONSISTENZBEDINGUNG
.
63
4.4.2
VORTEILE
.
63
4.5
KOORDINIERTE
GAUSSSCHE
KERNEL-DICHTESCHAETZER
.
65
4.5.1
ABLAUF
.
65
4.5.2
LERNEN
DES
GLOBALEN
MODELLS
MIT
DEM
EM-ALGORITHMUS
.
66
4.5.3
STANDARDVERFAHREN
.
66
4.5.4
GEMISCHTE
DISKRET/KONTINUIERLICHE
DOMAENEN
.
76
4.5.5
DISKUSSION
.
82
4.6
EXPERIMENTELLE
ERGEBNISSE
MIT
KOORDINIERTEN
GAUSSSCHEN
KERNEL
DICHTESCHAETZERN
IN
BAYES-NETZEN
.
82
4.7
ABLAUF
DES
EXPERIMENTES
.
84
4.7.1
DATENVORVERARBEITUNG
UND
LERNEN
DES
GLOBALEN
MODELLS
.
84
4.7.2
STRUKTUR-PRIOR
.
87
INHALTSVERZEICHNIS
IUE
4.7.3
SUCHSTRATEGIE
.
87
4.7.4
ERGEBNISSE
.
90
4.7.5
INTERPRETATION
DER
ERGEBNISSE
AUF
DEN
BOSTON-HOUSING-DATEN
.
94
4.8
MARKOV-NETZE
.
95
4.8.1
METRIKBASIERTES
STRUKTURLEMEN
.
96
4.8.2
MARKOV-BOUNDARY-LERNEN
.
97
4.8.3
EXPERIMENTE
.
102
5
MEHRDEUTIGE
STRUKTURLERNERGEBNISSE
105
5.0.1
AUFBAU
DIESES
KAPITELS
.
108
5.1
EINE
ANALYSE
MEHRDEUTIGER
STRUKTURLERNERGEBNISSE
UNTER
BEHANDLUNG
VON
STRUKTUREN
ALS
EINHEIT
.
108
5.1.1
GRUNDSAETZLICHER
ABLAUF
DES
STRUKTURLERNEXPERIMENTS
MIT
KUENST
LICHEN
DATEN
108
5.1.2
EXPERIMENTELLE
ERGEBNISSE
.
'
.
112
5.1.3
THEORETISCHE
ABSCHAETZUNGEN
FUER
LERNERGEBNISSE
.
122
5.1.4
ERWARTUNGSWERT
VON
LOG(U)
.
125
5.1.5
ZUSAMMENFASSUNG
MEHRDEUTIGER
STRUKTURLERNERGEBNISSE
UNTER
BEHANDLUNG
VON
STRUKTUREN
ALS
EINHEIT
.
126
5.2
KANTENBEZOGENE
BEHANDLUNG
MEHRDEUTIGER
STRUKTURLERNERGEBNISSE:
METANETZE
.
127
5.2.1
GRUNDIDEE
.
128
5.2.2
NOTATION
.
128
5.2.3
GEMEINSAME
WAHRSCHEINLICHKEITSVERTEILUNG
DER
KANTENVARIABLEN
.
129
5.2.4
POSTERIOR-WAHRSCHEINLICHKEITEN
FUER
KANTEN
.
129
5.2.5
METANETZE
.
130
5.2.6
ZUSAMMENFASSUNG
DER
ERGEBNISSE
ZUR
KANTENBEZOGENEN
BEHAND
LUNG
VON
MEHRDEUTIGKEIT
137
6
ZUSAMMENFASSUNG
UND
AUSBLICK
141
A
METRIKEN
FUER
BAYES-NETZE
MIT
TABELLEN
147
A.L
NOTATION
.
147
A.2
DIE
ML-METRIK
.
148
A.3
DIE
BAYES-METRIK
.
149
A.4
DIE
MAP-METRIK
.
150
B
NACHWEIS
DER
SKALIERUNGSBEDINGUNG
151
B.L
DISKRETE
VARIABLE
MIT
DISKRETEN
ELTERN
.
151
B.2
DISKRETE
VARIABLE
MIT
KONTINUIERLICHEN
ELTERN
.
153
B.3
DISKRETE
VARIABLE
MIT
GEMISCHTEN
ELTERN
.
154
B.4
KONTINUIERLICHE
VARIABLE
MIT
BELIEBIGEN
ELTERN
.
155
LITERATURVERZEICHNIS
155 |
| any_adam_object | 1 |
| author | Hofmann, Reimar |
| author_facet | Hofmann, Reimar |
| author_role | aut |
| author_sort | Hofmann, Reimar |
| author_variant | r h rh |
| building | Verbundindex |
| bvnumber | BV013315422 |
| classification_tum | DAT 717d MAT 055d |
| ctrlnum | (OCoLC)76171179 (DE-599)BVBBV013315422 |
| discipline | Informatik Mathematik |
| edition | Als Ms. gedr. |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a22000008c 4500</leader><controlfield tag="001">BV013315422</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20010205</controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">000822s2000 gw d||| m||| 00||| ger d</controlfield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">959555374</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3898251314</subfield><subfield code="c">Pb. : DM 69.00</subfield><subfield code="9">3-89825-131-4</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)76171179</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV013315422</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rakddb</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">DE</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-91</subfield><subfield code="a">DE-12</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 717d</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">MAT 055d</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Hofmann, Reimar</subfield><subfield code="e">Verfasser</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Lernen der Struktur nichtlinearer Abhängigkeiten mit graphischen Modellen</subfield><subfield code="c">Reimar Hofmann</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">Als Ms. gedr.</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Berlin</subfield><subfield code="b">dissertation.de</subfield><subfield code="c">2000</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">IV, 163 S.</subfield><subfield code="b">graph. Darst. : 21 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Zugl.: München, Techn. Univ., Diss., 2000</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Graphisches Modell</subfield><subfield code="0">(DE-588)4606156-3</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Bayes-Netz</subfield><subfield code="0">(DE-588)4567228-3</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Dichteschätzung</subfield><subfield code="0">(DE-588)4353528-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Kognitives Lernen</subfield><subfield code="0">(DE-588)4164479-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4113937-9</subfield><subfield code="a">Hochschulschrift</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Kognitives Lernen</subfield><subfield code="0">(DE-588)4164479-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Bayes-Netz</subfield><subfield code="0">(DE-588)4567228-3</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Graphisches Modell</subfield><subfield code="0">(DE-588)4606156-3</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="4"><subfield code="a">Dichteschätzung</subfield><subfield code="0">(DE-588)4353528-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=009079578&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-009079578</subfield></datafield></record></collection> |
| genre | (DE-588)4113937-9 Hochschulschrift gnd-content |
| genre_facet | Hochschulschrift |
| id | DE-604.BV013315422 |
| illustrated | Illustrated |
| indexdate | 2024-08-13T00:17:01Z |
| institution | BVB |
| isbn | 3898251314 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-009079578 |
| oclc_num | 76171179 |
| open_access_boolean | |
| owner | DE-91 DE-BY-TUM DE-12 |
| owner_facet | DE-91 DE-BY-TUM DE-12 |
| physical | IV, 163 S. graph. Darst. : 21 cm |
| publishDate | 2000 |
| publishDateSearch | 2000 |
| publishDateSort | 2000 |
| publisher | dissertation.de |
| record_format | marc |
| spelling | Hofmann, Reimar Verfasser aut Lernen der Struktur nichtlinearer Abhängigkeiten mit graphischen Modellen Reimar Hofmann Als Ms. gedr. Berlin dissertation.de 2000 IV, 163 S. graph. Darst. : 21 cm txt rdacontent n rdamedia nc rdacarrier Zugl.: München, Techn. Univ., Diss., 2000 Graphisches Modell (DE-588)4606156-3 gnd rswk-swf Bayes-Netz (DE-588)4567228-3 gnd rswk-swf Dichteschätzung (DE-588)4353528-8 gnd rswk-swf Kognitives Lernen (DE-588)4164479-7 gnd rswk-swf Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf (DE-588)4113937-9 Hochschulschrift gnd-content Maschinelles Lernen (DE-588)4193754-5 s Kognitives Lernen (DE-588)4164479-7 s Bayes-Netz (DE-588)4567228-3 s Graphisches Modell (DE-588)4606156-3 s Dichteschätzung (DE-588)4353528-8 s DE-604 DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=009079578&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis |
| spellingShingle | Hofmann, Reimar Lernen der Struktur nichtlinearer Abhängigkeiten mit graphischen Modellen Graphisches Modell (DE-588)4606156-3 gnd Bayes-Netz (DE-588)4567228-3 gnd Dichteschätzung (DE-588)4353528-8 gnd Kognitives Lernen (DE-588)4164479-7 gnd Maschinelles Lernen (DE-588)4193754-5 gnd |
| subject_GND | (DE-588)4606156-3 (DE-588)4567228-3 (DE-588)4353528-8 (DE-588)4164479-7 (DE-588)4193754-5 (DE-588)4113937-9 |
| title | Lernen der Struktur nichtlinearer Abhängigkeiten mit graphischen Modellen |
| title_auth | Lernen der Struktur nichtlinearer Abhängigkeiten mit graphischen Modellen |
| title_exact_search | Lernen der Struktur nichtlinearer Abhängigkeiten mit graphischen Modellen |
| title_full | Lernen der Struktur nichtlinearer Abhängigkeiten mit graphischen Modellen Reimar Hofmann |
| title_fullStr | Lernen der Struktur nichtlinearer Abhängigkeiten mit graphischen Modellen Reimar Hofmann |
| title_full_unstemmed | Lernen der Struktur nichtlinearer Abhängigkeiten mit graphischen Modellen Reimar Hofmann |
| title_short | Lernen der Struktur nichtlinearer Abhängigkeiten mit graphischen Modellen |
| title_sort | lernen der struktur nichtlinearer abhangigkeiten mit graphischen modellen |
| topic | Graphisches Modell (DE-588)4606156-3 gnd Bayes-Netz (DE-588)4567228-3 gnd Dichteschätzung (DE-588)4353528-8 gnd Kognitives Lernen (DE-588)4164479-7 gnd Maschinelles Lernen (DE-588)4193754-5 gnd |
| topic_facet | Graphisches Modell Bayes-Netz Dichteschätzung Kognitives Lernen Maschinelles Lernen Hochschulschrift |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=009079578&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT hofmannreimar lernenderstrukturnichtlinearerabhangigkeitenmitgraphischenmodellen |