Refine
Year of publication
- 2017 (17) (remove)
Document Type
- Working Paper (8)
- Report (3)
- Book (2)
- Conference Proceeding (2)
- Article (1)
- Preprint (1)
Has Fulltext
- yes (17)
Keywords
- Forschungsbericht (2)
- Krisenmanagement (2)
- Optimization (2)
- Risikomanagement (2)
- Solvency II (2)
- 3D Printing (1)
- Algorithm Tuning (1)
- Alternativer Risikotransfer (1)
- Barwert (1)
- Basisrisiko (1)
- Bewertete Markov-Kette (1)
- Bewertung (1)
- Bewertungsportale (1)
- Big Data (1)
- Charakteristische Funktion (1)
- Collateralized Reinsurance (1)
- Combined simulation (1)
- Computational fluid dynamics (1)
- Conditional inference tree (1)
- Consumer Information (1)
- Decision tree (1)
- Design of Experiments (1)
- Digitalisierung (1)
- Disaster Risk Reduction (1)
- Embedded Value (1)
- Event Detection (1)
- Evolutionary Robotics (1)
- Faserverbundwerkstoffe (1)
- Forschung (1)
- Forschungsstelle FaRis (1)
- Forschungsstelle Versicherungsmarkt (1)
- Forschungsstelle Versicherungsrecht (1)
- Health condition monitoring (1)
- Hochschule (1)
- Institut für Versicherungswesen (1)
- Insurance Linked Securities (ILS) (1)
- Knowledge extraction (1)
- Konsumenteninformation (1)
- Kölner Forschungsstelle Rückversicherung (1)
- Lessons learned (1)
- Machine Learning (1)
- Machine learning (1)
- Markov-Kette (1)
- Massendaten (1)
- Metamodel (1)
- Modeling (1)
- Neural Networks (1)
- Online Information Review (1)
- Parameter Tuning (1)
- Predictive Analytics (1)
- Present Value (1)
- Priced Markov Chain (1)
- R (1)
- Research Report (1)
- Rückversicherung (1)
- SPOT (1)
- Signalanalyse (1)
- Simulation (1)
- Social Learning (1)
- Stacking (1)
- Structural Health Monitoring (1)
- Surrogate Models (1)
- Test function generator (1)
- Trinkwasser (1)
- Versicherung (1)
- Versicherungswesen (1)
- Versicherungswirtschaft (1)
- Wirtschaftswissenschaften (1)
- Word-of-Mouth (1)
- Ökonomisches Kapital (1)
Big Data für Versicherungen. Proceedings zum 21. Kölner Versicherungssymposium am 3.11.2016 in Köln
(2017)
Aufgrund der schnellen technologischen Entwicklungen und den damit einhergehenden erweiterten Möglichkeiten hat für den Begriff „Big Data“ eine starke Begriffserweiterung stattgefunden – insbesondere im Dreiklang Digitalisierung / Big Data / Cloud Computing (DBC). „Big Data“ im weiteren Sinn umfasst inzwischen mindesten die Themenfelder IT & Prozesse, Methoden & Modellierung, Produktentwicklung & Kundenmanagement sowie Recht & Datenschutz.
Wegen der hohen Bedeutung haben die Forschungsbereiche des ivwKöln für 2016 „Big Data“ als übergreifendes Forschungsthema gewählt. Im 21. Kölner Versicherungs-symposium wurde daher das Themenfeld in seiner Vielschichtigkeit von Referenten aus mehreren
Fachrichtungen skizziert.
As the amount of data gathered by monitoring systems increases, using computational tools to analyze it becomes a necessity.
Machine learning algorithms can be used in both regression and classification problems, providing useful insights while avoiding the bias and proneness to errors of humans. In this paper, a specific kind of decision tree algorithm, called conditional inference tree, is used to extract relevant knowledge from data that pertains to electrical motors. The model is chosen due to its flexibility, strong statistical foundation, as well as great capabilities to generalize and cope with problems in the data. The obtained knowledge is organized in a structured way and then analyzed in the context of health condition monitoring. The final
results illustrate how the approach can be used to gain insight into the system and present the results in an understandable, user-friendly manner
Faserverbundwerkstoffe (FVW) und Composites haben in der Luft- und Raumfahrtindustrie, im Automobilbau, beim Bau von Windenergieanlagen und in vielen weiteren zukunftsträchtigen Branchen eine große Bedeutung. Maßnahmen, die ein Erkennen von Schädigungen simultan zur Entstehung ermöglichen und Restbetriebszeiten prognostizieren können, sind geeignet, die Lebensdauer von FVW-Konstruktionen zu erhöhen. Darüber hinaus ist eine zustandsorientierte und somit kosteneffektive Wartung dieser Bauteile möglich.
Sowohl die Prognose, als auch die Detektion von Schäden würde den ressourcenschonenden Einsatz dieser Werkstoff-gruppe ermöglichen. Das sogenannte Structural Health Monitoring (SHM) bezeichnet in diesem Zusammenhang eine Methode, die es ermöglicht, kontinuierlich Anhalts-punkte über die Funktionsfähigkeit von Bauteilen und Konstruktionen zu erhalten.
Dieser Artikel beschreibt die Planung, Durchführung und Analyse von SHM-Experimenten. Das Hauptziel bestand in der Planung von Experimenten zur Gewinnung von Messdaten mittels piezoelektrischen Elementen auf Versuchstafeln, bei denen bewusst trukturbeschädigungen eingebracht wurden. Statistische Auswertungsmethoden sollen auf ihre Eignung getestet werden, Rückschlüsse aus den experimentell gewonnenen Daten auf die Art der Strukturbeschädigungen zu ziehen.
Mit der „IVW Privat AG“ liegt ein relativ durchgängiges Datenmodell eines Schadenversicherungs-unternehmens vor, mit dem in vorangegangenen Publikationen eine Vielzahl von Solvency II Anwen-dungen illustriert werden konnten. Ergänzend dazu sollen in dieser Publikation unterschiedliche Bewertungsansätze für das verfügbare Kapital vorgestellt und miteinander verglichen werden – ausgehend vom sicherheitsorientierten HGB Kapital bis hin zum Marktkonsistenten Embedded Value (MCEV).
When designing or developing optimization algorithms, test functions are crucial to evaluate
performance. Often, test functions are not sufficiently difficult, diverse, flexible or relevant to real-world
applications. Previously,
test functions with real-world relevance were generated by training a machine learning model based on
real-world data. The model estimation is used as a test function.
We propose a more principled approach using simulation instead of estimation.
Thus, relevant and varied test functions
are created which represent the behavior of real-world fitness landscapes.
Importantly, estimation can lead to excessively smooth test functions
while simulation may avoid this pitfall. Moreover, the simulation
can be conditioned by the data, so that the simulation reproduces the training data
but features diverse behavior in unobserved regions of the search space.
The proposed test function generator is illustrated with an intuitive, one-dimensional
example. To demonstrate the utility of this approach it
is applied to a protein sequence optimization problem.
This application demonstrates the advantages as well as practical limits of simulation-based
test functions.
Verunreinigungen im Wassernetz können weite Teile der Bevölkerung unmittelbar gefährden. Gefahrenpotenziale bestehen dabei nicht nur durch mögliche kriminelle Handlungen und terroristische Anschläge. Auch Betriebsstörungen, Systemfehler und Naturkatastrophen können zu Verunreinigungen führen.
Social learning enables multiple robots to share learned experiences while completing a task. The literature offers examples where robots trained with social learning reach a higher performance compared to their individual learning counterparts. No explanation has been advanced for that observation. In this research, we present experimental results suggesting that a lack of tuning of the parameters in social learning experiments could be the cause. In other words: the better the parameter settings are tuned, the less social learning can improve the system performance.