28DIGITAL

Quantitative Modellüberprüfung

28DIGITAL

Quantitative Modellüberprüfung

Anne Remke

Dozent: Anne Remke

6.595 bereits angemeldet

Bei Coursera Plus enthalten

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

54 Bewertungen

Stufe Mittel
Einige einschlägige Kenntnisse erforderlich
1 Woche zu vervollständigen
unter 10 Stunden pro Woche
Flexibler Zeitplan
In Ihrem eigenen Lerntempo lernen
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

54 Bewertungen

Stufe Mittel
Einige einschlägige Kenntnisse erforderlich
1 Woche zu vervollständigen
unter 10 Stunden pro Woche
Flexibler Zeitplan
In Ihrem eigenen Lerntempo lernen

Was Sie lernen werden

  • Erlernen Sie die Grundlagen der quantitativen Modellprüfung für probabilistische und stochastische Systeme.

  • Modellierung und Analyse von Systemen mit zeitdiskreten und zeitkontinuierlichen Markov-Ketten.

  • Anwendung von Computational Tree Logic (CTL) und Probabilistic CTL (PCTL) zur formalen Verifizierung von Systemeigenschaften.

  • Anwendung formaler Verifikationstechniken zur Bewertung der Zuverlässigkeit, Leistung und Verlässlichkeit von eingebetteten, cyber-physischen und Kommunikationssystemen

Kompetenzen, die Sie erwerben

  • Kategorie: Wahrscheinlichkeit
  • Kategorie: Verifizierung und Validierung
  • Kategorie: Theoretische Informatik
  • Kategorie: Mathematische Modellierung
  • Kategorie: Systemanalyse
  • Kategorie: Algorithmen
  • Kategorie: Modellierung von Prozessen
  • Kategorie: Markov-Modell
  • Kategorie: Wahrscheinlichkeitsverteilung
  • Kategorie: Logisches Denken
  • Kategorie: Rechnerische Logik

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

27 Aufgaben

Unterrichtet in Englisch

91%

of learners achieved a positive career outcome

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

 Logos von Petrobras, TATA, Danone, Capgemini, P&G und L'Oreal

In diesem Kurs gibt es 5 Module

Wir stellen Labeled Transition Systems (LTS), die Syntax und Semantik der Computational Tree Logic (CTL) vor und erörtern die Modellprüfungsalgorithmen, die notwendig sind, um die Erfüllungsmenge für bestimmte CTL-Formeln zu berechnen.

Das ist alles enthalten

6 Videos3 Lektüren4 Aufgaben

Wir erweitern Übergangssysteme um diskrete Zeit und fügen den Übergängen Wahrscheinlichkeiten hinzu, um probabilistische Entscheidungen zu modellieren. Wir erörtern wichtige Eigenschaften von DTMCs, wie z.B. die gedächtnislose Eigenschaft und Zeithomogenität. Die Zustandsklassifizierung kann verwendet werden, um die Existenz der begrenzenden und/oder stationären Verteilung zu bestimmen.

Das ist alles enthalten

5 Videos2 Lektüren5 Aufgaben

Wir erörtern die Syntax und Semantik der Probabilistic Computational Tree Logic und untersuchen die Modellprüfungsalgorithmen, die notwendig sind, um über die Gültigkeit verschiedener Arten von PCTL-Formeln zu entscheiden. Wir diskutieren kurz die Komplexität der PCTL-Modellprüfung.

Das ist alles enthalten

5 Videos3 Lektüren6 Aufgaben

Wir erweitern Discrete-Time Markov Chains um Echtzeit und diskutieren, wie sich der resultierende Modellierungsformalismus im Laufe der Zeit entwickelt. Wir berechnen den stationären Zustand für verschiedene Arten von CMTCs und erörtern, wie die Übergangswahrscheinlichkeiten mit einer Methode namens Uniformisierung effizient berechnet werden können.

Das ist alles enthalten

5 Videos2 Lektüren6 Aufgaben

Wir stellen die Syntax und Semantik der Kontinuierlichen Stochastischen Logik vor und beschreiben, wie die verschiedenen Arten von CSL-Formeln modellgeprüft werden können. Insbesondere die Modellprüfung des zeitlich begrenzten bis-Operators erfordert die Anwendung des Konzepts der Uniformisierung, das wir im vorherigen Modul besprochen haben.

Das ist alles enthalten

5 Videos2 Lektüren6 Aufgaben

Dozent

Lehrkraftbewertungen
(5 Bewertungen)
Anne Remke
28DIGITAL
2 Kurse13.409 Lernende

von

28DIGITAL

Mehr von Software-Entwicklung entdecken

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.

Lernender seit 2018
„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“

Jennifer J.

Lernender seit 2020
„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“

Larry W.

Lernender seit 2021
„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“

Chaitanya A.

„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Bewertungen von Lernenden

  • 5 stars

    59,25 %

  • 4 stars

    24,07 %

  • 3 stars

    5,55 %

  • 2 stars

    5,55 %

  • 1 star

    5,55 %

Zeigt 3 von 54 an

RA

Geprüft am 26. Aug. 2023

Häufig gestellte Fragen