Unsere patentierte Kerntechnologie Cepel ("Constructive Probabilistic Learning") stammt aus dem Bereich der probabilistischen Statistik. Dieser hochaktuelle Forschungszweig hat das Ziel, durch Verknüpfung von Methoden aus dem Machine Learning und der Wahrscheinlichkeitstheorie die Analyse komplexer Daten zu ermöglichen. Der Erfolg dieses Ansatzes zeigt sich an der großen Zahl gelungener Anwendungsszenarien, angefangen bei der Websuche (z.B. Google PageRank), über den Bereich der Robotik bis hin zur maschinellen Bilderkennung.

Vorteile von Cepel im Vergleich zu anderen Verfahren sind besonders die intuitiv verständlichen und nachvollziehbaren Resultate, die hohe Performance und die leichte Bedienbarkeit.

Die Qualität und die Performance werden durch den Einsatz innovativer, durch uns patentierter Verfahren erreicht.

Bei der kernelbasierten Dichteschätzung kommt der Set Adaptive Kernel zum Einsatz, der die Feinheiten der Wahrscheinlichkeitsverteilung, z.B. lokale Spitzen, abbilden kann, dabei aber eine glatte Kurve beibehält.

Die Parameterwahl erfolgt durch die Q-Funktion, die eine erweiterte Kreuzvalidierung zur qualitativen Prüfung einsetzt, sowie durch eine Normalisierung, die das Ergebnis von linearen Skalierungen unabhängig macht. Intelligente Verfahren zur Steigerung der Performance wie der Sample Scale Space runden das Verfahren ab.