|
|
|
|
| LEADER |
02564nmm a2200325 u 4500 |
| 001 |
EB001075239 |
| 003 |
EBX01000000000000000837561 |
| 005 |
00000000000000.0 |
| 007 |
cr||||||||||||||||||||| |
| 008 |
150804 ||| ger |
| 020 |
|
|
|a 9783658107383
|
| 100 |
1 |
|
|a Lückehe, Daniel
|
| 245 |
0 |
0 |
|a Hybride Optimierung für Dimensionsreduktion
|h Elektronische Ressource
|b Unüberwachte Regression mit Gradientenabstieg und evolutionären Algorithmen
|c von Daniel Lückehe
|
| 250 |
|
|
|a 1st ed. 2015
|
| 260 |
|
|
|a Wiesbaden
|b Springer Fachmedien Wiesbaden
|c 2015, 2015
|
| 300 |
|
|
|a VIII, 99 S. 51 Abb
|b online resource
|
| 653 |
|
|
|a Image processing / Digital techniques
|
| 653 |
|
|
|a Computer science
|
| 653 |
|
|
|a Computer vision
|
| 653 |
|
|
|a Artificial Intelligence
|
| 653 |
|
|
|a Computer Imaging, Vision, Pattern Recognition and Graphics
|
| 653 |
|
|
|a Artificial intelligence
|
| 653 |
|
|
|a Theory of Computation
|
| 041 |
0 |
7 |
|a ger
|2 ISO 639-2
|
| 989 |
|
|
|b Springer
|a Springer eBooks 2005-
|
| 490 |
0 |
|
|a BestMasters
|
| 028 |
5 |
0 |
|a 10.1007/978-3-658-10738-3
|
| 856 |
4 |
0 |
|u https://doi.org/10.1007/978-3-658-10738-3?nosfx=y
|x Verlag
|3 Volltext
|
| 082 |
0 |
|
|a 006
|
| 520 |
|
|
|a In der Arbeit von Daniel Lückehe wird ein neues hybrides Verfahren zur Dimensionsreduktion methodisch erarbeitet, analysiert und durch experimentelle Tests mit vorhandenen Methoden verglichen. Hochdimensionale Daten, häufig zusammengefasst unter dem Begriff „Big Data“, liegen heutzutage in vielen Bereichen vor. Darunter fallen beispielsweise visuell erfasste Informationen, in denen Muster erkannt werden sollen, Anwendungen im medizinischen Bereich sowie Daten aus dem Gebiet der Astronomie. Eine Dimensionsreduktion kann dabei helfen, Informationen aus großen, hochkomplexen Datensätzen zu gewinnen und diese besser verarbeiten zu können. So können Daten beispielsweise auf einen zweidimensionalen Raum abgebildet und somit für den Menschen visuell erfassbar werden. Der Inhalt Unüberwachte Regression Nadaraya-Watson-Schätzer Unüberwachte Kernel-Regression Gradientenabstieg Variable Kernel-Funktion Die Zielgruppen Dozenten und Studenten der Informatik, insbesondere des Fachgebiets Maschinelles Lernen Naturwissenschaftler mit Bezug zum Thema „Big Data“ Der Autor Daniel Lückehe hat nach seiner Ausbildung zum Fachinformatiker und seinem dualen Studium zumBachelor of Engineering ein Masterstudium an der Universität Oldenburg absolviert. Aktuell arbeitet er an seiner Doktorarbeit im Promotionsprogramm „Systemintegration Erneuerbarer Energien“
|