Hybride Optimierung für Dimensionsreduktion - Daniel Lückehe

Blick ins Buch

Hybride Optimierung für Dimensionsreduktion (eBook)

Unüberwachte Regression mit Gradientenabstieg und evolutionären Algorithmen

Daniel Lückehe (Autor)

eBook Download: PDF

2015 | 1. Aufl. 2015
VIII, 99 Seiten
Springer Fachmedien Wiesbaden GmbH (Verlag)
978-3-658-10738-3 (ISBN)

Lese- und Medienproben

Ebook-Leseprobe (PDF)

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.

Daniel Lückehe hat nach seiner Ausbildung zum Fachinformatiker und seinem dualen Studium zum Bachelor of Engineering ein Masterstudium an der Universität Oldenburg absolviert. Aktuell arbeitet er an seiner Doktorarbeit im Promotionsprogramm 'Systemintegration Erneuerbarer Energien'.

Daniel Lückehe hat nach seiner Ausbildung zum Fachinformatiker und seinem dualen Studium zum Bachelor of Engineering ein Masterstudium an der Universität Oldenburg absolviert. Aktuell arbeitet er an seiner Doktorarbeit im Promotionsprogramm „Systemintegration Erneuerbarer Energien“.

Unüberwachte Regression.- Nadaraya-Watson-Schätzer.- Unüberwachte Kernel Regression.- Gradientenabstieg.- Variable Kernel-Funktion.

Erscheint lt. Verlag	22.7.2015
Reihe/Serie	BestMasters
Zusatzinfo	VIII, 99 S. 51 Abb.
Verlagsort	Wiesbaden
Sprache	deutsch
Themenwelt	Mathematik / Informatik ► Informatik
Schlagworte	Big Data • Computational Intelligence • Dimensionsreduktion • Maschinelles Lernen • Regressionsmodell
ISBN-10	3-658-10738-3 / 3658107383
ISBN-13	978-3-658-10738-3 / 9783658107383

Haben Sie eine Frage zum Produkt?

PDF (Wasserzeichen)
Größe: 2,0 MB

DRM: Digitales Wasserzeichen
Dieses eBook enthält ein digitales Wasserzeichen und ist damit für Sie personalisiert. Bei einer missbräuchlichen Weitergabe des eBooks an Dritte ist eine Rückverfolgung an die Quelle möglich.

Dateiformat: PDF (Portable Document Format)
Mit einem festen Seitenlayout eignet sich die PDF besonders für Fachbücher mit Spalten, Tabellen und Abbildungen. Eine PDF kann auf fast allen Geräten angezeigt werden, ist aber für kleine Displays (Smartphone, eReader) nur eingeschränkt geeignet.

Systemvoraussetzungen:
PC/Mac: Mit einem PC oder Mac können Sie dieses eBook lesen. Sie benötigen dafür einen PDF-Viewer - z.B. den Adobe Reader oder Adobe Digital Editions.
eReader: Dieses eBook kann mit (fast) allen eBook-Readern gelesen werden. Mit dem amazon-Kindle ist es aber nicht kompatibel.
Smartphone/Tablet: Egal ob Apple oder Android, dieses eBook können Sie lesen. Sie benötigen dafür einen PDF-Viewer - z.B. die kostenlose Adobe Digital Editions-App.

Zusätzliches Feature: Online Lesen
Dieses eBook können Sie zusätzlich zum Download auch online im Webbrowser lesen.

Buying eBooks from abroad
For tax law reasons we can sell eBooks just within Germany and Switzerland. Regrettably we cannot fulfill eBook-orders from other countries.

Print-Ausgabe

Buch | Softcover

49,99 €