國立虎尾科技大學 |

Hybride Optimierung für Dimensionsreduktion = Unüberwachte Regression mit Gradientenabstieg und evolutionären Algorithmen /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	Hybride Optimierung für Dimensionsreduktion/ von Daniel Lückehe.
其他題名:	Unüberwachte Regression mit Gradientenabstieg und evolutionären Algorithmen /
作者:	Lückehe, Daniel.
面頁冊數:	VIII, 99 S. 51 Abb.online resource. :
Contained By:	Springer Nature eBook
標題:	Optical data processing. -
電子資源:	https://doi.org/10.1007/978-3-658-10738-3
ISBN:	9783658107383

Hybride Optimierung für Dimensionsreduktion = Unüberwachte Regression mit Gradientenabstieg und evolutionären Algorithmen /
Lückehe, Daniel.

Hybride Optimierung für DimensionsreduktionUnüberwachte Regression mit Gradientenabstieg und evolutionären Algorithmen /[electronic resource] :von Daniel Lückehe. - 1st ed. 2015. - VIII, 99 S. 51 Abb.online resource. - BestMasters,2625-3577. - BestMasters,.

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 zum Bachelor of Engineering ein Masterstudium an der Universität Oldenburg absolviert. Aktuell arbeitet er an seiner Doktorarbeit im Promotionsprogramm „Systemintegration Erneuerbarer Energien“.

ISBN: 9783658107383

Standard No.: 10.1007/978-3-658-10738-3doiSubjects--Topical Terms:

639187
Optical data processing.

LC Class. No.: TA1630-1650

Dewey Class. No.: 006.6

Hybride Optimierung für Dimensionsreduktion = Unüberwachte Regression mit Gradientenabstieg und evolutionären Algorithmen /
LDR:02655nam a22003495i 4500 001 967258
003 DE-He213
005 20200711142936.0
007 cr nn 008mamaa
008 201211s2015 gw | s |||| 0|ger d
020 $a 9783658107383 $9 978-3-658-10738-3
024 7 $a 10.1007/978-3-658-10738-3 $2 doi
035 $a 978-3-658-10738-3
050 4 $a TA1630-1650
072 7 $a UYQV $2 bicssc
072 7 $a COM016000 $2 bisacsh
072 7 $a UYQV $2 thema
082 0 4 $a 006.6 $2 23
100 1 $a Lückehe, Daniel. $e author. $4 aut $4 http://id.loc.gov/vocabulary/relators/aut $3 1262890
245 1 0 $a Hybride Optimierung für Dimensionsreduktion $h [electronic resource] : $b Unüberwachte Regression mit Gradientenabstieg und evolutionären Algorithmen / $c von Daniel Lückehe.
250 $a 1st ed. 2015.
264 1 $a Wiesbaden : $b Springer Fachmedien Wiesbaden : $b Imprint: Springer Vieweg, $c 2015.
300 $a VIII, 99 S. 51 Abb. $b online resource.
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
347 $a text file $b PDF $2 rda
490 1 $a BestMasters, $x 2625-3577
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 zum Bachelor of Engineering ein Masterstudium an der Universität Oldenburg absolviert. Aktuell arbeitet er an seiner Doktorarbeit im Promotionsprogramm „Systemintegration Erneuerbarer Energien“.
650 0 $a Optical data processing. $3 639187
650 0 $a Computers. $3 565115
650 0 $a Artificial intelligence. $3 559380
650 1 4 $a Computer Imaging, Vision, Pattern Recognition and Graphics. $3 671334
650 2 4 $a Theory of Computation. $3 669322
650 2 4 $a Artificial Intelligence. $3 646849
710 2 $a SpringerLink (Online service) $3 593884
773 0 $t Springer Nature eBook
776 0 8 $i Printed edition: $z 9783658107376
830 0 $a BestMasters, $x 2625-3577 $3 1253531
856 4 0 $u https://doi.org/10.1007/978-3-658-10738-3
912 $a ZDB-2-STI
950 $a Computer Science and Engineering (German Language) (SpringerNature-11774)