Hybride Optimierung für Dimensionsreduktion

1. Front Matter

   Pages I-VIII

   PDF

2. Motivation

   • Daniel Lückehe

   Pages 1-10

3. Unüberwachte Regression

   • Daniel Lückehe

   Pages 11-27

4. Unüberwachte Kernel- Regression

   • Daniel Lückehe

   Pages 29-51

5. Gradientenabstieg

   • Daniel Lückehe

   Pages 53-68

6. Variable Kernel-Funktion

   • Daniel Lückehe

   Pages 69-80

7. Fazit und Ausblick

   • Daniel Lückehe

   Pages 81-83

8. Back Matter

   Pages 85-99

   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.

• Big Data
• Computational Intelligence
• Dimensionsreduktion
• Maschinelles Lernen
• Regressionsmodell

• Universität Oldenburg, Oldenburg, Germany

  Daniel Lückehe

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“.

Policies and ethics