Sie können Bookmarks mittels Listen verwalten, loggen Sie sich dafür bitte in Ihr SLUB Benutzerkonto ein.
Medientyp:
Elektronische Hochschulschrift;
E-Book
Titel:
From supervised to unsupervised support vector machines and applications in astronomy
Beteiligte:
Gieseke, Fabian
[Verfasser:in]
Erschienen:
Carl von Ossietzky Universität Oldenburg: /oops/ - Oldenburger Online-Publikations-Server, 2011
Umfang:
text
Sprache:
Nicht zu entscheiden
Entstehung:
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
Ein klassisches Problem des maschinellen Lernens ist die Klassifikation von Objekten. Falls genügend Trainingsdaten vorhanden sind, führt dieses Konzept in vielen Fällen zu Modellen mit einer exzellenten Güte. Die Erstellung eines hinreichend großen Datensatzes kann sich für gewisse Anwendungsfälle jedoch als aufwendig erweisen. Im Gegensatz zu solchen gelabelten Trainingsdaten stehen ungelabelte Daten oft in großem Umfang zur Verfügung. Um auch letztere mit in den Lernprozess einzubeziehen, wurden in der Literatur unter anderem die sogenannten halb- und unüberwachten Support Vektor Maschinen vorgestellt; beide Erweiterungen führen jedoch zu schwierigen kombinatorischen Optimierungsproblemen. Die Entwicklung von Optimierungsansätzen für beide Erweiterungen ist eines der zentralen Themen der Dissertation. Über diese theoretischen Ausführungen hinaus ist die Anwendung von Techniken des maschinellen Lernens auf aktuelle Fragestellungen in der Astronomie Gegenstand der Arbeit.