Aktives Lernen Für Klassifikationsprobleme Unter Der Nutzung Von Strukturinformationen
In unserer heutigen Informationsgesellschaft besitzt mehr als ein Drittel der Weltbevölkerung einen Internetzugang, sodass mediale, kommerzielle und auch persönliche Inhalte immer mehr in der digitalen Welt konsumiert, ausgetauscht und somit gespeichert werden. Diese Daten versuchen IT-Unternehmen m...
| Autor principal: | |
|---|---|
| Formato: | Libro |
| Publicado: |
Kassel University Press GmbH_Legacy
2015
|
| Acceso en línea: | Ver este registro en EBSCOhost |
| fields | @attributes: recordID: 1 pdfLink: plink: https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=1091497&site=ehost-live header: @attributes: shortDbName: nlebk uiTerm: 1091497 longDbName: eBook Collection (EBSCOhost) uiTag: AN controlInfo: bkinfo: btl: Aktives Lernen Für Klassifikationsprobleme Unter Der Nutzung Von Strukturinformationen aug: au: Reitmaier, Tobias isbn: 9783862199983 9783862199990 imageinfo: pubinfo: dt: @attributes: year: 2015 month: 01 day: 01 dtAvail: @attributes: year: 2021 month: 10 day: 11 pub: Kassel University Press GmbH_Legacy pubContract: Kassel University Press GmbH place: [Place of publication not identified] price: 0.01 limitsGroup: maxCheckoutDays: 1500 pda: N printPagesOffline: 100 printPagesOnline: 100 previewPages: 10000 prePubGroup: dewey: @attributes: class: 004 item: 004 lc: @attributes: class: LB1027.23 .R458 2015eb item: LB 1027 .23 .R458 2015eb artinfo: ui: 1091497 928011113 formats: fmt: @attributes: type: EB doid: NL$1091497$PDF caption: PDF download: Y tig: atl: Aktives Lernen Für Klassifikationsprobleme Unter Der Nutzung Von Strukturinformationen ptl: Aktives Lernen Für Klassifikationsprobleme Unter Der Nutzung Von Strukturinformationen aug: au: Reitmaier, Tobias su: Active learning sug: subj: COMPUTERS / Machine Theory COMPUTERS / Computer Literacy COMPUTERS / Computer Science COMPUTERS / Data Science / General COMPUTERS / Information Technology COMPUTERS / Reference COMPUTERS / Hardware / General Active learning ab: In unserer heutigen Informationsgesellschaft besitzt mehr als ein Drittel der Weltbevölkerung einen Internetzugang, sodass mediale, kommerzielle und auch persönliche Inhalte immer mehr in der digitalen Welt konsumiert, ausgetauscht und somit gespeichert werden. Diese Daten versuchen IT-Unternehmen mit Hilfe von Methoden des Data Mining oder des maschinellen Lernens wirtschaftlich zu nutzen, z. B. für personalisierte Werbung. Hierzu findet in der Regel eine Kategorisierung bzw. Klassifikation dieser Daten statt, die meist mit sehr hohen Kosten verbunden ist. Ein effizienter Ansatz, diese Kosten zu senken, ist aktives Lernen (AL), da AL den Trainingsprozess eines Klassifikators durch gezieltes Anfragen einzelner Datenpunkte steuert, die daraufhin durch Experten gelabelt werden (d. h., mit einer Klassenzugehörigkeit versehen werden). Jedoch zeigt eine Analyse aktueller Verfahren, dass AL nach wie vor Defizite aufweist. Insbesondere wird diejenige Information (Strukturinformation), die durch die räumliche Anordnung der (un-)gelabelten Daten gegeben ist, unzureichend genutzt. Außerdem wird bei vielen bisherigen AL-Techniken noch zu wenig auf ihre praktische Einsatzfähigkeit geachtet. Um diesen Herausforderungen zu begegnen, werden in dieser Arbeit mehrere aufeinander aufbauende Lösungsansätze präsentiert, wobei das abstrakte Ziel darin besteht, ein effektiveres, effizienteres und praxistauglicheres AL-Verfahren zu entwickeln. pubtype: eBook doctype: Book ougenre: Book language: English copyright: @attributes: flag: N copyrightText: holdings: @attributes: islocal: N |
|---|