Woon, Wei Lee Data Analytics for Renewable Energy Integration Cham [u.a.] : Springer, 2014 (2014), Seite 97-107 Online-Ressource (IX, 151 p. 63 illus, online resource)
Auch als elektronisches Dokument verfügbar: http://download.springer.com/static/pdf/650/art%253A10.1007%252Fs12065-012-0068-5.pdf?auth66=1364630244_5c4f52f7cf4cc8eb05b81830d295cf10&ext=.pdf
Evolutionary intelligence Berlin : Springer, 2008 5(2012), 3, Seite 189-205
Proceedings of the 1st International Conference on Pattern Recognition Applications and Methods ; Vol. 1 [S.l.] : SciTePress, 2012 (2012), Seite 45-54 XXI, 13, 490 S
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. <dt.>
A common task in the field of machine learning is the classification of objects. Given sufficient labeled data, most classification concepts can yield models that exhibit a satisfying classification performance. However, for a variety of real-world tasks, the acquisition of such labeled data can be very time-consuming. In contrast to labeled training data, unlabeled one can often be obtained easily in huge quantities. Semi- and unsupervised techniques aim at taking these unlabeled patterns into account to generate appropriate models. In the literature, various ways of extending support vector machines to these scenarios have been proposed. One of these ways leads to combinatorial optimization tasks. The main part of this thesis deals with the development of optimization strategies for both extensions. Despite these theoretical derivations, possible application domains of machine learning methods in the field of astronomy are discussed. <engl.>