Hybride Optimierung für Dimensionsreduktion

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 InhaltUnüberwachte RegressionNadaraya-Watson-SchätzerUnüberwachte Kernel-RegressionGradientenabstiegVariable Kernel-Funktion
Die ZielgruppenDozenten und Studenten der Informatik, insbesondere des Fachgebiets Maschinelles LernenNaturwissenschaftler mit Bezug zum Thema "Big Data"
Der AutorDaniel Lückehe hat nach seiner Ausbildung zum Fachinformatiker und seinem dualen Studium zumBachelor of Engineering ein Masterstudium an der Universität Oldenburg absolviert. Aktuell arbeitet er an seiner Doktorarbeit im Promotionsprogramm "Systemintegration Erneuerbarer Energien".

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".