Benutzer: Gast  Login
Originaltitel:
Reinforcement Learning in Supervised Problem Domains 
Übersetzter Titel:
Bestärkendes Lernen für Überwachte Problem-Domänen 
Jahr:
2016 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
van der Smagt, Patrick (Prof. Dr.) 
Gutachter:
van der Smagt, Patrick (Prof. Dr.); Schmidhuber, H. Jürgen (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
INF Informationswesen, Bibliotheks-, Dokumentations-, Archiv-, Museumswesen 
Stichworte:
Reinforcement Learning, Data Consumption, Context Learning 
Übersetzte Stichworte:
Bestärkendes Lernen, Datenkonsum, Kontextuelles Lernen 
TU-Systematik:
DAT 260d; DAT 815d 
Kurzfassung:
This thesis discusses novel information processing methods and algorithms capable of directing attention to relevant details and analysing them in sequence to keep up with the data explosion that has been witnessed in the last decades. The concept of "data consumption" is introduced together with means to minimise it during classification tasks, and a new sequence learning approach is presented that builds an explicit contextual state while traversing sequences. 
Übersetzte Kurzfassung:
In dieser Dissertation werden neue Methoden zur Informationsverarbeitung diskutiert, die in der Lage sind, ihre Aufmerksamkeit auf relevante Details zu richten und diese sequentiell zu verarbeiten, um mit der Datenexplosion Schritt zu halten, die in den letzten Jahrzehnten beobachtet wurde. Das Konzept des "Datenkonsums" und dessen Minimierung für Klassifikation wird eingeführt, sowie eine sequenzielle Lernmethode, die während des Traversierens einen expliziten kontextuellen Zustand aufbaut. 
Mündliche Prüfung:
04.02.2016 
Dateigröße:
4388453 bytes 
Seiten:
169 
Letzte Änderung:
15.04.2016