Benutzer: Gast  Login
Originaltitel:
Incremental Linear Model Trees on Big Data 
Übersetzter Titel:
Inkrementelle lineare Modellbäume auf Big Data 
Jahr:
2016 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
Rost, Burkhard (Prof. Dr.) 
Gutachter:
Rost, Burkhard (Prof. Dr.); Kramer, Stefan (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
TU-Systematik:
BIO 110d 
Kurzfassung:
Efficient learning algorithms gain importance in the time of Big Data and decentralized data processing (e.g. Internet of Things). The thesis evaluates one class of such efficient algorithms: the incremental linear model trees. The algorithms are systematically compared on stationary Big Data and are improved in their usability by the new pruning extension GuIP and the new data stream processing system PAFAS. 
Übersetzte Kurzfassung:
Effiziente Lernalgorithmen werden in Zeiten des Big Data und der dezentralisierten Datenverarbeitung (z.B. im Internet der Dinge) immer wichtiger. Diese Arbeit gibt einen Einblick in eine Klasse solcher effizienter Algorithmen: den inkrementellen linearen Modellbäumen. Die Algorithmen werden sowohl hinsichtlich stationärem Big Data systematisch verglichen, als auch in ihrer Anwendbarkeit durch die neue Pruning-Erweiterung GuIP und das neue datenstromverarbeitende System PAFAS verbessert. 
Mündliche Prüfung:
12.09.2016 
Dateigröße:
9385031 bytes 
Seiten:
153 
Letzte Änderung:
23.09.2016