Benutzer: Gast  Login
Originaltitel:
Algorithms for Large-scale Learning from Heterogeneous Survival Data 
Übersetzter Titel:
Methoden des maschinellen Lernens zur Analyse von Überlebenszeiten basierend auf heterogenen Daten 
Jahr:
2016 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
Navab, Nassir (Prof. Dr.) 
Gutachter:
Navab, Nassir (Prof. Dr.); Hothorn, Torsten (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik; MED Medizin 
Stichworte:
survival analysis, machine learning, support vector machine, convex optimization, dimensionality reduction 
Übersetzte Stichworte:
Maschinelles Lernen, Analyse von Überlebenszeiten, Support Vector Machine, Convexe Optimierung, Dimensionsreduktion 
TU-Systematik:
MED 230d; DAT 760d 
Kurzfassung:
This thesis develops machine learning methods for predicting the time to an adverse event based on heterogeneous and high-dimensional health records. I introduce a training algorithm for the survival support vector machine that avoids the high time and space complexity of previous algorithms. Second, a comparative analysis of 19 dimensionality reduction methods for survival analysis is presented. Finally, I describe heterogeneous ensembles in the context of the Prostate Cancer DREAM challenge. 
Übersetzte Kurzfassung:
In dieser Arbeit werden Methoden des maschinellen Lernens zur Analyse von Überlebenszeiten vorgestellt. Ich beschreibe einen verbesserten Algorithmus zum Trainieren einer Survival Support Vector Machine. Zweitens wird ein Vergleich von 19 Methoden zur Dimensionsreduktion und der Analyse von Überlebenszeiten durchgeführt. Schließlich beschreibe ich Heterogeneous Ensembles in meinem Beitrag zur Prostate Cancer DREAM Challenge. 
Mündliche Prüfung:
24.05.2016 
Dateigröße:
4422516 bytes 
Seiten:
251 
Letzte Änderung:
01.06.2017