Benutzer: Gast  Login
Originaltitel:
Sparse Grids for Big Data: Exploiting Parsimony for Large-Scale Learning 
Übersetzter Titel:
Dünne Gitter für Big Data: Mit Adaptivität zur hochdimensionalen Datenanalyse 
Jahr:
2016 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
Bungartz, Hans-Joachim (Prof. Dr.) 
Gutachter:
Bungartz, Hans-Joachim (Prof. Dr.); Hegland, Markus (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
TU-Systematik:
MAT 650d; DAT 780d 
Kurzfassung:
High-dimensional data analysis becomes ubiquitous. Here, nonparametric models, i.e. sparse grid models, suffer exponential growth of complexity in high dimensions. To delay the onset of this curse, this thesis develops the learning algorithms that simultaneously optimise the model parameters and the structure to befit the problem. The new methods increase the range of feasible classification and regression problems, decreasing the training time and the memory footprint of the resulting models. 
Übersetzte Kurzfassung:
Hochdimensionalle Datenanalyse wird allgegenwärtig eingesetzt. Nichtparametrische Modelle für Datenanalyse, z.B. dünne Gitter, leiden an exponentiell wachsendem Rechenaufwand in hohen Dimensionen. Um diesen Fluch der Dimensionen zu mindern, verbessert diese Arbeit die Adaptivität hierarchischer Dünngitter-Modelle. Die neuen Methoden erweitern das Spektrum möglicher Probleme, wobei die Trainingszeit und der Speicherverbrauch des Modells reduziert werden. 
Mündliche Prüfung:
23.11.2016 
Dateigröße:
9335465 bytes 
Seiten:
180 
Letzte Änderung:
05.12.2016