User: Guest  Login
Original title:
Reinforcement Learning in Supervised Problem Domains 
Translated title:
Bestärkendes Lernen für Überwachte Problem-Domänen 
Year:
2016 
Document type:
Dissertation 
Institution:
Fakultät für Informatik 
Advisor:
van der Smagt, Patrick (Prof. Dr.) 
Referee:
van der Smagt, Patrick (Prof. Dr.); Schmidhuber, H. Jürgen (Prof. Dr.) 
Language:
en 
Subject group:
INF Informationswesen, Bibliotheks-, Dokumentations-, Archiv-, Museumswesen 
Keywords:
Reinforcement Learning, Data Consumption, Context Learning 
Translated keywords:
Bestärkendes Lernen, Datenkonsum, Kontextuelles Lernen 
TUM classification:
DAT 260d; DAT 815d 
Abstract:
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. 
Translated abstract:
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. 
Oral examination:
04.02.2016 
File size:
4388453 bytes 
Pages:
169 
Last change:
15.04.2016