Benutzer: Gast  Login
Originaltitel:
Machine Learning Methods for Detecting Rare Events in Temporal Data 
Übersetzter Titel:
Maschinelles Lernen zur Entdeckung seltener Ereignisse in temporalen Daten 
Jahr:
2018 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
Pfeffer, Jürgen (Prof. Dr.) 
Gutachter:
Pfeffer, Jürgen (Prof. Dr.); Ntoutsi, Eirini (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
TU-Systematik:
SOZ 700d 
Kurzfassung:
In this thesis, we address the anomaly and event detection challenge in temporal data by developing and extending intelligent data driven algorithms. By focusing on different temporal data domains, this thesis deals with detecting two categories of anomalies: (i) Local anomalies, where the goal is to find rare time intervals whose values deviate from the remaining measured data points. (ii) Global anomalies, where whole instances are detected as anomalies which statistically behave differently...    »
 
Übersetzte Kurzfassung:
Diese Arbeit adressiert das Problem der Anomalieerkennung in temporalen Daten durch die Entwicklung datengetriebener Algorithmen. Unter Berücksichtigung verschiedener temporaler Datendomänen, behandelt diese Arbeit das Problem von selten auftretenden Events, in zwei Kategorien:(i) Lokale Anomalien, wo Teilintervalle innerhalb einer Zeitreihe zu finden sind, welche von den restlichen Messwerten abweichen.(ii) Globale Anomalien, wo gesamte Instanzen als Anomalien erkannt werden, welche von den ver...    »
 
Mündliche Prüfung:
08.08.2018 
Dateigröße:
5215186 bytes 
Seiten:
103 
Letzte Änderung:
05.09.2018