Benutzer: Gast  Login
Originaltitel:
Constraint-Based Structural Learning in Bayesian Networks using Finite Data Sets 
Jahr:
2001 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
Brauer, Wilfried (Prof. Dr. Dr. h.c.); Tresp, Volker (Dr.) 
Gutachter:
Brauer, Wilfried (Prof. Dr. Dr. h.c.); Lauritzen, Steffen Lilholt (Prof. Dr.) 
Format:
Text 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
Stichworte:
Bayesian networks; graphical models; structural learning; machine learning 
Übersetzte Stichworte:
Bayessche Netze; Kausale Netze; Graphische Modelle; Strukturlernen; Maschinelles Lernen 
Schlagworte (SWD):
Maschinelles Lernen; Neuronales Netz 
TU-Systematik:
DAT 708d 
Kurzfassung:
Bayesian networks have become a popular probabilistic model for coping with uncertainty. When learning their structure from given data the constraint-based approach has proven to be very efficient in many experiments. However, this approach is only well-understood under certain conditions, typically only when infinite data sets are provided. This thesis focuses on the constraint-based approach for those cases where only a finite amount of data is available, as typical in practical applications....    »
 
Übersetzte Kurzfassung:
Während sich der testbasierte Ansatz zum Strukturlernen in Bayes' schen Netzen in der Praxis als sehr effizient erwiesen hat, kann sein Verhalten bisher nur im asymptotischen Grenzfall verstanden werden. Diese Arbeit charakterisiert die Eigenschaften dieser Lernmethode bei endlichen Datenmengen. Darauf aufbauend werden diverse Verbesserungen dieses Ansatzes entwickelt, insbesondere wie die in endlichen Daten vorhandene Unsicherheit bzgl. der gelernten Strukturen ohne merklich längere Rechenzeit...    »
 
Veröffentlichung:
Universitätsbibliothek der TU München 
Mündliche Prüfung:
18.05.2001 
Dateigröße:
981408 bytes 
Seiten:
183 
Letzte Änderung:
03.07.2007