User: Guest  Login
Original title:
Analyzing and Predicting Large Vector-, Graph- and Spatio-Temporal Data 
Translated title:
Analyse und Vorhersage von großen Vektor-, Graph und geographischen Zeitreihendaten 
Year:
2017 
Document type:
Dissertation 
Institution:
Fakultät für Informatik 
Advisor:
Kemper, Alfons (Prof., Ph.D.) 
Referee:
Kemper, Alfons (Prof., Ph.D.); Runkler, Thomas (Prof. Dr.) 
Language:
en 
Subject group:
DAT Datenverarbeitung, Informatik 
Keywords:
data mining, machine learning, databases 
Translated keywords:
data mining, machine learning, databases 
TUM classification:
DAT 650d 
Abstract:
Large social graph datasets, complex vector data and petabytes of sensor data are being generated every day. Employing this flood of data for the benefit of all, is one of the main challenges of the 21st century. This thesis advances the field of data mining and machine learning for a variety of data types. Additionally it shows a way to integrate these methods in modern main-memory databases, employing examples of classical clustering and classification approaches. 
Translated abstract:
Große soziale Graphdatensätze, komplexe Vektordaten und Petabytes von Sensordaten werden jeden Tag generiert. Diese Flut an Daten nutzbar zu machen zum Gewinn aller, ist eine der Kern-Herausforderungen des 21. Jahrhunderts. Diese Arbeit bringt das Feld von Data Mining und Maschinellem Lernen für eine Auswahl solcher Datentypen voran. Zusätzlich zeigt sie, wie man Methoden dieser Art in moderne relationale Hauptspeicherdatenbanken integrieren kann, am Beispiel klassischer Clustering- und Klassifi...    »
 
Oral examination:
09.11.2017 
File size:
11166861 bytes 
Pages:
222 
Last change:
30.11.2017