Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Incremental Linear Model Trees on Big Data
Übersetzter Titel:
Inkrementelle lineare Modellbäume auf Big Data
Autor:
Hapfelmeier, Andreas
Jahr:
2016
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Informatik
Betreuer:
Rost, Burkhard (Prof. Dr.)
Gutachter:
Rost, Burkhard (Prof. Dr.); Kramer, Stefan (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
BIO 110d
Kurzfassung:
Efficient learning algorithms gain importance in the time of Big Data and decentralized data processing (e.g. Internet of Things). The thesis evaluates one class of such efficient algorithms: the incremental linear model trees. The algorithms are systematically compared on stationary Big Data and are improved in their usability by the new pruning extension GuIP and the new data stream processing system PAFAS.
Übersetzte Kurzfassung:
Effiziente Lernalgorithmen werden in Zeiten des Big Data und der dezentralisierten Datenverarbeitung (z.B. im Internet der Dinge) immer wichtiger. Diese Arbeit gibt einen Einblick in eine Klasse solcher effizienter Algorithmen: den inkrementellen linearen Modellbäumen. Die Algorithmen werden sowohl hinsichtlich stationärem Big Data systematisch verglichen, als auch in ihrer Anwendbarkeit durch die neue Pruning-Erweiterung GuIP und das neue datenstromverarbeitende System PAFAS verbessert.
WWW:
https://mediatum.ub.tum.de/?id=1272172
Eingereicht am:
27.07.2015
Mündliche Prüfung:
12.09.2016
Dateigröße:
9385031 bytes
Seiten:
153
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20160912-1272172-1-4
Letzte Änderung:
23.09.2016
 BibTeX