Login
- Originaltitel:
- Data Mining and Machine Learning Methods for High-dimensional Patient Data in Dementia Research: Voxel Features Mining, Subgroup Discovery and Multi-view Learning
- Übersetzter Titel:
- Data Mining und Maschinelles Lernen Verfahren für Hochdimensionale Patientendaten in Demenzforschung : Voxel Merkmale Mining, Subgroup Discovery und Multi-View-Learning
- Autor:
- Li, Rui
- Jahr:
- 2017
- 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; MED Medizin
- Stichworte:
- Positron emission tomography, dementia, voxel features mining, subgroup discovery, multi-view learning, data mining
- Übersetzte Stichworte:
- Positronen Emissions Tomographie, Demenz, Voxel Features Mining, Subgroup Discovery, Multi-View-Learning, Datamining
- TU-Systematik:
- BIO 110d
- Kurzfassung:
- Today, patient data often includes large amounts of structured information, such as neuroimaging data, neuropsychological test results, etc. Human beings, however, cannot analyze so much information, at least not without the help of modern data mining and machine learning methods. Given the diverse sources of information, computerized methods show a great promise to help clinicians to discover hidden patterns in disease data.
- Übersetzte Kurzfassung:
- Heutzutage enthalten Patientendaten häufig eine große Menge von strukturierten Informationen, wie beispielsweise Neuroimaging-Daten, neuropsychologische Test Ergebnisse, usw. Allerdings können Menschen so viele Informationen nicht ohne die Hilfe von modernem Datamining und maschinellen Lernverfahren analysieren. Mit Hilfe solch vielfältiger Informationsquellen können Computerwissenschaftler computergestützte Methoden entwickeln, um Muster zu entdecken, welche Ärzten dabei helfen können.
- WWW:
- https://mediatum.ub.tum.de/?id=1310555
- Eingereicht am:
- 22.06.2016
- Mündliche Prüfung:
- 09.01.2017
- Dateigröße:
- 3861704 bytes
- Seiten:
- 164
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20161101-1310555-1-1
- Letzte Änderung:
- 02.02.2017
BibTeX
Vorkommen:
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and TechnologyComputer Science
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and Technology