Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Enabling Data Analytics and Machine Learning in Model-Driven Software Engineering of Smart IoT Services
Übersetzter Titel:
Unterstützung von Datenanalyse und maschinellem Lernen zur modellbasierten Softwareentwicklung der smarten IoT-Dienste
Autor:
Moin, Armin
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Informatik
Betreuer:
Günnemann, Stephan (Prof. Dr.)
Gutachter:
Günnemann, Stephan (Prof. Dr.); Badii, Atta (Prof.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
Stichworte:
machine learning, internet of things, cyber-physical systems, artificial intelligence, software engineering, domain-specific modeling
Übersetzte Stichworte:
maschinelles lernen, Internet der Dinge, cyber-physische Systeme, künstliche Intelligenz, Softwareentwicklung, domänenspezifische Modellierung
TU-Systematik:
DAT 600; DAT 703; DAT 708
Kurzfassung:
The challenge of creating AI-intensive systems extends beyond software engineering, and requires AI Engineering. This doctoral dissertation proposes a novel approach to support enhanced development of smart services for the IoT. We offer abstraction and automation to the software engineering processes, as well as supporting machine learning practices. This is realized in an integrated and seamless manner by implementing an open-source software modeling tool to validate the proposed approach.
Übersetzte Kurzfassung:
Die Herausforderung, KI-intensive Systeme zu erstellen, geht über das Software-Engineering hinaus und erfordert KI-Engineering. Diese Dissertation schlägt einen Ansatz zur Unterstützung der Entwicklung von smarten Services für das IoT vor. Wir bieten Abstraktion und Automatisierung für die Softwareentwicklung sowie das maschinelle Lernen. Dies wird auf integrierte Weise realisiert, indem ein Open-Source-Software-Modellierungstool implementiert wird, um den vorgeschlagenen Ansatz zu validieren.
WWW:
https://mediatum.ub.tum.de/?id=1660445
Eingereicht am:
07.06.2022
Mündliche Prüfung:
20.07.2022
Dateigröße:
157608198 bytes
Seiten:
187
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20220720-1660445-1-6
Letzte Änderung:
16.08.2022
 BibTeX