Login
- Originaltitel:
- Machine Learning for Irregularly-Sampled Time Series
- Übersetzter Titel:
- Maschinelles Lernen für unregelmäßig erfasste Zeitreihen
- Autor:
- Biloš, Marin
- Jahr:
- 2024
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Betreuer:
- Günnemann, Stephan (Prof. Dr.)
- Gutachter:
- Günnemann, Stephan (Prof. Dr.); Duvenaud, David Kristjanson (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik
- TU-Systematik:
- DAT 600; DAT 703; DAT 708
- Kurzfassung:
- In this thesis, we consider irregularly-sampled time series, with the goal of defining a generative model for both the measurements and their arrival times. We further extend our approach to address critical tasks such as time series classification, forecasting future values, and imputing missing data.
- Übersetzte Kurzfassung:
- In dieser Arbeit betrachten wir unregelmäßig erfasste Zeitreihen mit dem Ziel, ein generatives Modell sowohl für die Messungen als auch für deren Ankunftszeiten zu definieren. Wir erweitern unseren Ansatz weiter, um kritische Aufgaben wie die Klassifizierung von Zeitreihen, die Vorhersage zukünftiger Werte und die Imputation fehlender Daten anzugehen.
- WWW:
- https://mediatum.ub.tum.de/?id=1705596
- Eingereicht am:
- 13.04.2023
- Mündliche Prüfung:
- 02.02.2024
- Dateigröße:
- 4515592 bytes
- Seiten:
- 180
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240202-1705596-1-7
- Letzte Änderung:
- 05.04.2024
BibTeX
Vorkommen:
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Computation, Information and TechnologyPrüfungsarbeitenDissertationen
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and TechnologyComputer Science