Benutzer: Gast  Login
Weniger Felder
Einfache Suche
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