User: Guest  Login
More Searchfields
Simple search
Original title:
Enabling Data Analytics and Machine Learning in Model-Driven Software Engineering of Smart IoT Services
Translated title:
Unterstützung von Datenanalyse und maschinellem Lernen zur modellbasierten Softwareentwicklung der smarten IoT-Dienste
Author:
Moin, Armin
Year:
2022
Document type:
Dissertation
Faculty/School:
Fakultät für Informatik
Advisor:
Günnemann, Stephan (Prof. Dr.)
Referee:
Günnemann, Stephan (Prof. Dr.); Badii, Atta (Prof.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
Keywords:
machine learning, internet of things, cyber-physical systems, artificial intelligence, software engineering, domain-specific modeling
Translated keywords:
maschinelles lernen, Internet der Dinge, cyber-physische Systeme, künstliche Intelligenz, Softwareentwicklung, domänenspezifische Modellierung
TUM classification:
DAT 600; DAT 703; DAT 708
Abstract:
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.
Translated abstract:
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
Date of submission:
07.06.2022
Oral examination:
20.07.2022
File size:
157608198 bytes
Pages:
187
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20220720-1660445-1-6
Last change:
16.08.2022
 BibTeX