Benutzer: Gast  Login
Mehr Felder
Einfache Suche
Originaltitel:
Sparse Grids for Big Data: Exploiting Parsimony for Large-Scale Learning
Übersetzter Titel:
Dünne Gitter für Big Data: Mit Adaptivität zur hochdimensionalen Datenanalyse
Autor:
Khakhutskyy, Valeriy
Jahr:
2016
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Informatik
Betreuer:
Bungartz, Hans-Joachim (Prof. Dr.)
Gutachter:
Bungartz, Hans-Joachim (Prof. Dr.); Hegland, Markus (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
MAT 650d; DAT 780d
Kurzfassung:
High-dimensional data analysis becomes ubiquitous. Here, nonparametric models, i.e. sparse grid models, suffer exponential growth of complexity in high dimensions. To delay the onset of this curse, this thesis develops the learning algorithms that simultaneously optimise the model parameters and the structure to befit the problem. The new methods increase the range of feasible classification and regression problems, decreasing the training time and the memory footprint of the resulting models.
Übersetzte Kurzfassung:
Hochdimensionalle Datenanalyse wird allgegenwärtig eingesetzt. Nichtparametrische Modelle für Datenanalyse, z.B. dünne Gitter, leiden an exponentiell wachsendem Rechenaufwand in hohen Dimensionen. Um diesen Fluch der Dimensionen zu mindern, verbessert diese Arbeit die Adaptivität hierarchischer Dünngitter-Modelle. Die neuen Methoden erweitern das Spektrum möglicher Probleme, wobei die Trainingszeit und der Speicherverbrauch des Modells reduziert werden.
WWW:
https://mediatum.ub.tum.de/?id=1315972
Eingereicht am:
12.07.2016
Mündliche Prüfung:
23.11.2016
Dateigröße:
9335465 bytes
Seiten:
180
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20161123-1315972-1-7
Letzte Änderung:
05.12.2016
 BibTeX