Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Algorithms for Large-scale Learning from Heterogeneous Survival Data
Übersetzter Titel:
Methoden des maschinellen Lernens zur Analyse von Überlebenszeiten basierend auf heterogenen Daten
Autor:
Pölsterl, Sebastian Walter
Jahr:
2016
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Informatik
Betreuer:
Navab, Nassir (Prof. Dr.)
Gutachter:
Navab, Nassir (Prof. Dr.); Hothorn, Torsten (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik; MED Medizin
Stichworte:
survival analysis, machine learning, support vector machine, convex optimization, dimensionality reduction
Übersetzte Stichworte:
Maschinelles Lernen, Analyse von Überlebenszeiten, Support Vector Machine, Convexe Optimierung, Dimensionsreduktion
TU-Systematik:
MED 230d; DAT 760d
Kurzfassung:
This thesis develops machine learning methods for predicting the time to an adverse event based on heterogeneous and high-dimensional health records. I introduce a training algorithm for the survival support vector machine that avoids the high time and space complexity of previous algorithms. Second, a comparative analysis of 19 dimensionality reduction methods for survival analysis is presented. Finally, I describe heterogeneous ensembles in the context of the Prostate Cancer DREAM challenge.
Übersetzte Kurzfassung:
In dieser Arbeit werden Methoden des maschinellen Lernens zur Analyse von Überlebenszeiten vorgestellt. Ich beschreibe einen verbesserten Algorithmus zum Trainieren einer Survival Support Vector Machine. Zweitens wird ein Vergleich von 19 Methoden zur Dimensionsreduktion und der Analyse von Überlebenszeiten durchgeführt. Schließlich beschreibe ich Heterogeneous Ensembles in meinem Beitrag zur Prostate Cancer DREAM Challenge.
WWW:
https://mediatum.ub.tum.de/?id=1289752
Eingereicht am:
19.01.2016
Mündliche Prüfung:
24.05.2016
Dateigröße:
4422516 bytes
Seiten:
251
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20160524-1289752-1-0
Letzte Änderung:
01.06.2017
 BibTeX