Andere Kunden interessierten sich auch für
![Twitter Spam-Erkennung und Traffic-Klassifizierung]( "Twitter Spam-Erkennung und Traffic-Klassifizierung")
Twitter Spam-Erkennung und Traffic-Klassifizierung43,90 €![MASCHINELLES LERNEN PINNACLE]( "MASCHINELLES LERNEN PINNACLE")
MASCHINELLES LERNEN PINNACLE84,90 €![Sicherung des Webs: Maschinelles Lernen zur Erkennung von CSRF-Schwachstellen]( "Sicherung des Webs: Maschinelles Lernen zur Erkennung von CSRF-Schwachstellen")
Sicherung des Webs: Maschinelles Lernen zur Erkennung von CSRF-Schwachstellen43,90 €![Erkennung bösartiger Software mit Techniken des maschinellen Lernens]( "Erkennung bösartiger Software mit Techniken des maschinellen Lernens")
Erkennung bösartiger Software mit Techniken des maschinellen Lernens43,90 €![Maschinelles Lernen und Text Mining-Methoden zur Auswertung biologischer Datensätze]( "Maschinelles Lernen und Text Mining-Methoden zur Auswertung biologischer Datensätze")
Maschinelles Lernen und Text Mining-Methoden zur Auswertung biologischer Datensätze54,90 €![Roadmap zur intelligenten Mobilität: Maschinelles Lernen in vernetzten Fahrzeuge]( "Roadmap zur intelligenten Mobilität: Maschinelles Lernen in vernetzten Fahrzeuge")
Roadmap zur intelligenten Mobilität: Maschinelles Lernen in vernetzten Fahrzeuge43,90 €![Einblicke für Studierende freischalten: Leistungsanalyse mit Enhanced K-Means]( "Einblicke für Studierende freischalten: Leistungsanalyse mit Enhanced K-Means")
Einblicke für Studierende freischalten: Leistungsanalyse mit Enhanced K-Means43,90 €
Der Erfolg von Lösungen für das Internet der Dinge ermöglichte die Einführung neuer Anwendungen wie die intelligente hydroponische Landwirtschaft. Ein typisches Problem bei einer solchen Anwendung ist die schnelle Verschlechterung der eingesetzten Sensoren. Traditionell wird dieses Problem durch häufige manuelle Wartung gelöst, die als ineffektiv angesehen wird und den Pflanzen auf lange Sicht schaden kann. Das Hauptziel dieser Arbeit war es, einen maschinellen Lernansatz für die automatische Erkennung von Sensorfehlern vorzuschlagen. Darüber hinaus wurde die Funktionsfähigkeit der Lösung in einer Cloud-Computing-Umgebung im Hinblick auf die Reaktionszeit untersucht. In dieser Arbeit wird ein Erkennungsalgorithmus vorgeschlagen, der NN zur Vorhersage von Sensordrifts aus Zeitseriendatenströmen verwendet. Der Erkennungsalgorithmus wurde später benannt; CNN und NB wurden entwickelt, um Sensorabweichungen mithilfe von Vorhersage- und Klassifizierungstechniken vorherzusagen. Die Algorithmen wurden im Hinblick auf relevante Genauigkeitsmetriken für Vorhersage und Klassifizierung miteinander verglichen. Die Funktionsfähigkeit der Lösung wurde durch die Entwicklung eines Webservers untersucht, der den Algorithmus auf einer Thing-Speak-Computing-Instanz hostete.