Andere Kunden interessierten sich auch für
![Optimierungsmethoden]( "Optimierungsmethoden")
Optimierungsmethoden54,99 €![Proceedings. 27. Workshop Computational Intelligence, Dortmund, 23. - 24. November 2017]( "Proceedings. 27. Workshop Computational Intelligence, Dortmund, 23. - 24. November 2017")
Proceedings. 27. Workshop Computational Intelligence, Dortmund, 23. - 24. November 201744,00 €![Automating the Design of Data Mining Algorithms]( "Automating the Design of Data Mining Algorithms")
Automating the Design of Data Mining Algorithms83,99 €![Automating the Design of Data Mining Algorithms]( "Automating the Design of Data Mining Algorithms")
Automating the Design of Data Mining Algorithms74,99 €![Bildverarbeitung für die Medizin 2019]( "Bildverarbeitung für die Medizin 2019")
Bildverarbeitung für die Medizin 201964,99 €![Künstliche Intelligenz]( "Künstliche Intelligenz")
Künstliche Intelligenz24,99 €![Maschinelles Lernen und Wissensbasierte Systeme]( "Maschinelles Lernen und Wissensbasierte Systeme")
Maschinelles Lernen und Wissensbasierte Systeme54,99 €
In der Arbeit von Daniel Lückehe wird ein neues hybrides Verfahren zur Dimensionsreduktion methodisch erarbeitet, analysiert und durch experimentelle Tests mit vorhandenen Methoden verglichen. Hochdimensionale Daten, häufig zusammengefasst unter dem Begriff "Big Data", liegen heutzutage in vielen Bereichen vor. Darunter fallen beispielsweise visuell erfasste Informationen, in denen Muster erkannt werden sollen, Anwendungen im medizinischen Bereich sowie Daten aus dem Gebiet der Astronomie. Eine Dimensionsreduktion kann dabei helfen, Informationen aus großen, hochkomplexen Datensätzen zu gewinnen und diese besser verarbeiten zu können. So können Daten beispielsweise auf einen zweidimensionalen Raum abgebildet und somit für den Menschen visuell erfassbar werden.