Gieseke, Fabian (2011) From supervised to unsupervised support vector machines and applications in astronomy. PhD, Universität Oldenburg.

Preview

Volltext (4078Kb)

Abstract

Ein klassisches Problem des maschinellen Lernens ist die Klassifikation von Objekten. Falls genügend Trainingsdaten vorhanden sind, führt dieses Konzept in vielen Fällen zu Modellen mit einer exzellenten Güte. Die Erstellung eines hinreichend großen Datensatzes kann sich für gewisse Anwendungsfälle jedoch als aufwendig erweisen. Im Gegensatz zu solchen gelabelten Trainingsdaten stehen ungelabelte Daten oft in großem Umfang zur Verfügung. Um auch letztere mit in den Lernprozess einzubeziehen, wurden in der Literatur unter anderem die sogenannten halb- und unüberwachten Support Vektor Maschinen vorgestellt; beide Erweiterungen führen jedoch zu schwierigen kombinatorischen Optimierungsproblemen. Die Entwicklung von Optimierungsansätzen für beide Erweiterungen ist eines der zentralen Themen der Dissertation. Über diese theoretischen Ausführungen hinaus ist die Anwendung von Techniken des maschinellen Lernens auf aktuelle Fragestellungen in der Astronomie Gegenstand der Arbeit.

["eprint_fieldname_abstract_plus" not defined]

A common task in the field of machine learning is the classification of objects. Given sufficient labeled data, most classification concepts can yield models that exhibit a satisfying classification performance. However, for a variety of real-world tasks, the acquisition of such labeled data can be very time-consuming. In contrast to labeled training data, unlabeled one can often be obtained easily in huge quantities. Semi- and unsupervised techniques aim at taking these unlabeled patterns into account to generate appropriate models. In the literature, various ways of extending support vector machines to these scenarios have been proposed. One of these ways leads to combinatorial optimization tasks. The main part of this thesis deals with the development of optimization strategies for both extensions. Despite these theoretical derivations, possible application domains of machine learning methods in the field of astronomy are discussed.

Item Type:	Thesis (PhD)
Uncontrolled Keywords:	Machine Learning , Support Vector Machines , Semi- and Unsupervised Learning , Astronomy
Controlled Keywords:	Maschinelles Lernen , Teilüberwachtes Lernen , Unüberwachtes Lernen , Astronomie
Subjects:	?? ! ??
Divisions:	School of Computing Science, Business Administration, Economics and Law > Department of Computing Science
Date Deposited:	17 Jan 2013 14:28
Last Modified:	08 Jul 2013 13:04
URI:	https://oops.uni-oldenburg.de/id/eprint/1318
URN:	urn:nbn:de:gbv:715-oops-13989
DOI:
Nutzungslizenz:

Actions (login required)

View Item