TY  - THES
AB  - Die vorliegende Arbeit befasst sich mit dem Erwerb von Wissen durch Lernen aus nichtstationären Datenströmen. Ein Datenstrom besteht aus einer kontinuierlichen Folge von Datenobjekten, wobei sich Eigenschaften des datengenerierenden Prozesses im Laufe der Zeit ändern können. Sowohl die Kontinuität und Dynamik als auch die Nichtstationarität von Datenströmen gehen einher mit neuen Herausforderungen für Methoden des maschinellen Lernens.Zwei neue Methoden zum überwachten Lernen (Klassifikation und Regression) auf Datenströmen werden in der Arbeit vorgestellt: IBL-Streams und eFPT. IBLStreams ist ein instanzbasiertes Verfahren und als solches besonders gut geeignet, inkrementell zu lernen und sich adaptiv an Veränderungen des datengenerierenden Prozesses anzupassen, vor allem im Vergleich zu modellbasierten Ansätzen. Der zweite Ansatz, „evolving Fuzzy Pattern Trees“ (eFPT), kombiniert Konzepte der Fuzzy-Logik mit der Flexibilität nichtlinearer Aggregationsfunktionen und der Ausdrucksstärke hierarchischer Strukturen, um interpretierbare Modelle in Form kompakter Bäume zu induzieren. Für diese sogenannten „fuzzy pattern trees“ werden Lernverfahren entwickelt, die es ermöglichen, Bäume inkrementell zu lernen und an Veränderungen des Datenstroms anzupassen.Ein weiterer Beitrag der Arbeit ist ein experimenteller Ansatz, der darauf abzielt, eine wichtige Eigenschaft von Methoden zum Lernen auf Datenströmen zu untersuchen, nämlich die Fähigkeit, auf einen so genannten „concept change“ zu reagieren. Hierunter versteht man eine plötzliche oder graduelle Änderung des datengenerierenden Prozesses, der in der Regel zu einer (temporären) Verschlechterung der Prädiktionsgüte führt. ...
AU  - Shaker, Ammar
CY  - Paderborn
DA  - 2017
DO  - 10.17619/UNIPB/1-79
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 07.12.2016
N1  - Universität Paderborn, Univ., Dissertation, 2016
PB  - Veröffentlichungen der Universität
PY  - 2017
SP  - 1 Online-Ressource (xxiii, 216 Seiten)
T2  - Institut für Informatik
TI  - Novel methods for mining and learning from data streams
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-28259
Y2  - 2025-06-21T21:38:50
ER  -