PAC-Lernen zur Insolvenzerkennung und Hotspot-Identifikation
Anwendung statistischer Modelle des algorithmischen Lernens auf betriebswirtschaftliche und bioinformatische Probleme der Praxis
Versandkostenfrei!
Versandfertig in 6-10 Tagen
79,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Die Methoden des maschinellen Lernens erweisen sichnicht nur in der Bioinformatik als sehr effektiv,sondern auch in anderen Bereichen, vor allem wegenihrer Universalität. Ein weiteres Modell im Bereichdes maschinellen Lernens ist das Konzept-Lernen (hierPAC-Lernen). Der Autor entwickelt und analysiert eine für die Praxis relevante Konzeptklasse und die dafür notwendigen Lernalgorithmen. Das PAC-Lernen wird in zwei verschiedenen Anwendungsbereichen, zum einen in der Betriebswirtschaft, zur Insolvenzvorhersage und zum anderen in der Bioinformatik, zur Erkennung von Hotspots in Protein-Protein...
Die Methoden des maschinellen Lernens erweisen sich
nicht nur in der Bioinformatik als sehr effektiv,
sondern auch in anderen Bereichen, vor allem wegen
ihrer Universalität. Ein weiteres Modell im Bereich
des maschinellen Lernens ist das Konzept-Lernen (hier
PAC-Lernen). Der Autor entwickelt und analysiert
eine für die Praxis relevante Konzeptklasse und die
dafür notwendigen Lernalgorithmen. Das PAC-Lernen
wird in zwei verschiedenen Anwendungsbereichen, zum
einen in der Betriebswirtschaft, zur
Insolvenzvorhersage und zum anderen in der
Bioinformatik, zur Erkennung von Hotspots in Protein-
Protein-Wechselwirkungen, validiert. Bei der
Insolvenzvorhersage wird versucht, eine
Aussage über eine bevorstehende Insolvenz eines
deutschen Unternehmens zu treffen. Die Ergebnisse des
PAC-Lernens werden anschließend mit bewährten
Verfahren zur Insolvenzvorhersage verglichen.
Bei der Hotspot-Identifikation in
Protein-Protein-Wechselwirkungen wird versucht,
Aminosäuren, die in Interfaces (Bindestellen)
lokalisiert sind, zu charakterisieren. Durch dieses
Vorgehen werden zwei unterschiedliche
Anwendungsbereiche über dieselbe Methode (PAC-Lernen)
miteinander verknüpft.
nicht nur in der Bioinformatik als sehr effektiv,
sondern auch in anderen Bereichen, vor allem wegen
ihrer Universalität. Ein weiteres Modell im Bereich
des maschinellen Lernens ist das Konzept-Lernen (hier
PAC-Lernen). Der Autor entwickelt und analysiert
eine für die Praxis relevante Konzeptklasse und die
dafür notwendigen Lernalgorithmen. Das PAC-Lernen
wird in zwei verschiedenen Anwendungsbereichen, zum
einen in der Betriebswirtschaft, zur
Insolvenzvorhersage und zum anderen in der
Bioinformatik, zur Erkennung von Hotspots in Protein-
Protein-Wechselwirkungen, validiert. Bei der
Insolvenzvorhersage wird versucht, eine
Aussage über eine bevorstehende Insolvenz eines
deutschen Unternehmens zu treffen. Die Ergebnisse des
PAC-Lernens werden anschließend mit bewährten
Verfahren zur Insolvenzvorhersage verglichen.
Bei der Hotspot-Identifikation in
Protein-Protein-Wechselwirkungen wird versucht,
Aminosäuren, die in Interfaces (Bindestellen)
lokalisiert sind, zu charakterisieren. Durch dieses
Vorgehen werden zwei unterschiedliche
Anwendungsbereiche über dieselbe Methode (PAC-Lernen)
miteinander verknüpft.
Andere Kunden interessierten sich für
