Andere Kunden interessierten sich auch für
![Maschinelles Lernen von Aktionen]( "Maschinelles Lernen von Aktionen")
Maschinelles Lernen von Aktionen59,00 €![Mathematics for Machine Learning]( "Mathematics for Machine Learning")
Mathematics for Machine Learning92,99 €![Künstliche Intelligenz im Finanzsektor]( "Künstliche Intelligenz im Finanzsektor")
Künstliche Intelligenz im Finanzsektor23,99 €![Analyse des Internetverkehrs mittels Data-Mining]( "Analyse des Internetverkehrs mittels Data-Mining")
Analyse des Internetverkehrs mittels Data-Mining49,00 €![Machine Learning for Audio, Image and Video Analysis]( "Machine Learning for Audio, Image and Video Analysis")
Machine Learning for Audio, Image and Video Analysis64,99 €![Reinforcement Learning for Adaptive Dialogue Systems]( "Reinforcement Learning for Adaptive Dialogue Systems")
Reinforcement Learning for Adaptive Dialogue Systems74,99 €![Proceedings of the 2016 Joint Workshop of Fraunhofer IOSB and Institute for Anthropomatics, Vision and Fusion Laboratory]( "Proceedings of the 2016 Joint Workshop of Fraunhofer IOSB and Institute for Anthropomatics, Vision and Fusion Laboratory")
Proceedings of the 2016 Joint Workshop of Fraunhofer IOSB and Institute for Anthropomatics, Vision and Fusion Laboratory40,00 €
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.