Evolutionäres Lernen von Regelsystemen

Lade...
Vorschaubild
Dateien
bsc_arbeit.pdf
bsc_arbeit.pdfGröße: 1.11 MBDownloads: 101
Datum
2005
Autor:innen
Herausgeber:innen
Kontakt
ISSN der Zeitschrift
Electronic ISSN
ISBN
Bibliografische Daten
Verlag
Schriftenreihe
Auflagebezeichnung
DOI (zitierfähiger Link)
ArXiv-ID
Internationale Patentnummer
Angaben zur Forschungsförderung
Projekt
Open Access-Veröffentlichung
Open Access Green
Core Facility der Universität Konstanz
Gesperrt bis
Titel in einer weiteren Sprache
Evolutionary Learning of Rule-Systems
Publikationstyp
Bachelorarbeit
Publikationsstatus
Published
Erschienen in
Zusammenfassung

Im Data Mining spielen Klassifikation eine große Rolle. Bei Klassifikation werden Regeln gebildet, mit denen unbekannte Daten anhand eines bezeichnenden Attributs eingeordnet werden. In dieser Bachelorarbeit wird ein Ansatz zum Lernen von Regelsystemen basierend auf evolutionären Algorithmen vorgestellt. Dabei wird insbesondere auf die genetischen Algorithmen eingegangen. Im Folgenden werden die beiden bekanntesten Vertreter genetischer Algorithmen zum Lernen von Regeln, der Michigan-Ansatz und der Pittsburgh-Ansatz, näher vorgestellt und miteinander verglichen. Dabei werden Parameter und Erweiterungen beim Pittsburgh-Ansatz vorgestellt und diskutiert. Die Grundlage dieser Arbeit bildet eine Implementierung eines Pittsburgh-Ansatzes im HADES Framework der Arbeitsgruppe Bioinformatik und Information Mining des Fachbereichs Informatik und Informationswissenschaft der Universität Konstanz.

Zusammenfassung in einer weiteren Sprache
Fachgebiet (DDC)
004 Informatik
Schlagwörter
Pittsburgh Ansatz, Pittsburgh Approach
Konferenz
Rezension
undefined / . - undefined, undefined
Forschungsvorhaben
Organisationseinheiten
Zeitschriftenheft
Datensätze
Zitieren
ISO 690GRAF, Sebastian, 2005. Evolutionäres Lernen von Regelsystemen [Bachelor thesis]
BibTex
@mastersthesis{Graf2005Evolu-6041,
  year={2005},
  title={Evolutionäres Lernen von Regelsystemen},
  author={Graf, Sebastian}
}
RDF
<rdf:RDF
    xmlns:dcterms="http://purl.org/dc/terms/"
    xmlns:dc="http://purl.org/dc/elements/1.1/"
    xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
    xmlns:bibo="http://purl.org/ontology/bibo/"
    xmlns:dspace="http://digital-repositories.org/ontologies/dspace/0.1.0#"
    xmlns:foaf="http://xmlns.com/foaf/0.1/"
    xmlns:void="http://rdfs.org/ns/void#"
    xmlns:xsd="http://www.w3.org/2001/XMLSchema#" > 
  <rdf:Description rdf:about="https://kops.uni-konstanz.de/server/rdf/resource/123456789/6041">
    <dc:format>application/pdf</dc:format>
    <dc:rights>terms-of-use</dc:rights>
    <dspace:isPartOfCollection rdf:resource="https://kops.uni-konstanz.de/server/rdf/resource/123456789/36"/>
    <dcterms:hasPart rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/6041/1/bsc_arbeit.pdf"/>
    <dcterms:isPartOf rdf:resource="https://kops.uni-konstanz.de/server/rdf/resource/123456789/36"/>
    <dcterms:available rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2011-03-24T16:08:56Z</dcterms:available>
    <dc:contributor>Graf, Sebastian</dc:contributor>
    <foaf:homepage rdf:resource="http://localhost:8080/"/>
    <dc:creator>Graf, Sebastian</dc:creator>
    <dcterms:abstract xml:lang="deu">Im Data Mining spielen Klassifikation eine große Rolle. Bei Klassifikation werden Regeln gebildet, mit denen unbekannte Daten anhand eines bezeichnenden Attributs eingeordnet werden. In dieser Bachelorarbeit wird ein Ansatz zum Lernen von Regelsystemen basierend auf evolutionären Algorithmen vorgestellt. Dabei wird insbesondere auf die genetischen Algorithmen eingegangen. Im Folgenden werden die beiden bekanntesten Vertreter genetischer Algorithmen zum Lernen von Regeln, der Michigan-Ansatz und der Pittsburgh-Ansatz, näher vorgestellt und miteinander verglichen. Dabei werden Parameter und Erweiterungen beim Pittsburgh-Ansatz vorgestellt und diskutiert. Die Grundlage dieser Arbeit bildet eine Implementierung eines Pittsburgh-Ansatzes im HADES Framework der Arbeitsgruppe Bioinformatik und Information Mining des Fachbereichs Informatik und Informationswissenschaft der Universität Konstanz.</dcterms:abstract>
    <void:sparqlEndpoint rdf:resource="http://localhost/fuseki/dspace/sparql"/>
    <dcterms:issued>2005</dcterms:issued>
    <dcterms:title>Evolutionäres Lernen von Regelsystemen</dcterms:title>
    <dc:language>deu</dc:language>
    <dcterms:rights rdf:resource="https://rightsstatements.org/page/InC/1.0/"/>
    <dcterms:alternative>Evolutionary Learning of Rule-Systems</dcterms:alternative>
    <dspace:hasBitstream rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/6041/1/bsc_arbeit.pdf"/>
    <bibo:uri rdf:resource="http://kops.uni-konstanz.de/handle/123456789/6041"/>
    <dc:date rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2011-03-24T16:08:56Z</dc:date>
  </rdf:Description>
</rdf:RDF>
Interner Vermerk
xmlui.Submission.submit.DescribeStep.inputForms.label.kops_note_fromSubmitter
Kontakt
URL der Originalveröffentl.
Prüfdatum der URL
Prüfungsdatum der Dissertation
Finanzierungsart
Kommentar zur Publikation
Allianzlizenz
Corresponding Authors der Uni Konstanz vorhanden
Internationale Co-Autor:innen
Universitätsbibliographie
Nein
Begutachtet
Diese Publikation teilen