Evolutionäres Lernen von Regelsystemen

Kurzanzeige
dc.contributor.authorGraf, Sebastian
dc.date.accessioned2011-03-24T16:08:56Zdeu
dc.date.available2011-03-24T16:08:56Zdeu
dc.date.issued2005deu
dc.description.abstractIm 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.deu
dc.description.versionpublished
dc.format.mimetypeapplication/pdfdeu
dc.identifier.ppn121103498deu
dc.identifier.urihttp://kops.uni-konstanz.de/handle/123456789/6041
dc.language.isodeudeu
dc.legacy.dateIssued2005deu
dc.rightsterms-of-usedeu
dc.rights.urihttps://rightsstatements.org/page/InC/1.0/deu
dc.subjectPittsburgh Ansatzdeu
dc.subjectPittsburgh Approachdeu
dc.subject.ddc004deu
dc.subject.gndGenetischer Algorithmusdeu
dc.subject.gndData Miningdeu
dc.subject.gndKlassifikationdeu
dc.titleEvolutionäres Lernen von Regelsystemendeu
dc.title.alternativeEvolutionary Learning of Rule-Systemseng
dc.typeBSC_THESISdeu
dspace.entity.typePublication
kops.citation.bibtex
@mastersthesis{Graf2005Evolu-6041,
  year={2005},
  title={Evolutionäres Lernen von Regelsystemen},
  author={Graf, Sebastian}
}
kops.citation.iso690GRAF, Sebastian, 2005. Evolutionäres Lernen von Regelsystemen [Bachelor thesis]deu
kops.citation.iso690GRAF, Sebastian, 2005. Evolutionäres Lernen von Regelsystemen [Bachelor thesis]eng
kops.citation.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>
kops.description.openAccessopenaccessgreen
kops.flag.knbibliographyfalse
kops.identifier.nbnurn:nbn:de:bsz:352-opus-16322deu
kops.opus.id1632deu
relation.isAuthorOfPublication8ca956e4-3c39-4c6c-8abf-3ab945161714
relation.isAuthorOfPublication.latestForDiscovery8ca956e4-3c39-4c6c-8abf-3ab945161714

Dateien

Originalbündel

Gerade angezeigt 1 - 1 von 1
Vorschaubild nicht verfügbar
Name:
bsc_arbeit.pdf
Größe:
1.11 MB
Format:
Adobe Portable Document Format
bsc_arbeit.pdf
bsc_arbeit.pdfGröße: 1.11 MBDownloads: 185

Sammlungen

Informatik und Informationswissenschaft: Publikationen