Evolutionäres Lernen von Regelsystemen

Zitieren

Dateien zu dieser Ressource

Prüfsumme: MD5:e752e7783c7b59abb319f55531db782b

GRAF, Sebastian, 2005. Evolutionäres Lernen von Regelsystemen [Bachelor thesis]

@mastersthesis{Graf2005Evolu-6041, title={Evolutionäres Lernen von Regelsystemen}, year={2005}, author={Graf, Sebastian} }

<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/rdf/resource/123456789/6041"> <dcterms:title>Evolutionäres Lernen von Regelsystemen</dcterms:title> <dcterms:available rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2011-03-24T16:08:56Z</dcterms:available> <dc:language>deu</dc:language> <dcterms:issued>2005</dcterms:issued> <void:sparqlEndpoint rdf:resource="http://localhost/fuseki/dspace/sparql"/> <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> <dcterms:rights rdf:resource="http://nbn-resolving.org/urn:nbn:de:bsz:352-20140905103416863-3868037-7"/> <bibo:uri rdf:resource="http://kops.uni-konstanz.de/handle/123456789/6041"/> <dspace:isPartOfCollection rdf:resource="https://kops.uni-konstanz.de/rdf/resource/123456789/36"/> <dc:creator>Graf, Sebastian</dc:creator> <dc:rights>deposit-license</dc:rights> <foaf:homepage rdf:resource="http://localhost:8080/jspui"/> <dcterms:hasPart rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/6041/1/bsc_arbeit.pdf"/> <dspace:hasBitstream rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/6041/1/bsc_arbeit.pdf"/> <dcterms:isPartOf rdf:resource="https://kops.uni-konstanz.de/rdf/resource/123456789/36"/> <dc:contributor>Graf, Sebastian</dc:contributor> <dc:format>application/pdf</dc:format> <dc:date rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2011-03-24T16:08:56Z</dc:date> <dcterms:alternative>Evolutionary Learning of Rule-Systems</dcterms:alternative> </rdf:Description> </rdf:RDF>

Dateiabrufe seit 01.10.2014 (Informationen über die Zugriffsstatistik)

bsc_arbeit.pdf 72

Das Dokument erscheint in:

KOPS Suche


Stöbern

Mein Benutzerkonto