h1

000229076 001__ 229076
000229076 005__ 20250613111950.0
000229076 0247_ $$2URN$$aurn:nbn:de:hbz:82-opus-50240
000229076 0247_ $$2HSB$$a999910344953
000229076 0247_ $$2OPUS$$a5024
000229076 0247_ $$2Laufende Nummer$$a33451
000229076 037__ $$aRWTH-CONV-144051
000229076 041__ $$aEnglish
000229076 082__ $$a004
000229076 1001_ $$0P:(DE-82)150264$$aZimmer, Anca M.$$b0$$eAuthor
000229076 245__ $$aLearning comprehensible models for analysis and predictions in scientific databases$$cAnca Zimmer$$honline, print
000229076 246_3 $$aLernen von verständlichen Modellen für Analysen und Vorhersagen in wissenschaftlichen Datenbanken$$yGerman
000229076 250__ $$a1. Aufl.
000229076 260__ $$aAachen$$bApprimus-Verl.$$c2014
000229076 300__ $$aIII, 193 S. : Ill., graph. Darst.
000229076 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000229076 3367_ $$02$$2EndNote$$aThesis
000229076 3367_ $$2DRIVER$$adoctoralThesis
000229076 3367_ $$2BibTeX$$aPHDTHESIS
000229076 3367_ $$2DataCite$$aOutput Types/Dissertation
000229076 3367_ $$2ORCID$$aDISSERTATION
000229076 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
000229076 4900_ $$aErgebnisse aus der Informatik$$v2
000229076 500__ $$aZsfassung in dt. u. engl. Sprache
000229076 502__ $$aZugl.: Aachen, Techn. Hochsch., Diss., 2013$$gFak01$$o2013-12-03
000229076 5203_ $$aEine effiziente Bearbeitung und Analyse von experimentellen Messungen ist ein wesentlicher Bestandteil der Forschung und Entwicklung in einer Vielzahl von Disziplinen (z.B. Maschinenbau, Chemie, Biologie). Forscher führen  Experimente durch und ziehen Schlussfolgerungen basierend auf ihre Beobachtungen. Der aktuelle Stand der Technologie erlaubt es, riesige Datenbestände zu sammeln, die dann ausgewertet werden müssen. In der Umweltforschung werden drahtlose Sensor-Netzwerke verwendet, um Daten an räumlich und zeitlich diskreten Positionen zu sammeln. Im Maschinenbau werden komplexe Prüfstände aufgebaut und Beobachtungen werden aufgezeichnet. Die Forscher streben sowohl nach einer effizienten und effektiven Untersuchung der Ergebnisse, als auch nach der Identifikation von Korrelationen innerhalb der gemessenen Daten. Typischerweise werden analytische Funktionen verwendet, um die experimentellen Daten zu modellieren. Solche Modelle bieten eine kompakte und intuitive Darstellung der zugrunde liegenden Prozesse. Daher können Vorhersagen für Betriebspunkte gemacht werden, für die keine Messungen bereitgestellt wurden. Eine Klasse solcher Modelle sind (stückweise) lineare Funktionen, die üblicherweise in wissenschaftlichen Datenbanken eingesetzt werden, um die Daten darzustellen und Vorhersageanfragen zu beantworten. Diese Arbeit behandelt Techniken zur Identifizierung stückweise linearer Modelle durch den Aufbau von Regressionsbäumen. Neue algorithmische Lösungen für den Aufbau kompakter und gleichzeitig genauer Modelle werden eingeführt und evaluiert. Darüber hinaus wird, bei der Verfügbarkeit solcher Modelle in wissenschaftlichen Datenbanken, das Konzept von inversen Vorhersageanfragen präsentiert und eine vielfalt von Anfragen neu eingeführt.$$lger
000229076 520__ $$aEfficient handling and analysis of experimental measurements is an essential part of research and development in a multitude of disciplines (e.g., engineering, chemistry, biology), since these contain information about the underlying processes. Researchers investigate processes by running experiments and gathering potentially a huge amount of data which is then to be evaluated. For environmental monitoring wireless sensor networks are used to collect data at spatially and temporally discrete positions. In mechanical engineering and related areas, potentially complex test-benches are set up and observations are recorded. Besides an efficient and effective way of exploring multiple results, researchers strive to discover correlations within the measured data. Moreover, model-based prediction of expected measurements can be highly beneficial for designing further experiments. Typically, analytical functions or distributions are used to model the experimental data. Such models can offer a compact and intuitive representation of the underlying processes. Hence, predictions can be made at operating points for which no measurements were provided. One class of simple yet powerful functions suitable for such models are (piecewise) linear regression functions, which are often used in scientific databases for representing the data and performing prediction queries. This thesis covers techniques for identifying piecewise linear models by building regression trees. New algorithmic solutions for building more compact and in the same time accurate models are developed and evaluated. Finally, with such models available in scientific databases, novel solutions are introduced, which enable a wide  range of reverse engineered model-based predictions.$$leng
000229076 591__ $$aGermany
000229076 650_7 $$2SWD$$aKlassifikations- und Regressionsbaum
000229076 650_7 $$2SWD$$aVorhersage
000229076 650_7 $$2SWD$$aDatenbank
000229076 653_7 $$aInformatik
000229076 653_7 $$2eng$$adata mining, prediction
000229076 653_7 $$2eng$$aregression trees
000229076 653_7 $$2eng$$ascientific databases
000229076 7001_ $$0P:(DE-82)001596$$aSeidl, Thomas$$b1$$eThesis advisor
000229076 8564_ $$uhttps://publications.rwth-aachen.de/record/229076/files/5024.pdf
000229076 909CO $$ooai:publications.rwth-aachen.de:229076$$pdnbdelivery$$popenaire$$popen_access$$purn$$pdriver$$pVDB
000229076 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000229076 9201_ $$0I:(DE-82)120000_20140620$$k120000$$lFachgruppe Informatik$$x0
000229076 9201_ $$0I:(DE-82)122510_20140620$$k122510$$lLehrstuhl für Informatik 9 (Datenmanagement und -exploration)$$x1
000229076 961__ $$c2014-09-10$$x2014-06-18$$z2012-02-20
000229076 970__ $$aHT018264009
000229076 9801_ $$aFullTexts
000229076 980__ $$aphd
000229076 980__ $$aI:(DE-82)120000_20140620
000229076 980__ $$aI:(DE-82)122510_20140620
000229076 980__ $$aVDB
000229076 980__ $$aUNRESTRICTED
000229076 980__ $$aConvertedRecord
000229076 980__ $$aFullTexts
000229076 980__ $$abook