h1

000813701 001__ 813701
000813701 005__ 20230411161356.0
000813701 0247_ $$2HBZ$$aHT020872829
000813701 0247_ $$2Laufende Nummer$$a40168
000813701 0247_ $$2datacite_doi$$a10.18154/RWTH-2021-01905
000813701 037__ $$aRWTH-2021-01905
000813701 041__ $$aEnglish
000813701 082__ $$a620
000813701 1001_ $$0P:(DE-588)1229518975$$aCremanns, Kevin$$b0$$urwth
000813701 245__ $$aProbabilistic machine learning for pattern recognition and design exploration$$cvorgelegt von M.Sc. Kevin Cremanns$$honline
000813701 260__ $$aAachen$$bRWTH Aachen University$$c2021
000813701 300__ $$a1 Online-Ressource : Illustrationen, Diagramme
000813701 3367_ $$02$$2EndNote$$aThesis
000813701 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000813701 3367_ $$2BibTeX$$aPHDTHESIS
000813701 3367_ $$2DRIVER$$adoctoralThesis
000813701 3367_ $$2DataCite$$aOutput Types/Dissertation
000813701 3367_ $$2ORCID$$aDISSERTATION
000813701 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University
000813701 502__ $$aDissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2021$$bDissertation$$cRheinisch-Westfälische Technische Hochschule Aachen$$d2021$$gFak05$$o2021-02-10
000813701 5203_ $$aDie folgende Arbeit befasst sich mit der Entwicklung neuer probabilistischer Modelle auf Basis des maschinellen Lernens, mit dem Fokus auf Effizienz, Flexibilität, Anwendbarkeit, Skalierbarkeit und einer möglichst hohen Prognosegüte. Dabei werden Problemstellungen aus den Bereichen: Regression, Klassifizierung, Bilderkennung, Zeitreihen und die Abbildung von räumlich und / oder zeitlich korrelierten Größen behandelt. Um diese Ziele zu erreichen, wird neben der Entwicklung der Modelle, auch deren Zusammenspiel mit dem Themenfeld der Datenerzeugung untersucht. Dabei wird die berechenbare Unsicherheit der probabilistischen Modelle genutzt, um mit möglichst wenig Datenpunkten den maximalen Informationsgewinn zu erlangen. Diese Methodik wird ebenfalls für die effiziente Lösung von Optimierungsfragestellungen genutzt. Um nicht nur ein möglichst genaues Modell der Daten zu erhalten, sondern auch um ein tieferes Verständnis der Zusammenhänge zu erlangen, sind Methoden der Sensitivitätsanalyse ein weiterer Bestandteil dieser Arbeit. Die entwickelten probabilistischen Modelle werden dazu verwendet, die bei der Sensitivitätsanalyse notwendigen Berechnungen so effizient wie möglich durchzuführen, unter anderem auch für korrelierte Eingangsgrößen.$$lger
000813701 520__ $$aThe following thesis deals with the development of new probabilistic machine learning models with a focus on efficiency, flexibility, applicability, scalability and high prediction accuracy. Therefore, learning tasks from the areas of regression, classification, image classification, time series as well as the representation of spatial and / or temporally correlated quantities are examined. In order to achieve these goals and in addition to the development of the models themselves, their interaction to the field of data generation is also investigated. The calculable uncertainty of the probabilistic models is used to obtain the maximum information gain with as few data points as possible. This methodology is also used for the efficient solving of optimization problems. Besides obtaining an accurate approximation model of the data, a deeper understanding of the correlations between input and output is desired, therefore the topic of sensitivity analysis is a further part of this work. The developed probabilistic models are used to evaluate the number of calculations needed to estimate the sensitivities as efficiently as possible, even for correlated inputs.$$leng
000813701 588__ $$aDataset connected to Lobid/HBZ
000813701 591__ $$aGermany
000813701 653_7 $$aBayesian optimization
000813701 653_7 $$adesign of experiment
000813701 653_7 $$agaussian processes
000813701 653_7 $$amachine learning
000813701 653_7 $$aneural networks
000813701 653_7 $$asensitivity analysis
000813701 7001_ $$0P:(DE-82)200606$$aReh, Stefan$$b1$$eThesis advisor$$urwth
000813701 7001_ $$0P:(DE-82)IDM00265$$aMünstermann, Sebastian$$b2$$eThesis advisor$$urwth
000813701 7001_ $$aRoos, Dirk$$b3$$eThesis advisor
000813701 8564_ $$uhttps://publications.rwth-aachen.de/record/813701/files/813701.pdf$$yOpenAccess
000813701 8564_ $$uhttps://publications.rwth-aachen.de/record/813701/files/813701_source.zip$$yRestricted
000813701 909CO $$ooai:publications.rwth-aachen.de:813701$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
000813701 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00265$$aRWTH Aachen$$b2$$kRWTH
000813701 9141_ $$y2021
000813701 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000813701 9201_ $$0I:(DE-82)521110_20140620$$k521110$$lLehrstuhl für Werkstoffchemie$$x0
000813701 9201_ $$0I:(DE-82)520000_20140620$$k520000$$lFachgruppe für Materialwissenschaft und Werkstofftechnik$$x1
000813701 961__ $$c2021-04-21T10:16:22.716557$$x2021-02-15T18:33:18.274012$$z2021-04-21T10:16:22.716557
000813701 9801_ $$aFullTexts
000813701 980__ $$aI:(DE-82)520000_20140620
000813701 980__ $$aI:(DE-82)521110_20140620
000813701 980__ $$aUNRESTRICTED
000813701 980__ $$aVDB
000813701 980__ $$aphd