Logo des Repositoriums

Auflistung nach Autor:in "Gieseke, Fabian"

1 - 3 von 3
  • Zeitschriftenartikel
    From Supervised to Unsupervised Support Vector Machines and Applications in Astronomy
    (KI - Künstliche Intelligenz: Vol. 27, No. 3, 2013) Gieseke, Fabian
    Support vector machines are among the most popular techniques in machine learning. Given sufficient labeled data, they often yield excellent results. However, for a variety of real-world tasks, the acquisition of sufficient labeled data can be very time-consuming; unlabeled data, on the other hand, can often be obtained easily in huge quantities. Semi-supervised support vector machines try to take advantage of these additional unlabeled patterns and have been successfully applied in this context. However, they induce a hard combinatorial optimization problem. In this work, we present two optimization strategies that address this task and evaluate the potential of the resulting implementations on real-world data sets, including an example from the field of astronomy.
  • Konferenzbeitrag
    Support Vector Machines for Wind Energy Prediction in Smart Grids
    (Proceedings of the 27th Conference on Environmental Informatics - Informatics for Environmental Protection, Sustainable Development and Risk Management, 2013) Kramer, Oliver; Treiber, Nils André; Gieseke, Fabian
    In recent years, there has been a significant increase in energy produced by sustainable resources like wind- and solar power plants. This led to a shift from traditional energy systems to so-called smart grids (i.e., distributed systems of energy suppliers and consumers). While the sustainable energy resources are very appealing from an environmental point of view, their volatileness renders the integration into the overall energy system difficult. For this reason, shortterm wind and solar energy prediction systems are essential for balance authorities to schedule spinning reserves and reserve energy. In this chapter, we build upon our previous work and provide a detailed practical analysis of several wind energy learning scenarios. Our approach makes use of support vector regression models, one of the state-of-the art techniques in the field of machine learning, to build effective predictors for single wind turbines based on data given for neighbored turbines.
  • Textdokument
    Von überwachten zu unüberwachten Support-Vektor-Maschinen und Anwendungen in der Astronomie
    (Ausgezeichnete Informatikdissertationen 2012, 2013) Gieseke, Fabian
    Ein bekanntes Problem des maschinellen Lernens ist die Klassifikation von Objekten. Entsprechende Modelle basieren dabei meist auf Trainingsdaten, welche aus Mustern mit zugehörigen Labeln bestehen. Die Erstellung eines hinreichend großen Datensatzes kann sich für gewisse Anwendungsfälle jedoch als sehr kosten- oder zeitintensiv erweisen. Eine aktuelle Forschungsrichtung des maschinellen Lernens zielt auf die Verwendung von (zusätzlichen) ungelabelten Mustern ab, welche oft ohne großen Aufwand gewonnen werden können. In diesem Beitrag wird die Erweiterung von sogenannten Support-Vektor-Maschinen auf solche Lernszenarien beschrieben. Im Gegensatz zu Support-Vektor-Maschinen führen diese Varianten jedoch zu kombinatorischen Optimierungsproblemen. Die Entwicklung effizienter Optimierungsstrategien ist daher ein erstrebenswertes Ziel und soll im Rahmen dieses Beitrags diskutiert werden. Weiterhin werden mögliche Anwendungsgebiete der entsprechenden Verfahren erläutert, welche sich unter anderem im Bereich der Astronomie wiederfinden.