Visuelle Erklärungen hochdimensionaler und zeitabhängiger Prozesse
| dc.contributor.author | Hinterreiter, Andreas | |
| dc.contributor.editor | Reischuk, Rüdiger | |
| dc.date.accessioned | 2023-11-09T13:38:09Z | |
| dc.date.available | 2023-11-09T13:38:09Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | Erkenntnisgewinn aus Daten ist die Hauptmotivation sowohl für Forschung im Bereich der Datenvisualisierung als auch im maschinellen Lernen. Die Mittel, mit denen dieses Ziel erreicht werden soll, unterscheiden sich jedoch erheblich zwischen diesen Feldern. Während das maschinelle Lernen in der Regel versucht Entscheidungen zu automatisieren, rückt die Visualisierung den Menschen in den Mittelpunkt. Eine Kombination dieser unterschiedlichen Ansätze kann Nutzer:innen dabei unterstützen, effektive Einblicke in Daten zu erhalten. Diese Dissertation fasst die Ergebnisse aus fünf Arbeiten zusammen, in denen Visualisierung und maschinelles Lernen kombiniert werden – mit Fokus auf zeitliche und/oder hochdimensionale Prozesse. Dabei spannen diese Arbeiten den Bogen von Visualisierungen zur Modellanalyse bis hin zur Datenverarbeitung für Visualisierung. | de |
| dc.identifier.isbn | 978-3-88579-981-8 | |
| dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/42616 | |
| dc.language.iso | de | |
| dc.publisher | Gesellschaft für Informatik e.V. | |
| dc.relation.ispartof | Ausgezeichnete Informatikdissertationen 2022 (Band D23) | |
| dc.title | Visuelle Erklärungen hochdimensionaler und zeitabhängiger Prozesse | de |
| dc.type | Text/Conference Paper | |
| gi.citation.endPage | 100 | |
| gi.citation.publisherPlace | Bonn | |
| gi.citation.startPage | 91 | |
| gi.conference.date | 14.-17.05.2023 | |
| gi.conference.location | Schloss Dagstuhl, Deutschland |
Dateien
Originalbündel
1 - 1 von 1
Vorschaubild nicht verfügbar
- Name:
- Hinterreiter-Andreas.pdf
- Größe:
- 4.05 MB
- Format:
- Adobe Portable Document Format