Logo des Repositoriums
 

Beweisbar Gesetzmäßigkeiten in Daten finden und ausnutzen

dc.contributor.authorNeumann, Stefan
dc.contributor.editorHölldobler, Steffen
dc.date.accessioned2022-01-14T14:02:01Z
dc.date.available2022-01-14T14:02:01Z
dc.date.issued2021
dc.description.abstractIm letzten Jahrzehnt gab es immensen Fortschritt und Wachstum in den Bereichen der Künstlichen Intelligenz und des Maschinellen Lernens. Ermöglicht wurde diese Entwicklung durch spezialisierte neue Hardware, die immer größere Verfügbarkeit von Daten und Durchbrüche bei der Entwicklung von Algorithmen, die Gesetzmäßigkeiten in Daten finden und ausnutzen. Obwohl wir uns in der Praxis täglich vom großen Erfolg dieser Algorithmen überzeugen können, ist unser theoretisches Verständnis von ihnen jedoch weiterhin eingeschränkt. Allerdings wären formale Garantien für diese Algorithmen wünschenswert, weil sie wichtige Einblicke in die Stärken und die Grenzen dieser Algorithmen bieten. Diese Dissertation verkleinert die Kluft zwischen Theorie und Praxis, indem wir Algorithmen enwickeln, die beweisbar Gesetzmäßigkeiten in Daten finden und ausnutzen.de
dc.identifier.isbn978-3-88579-775-3
dc.identifier.urihttps://dl.gi.de/handle/20.500.12116/37910
dc.language.isode
dc.publisherGesellschaft für Informatik e.V.
dc.relation.ispartofAusgezeichnete Informatikdissertationen 2020
dc.relation.ispartofseriesLecture Notes in Informatics (LNI) - Proceedings, Volume D-21
dc.titleBeweisbar Gesetzmäßigkeiten in Daten finden und ausnutzende
dc.typeText/Conference Paper
gi.citation.endPage248
gi.citation.publisherPlaceBonn
gi.citation.startPage239
gi.conference.date9.-12. Mai 2021
gi.conference.locationSchoss Dagstuhl, Deutschland

Dateien

Originalbündel
1 - 1 von 1
Vorschaubild nicht verfügbar
Name:
Neumann-Stefan.pdf
Größe:
357.39 KB
Format:
Adobe Portable Document Format