Beweisbar Gesetzmäßigkeiten in Daten finden und ausnutzen
| dc.contributor.author | Neumann, Stefan | |
| dc.contributor.editor | Hölldobler, Steffen | |
| dc.date.accessioned | 2022-01-14T14:02:01Z | |
| dc.date.available | 2022-01-14T14:02:01Z | |
| dc.date.issued | 2021 | |
| dc.description.abstract | Im 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.isbn | 978-3-88579-775-3 | |
| dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/37910 | |
| dc.language.iso | de | |
| dc.publisher | Gesellschaft für Informatik e.V. | |
| dc.relation.ispartof | Ausgezeichnete Informatikdissertationen 2020 | |
| dc.relation.ispartofseries | Lecture Notes in Informatics (LNI) - Proceedings, Volume D-21 | |
| dc.title | Beweisbar Gesetzmäßigkeiten in Daten finden und ausnutzen | de |
| dc.type | Text/Conference Paper | |
| gi.citation.endPage | 248 | |
| gi.citation.publisherPlace | Bonn | |
| gi.citation.startPage | 239 | |
| gi.conference.date | 9.-12. Mai 2021 | |
| gi.conference.location | Schoss Dagstuhl, Deutschland |
Dateien
Originalbündel
1 - 1 von 1
Vorschaubild nicht verfügbar
- Name:
- Neumann-Stefan.pdf
- Größe:
- 357.39 KB
- Format:
- Adobe Portable Document Format