Open Daily: 10am - 10pm | Alley door pickup 10am - 7pm 3038 Hennepin Ave Minneapolis, MN
612-822-4611

  • Open Daily: 10am - 10pm
    Alley-side Pickup: 10am - 7pm

    3038 Hennepin Ave Minneapolis, MN
    612-822-4611

Open Daily: 10am - 10pm | Alley-side Pickup: 10am - 7pm
3038 Hennepin Ave Minneapolis, MN
612-822-4611
Klassifikation mit Support Vektor Maschinen

Klassifikation mit Support Vektor Maschinen

Baier, Volker

Paperback

General ComputersProgramming

ISBN10: 3640674278
ISBN13: 9783640674275
Publisher: Grin Verlag
Published: Aug 9 2010
Pages: 86
Weight: 0.27
Height: 0.21 Width: 5.83 Depth: 8.27
Language: German
Diplomarbeit aus dem Jahr 1998 im Fachbereich Informatik - Theoretische Informatik, Note: 1,5, Universität Ulm, Sprache: Deutsch, Abstract: Stellen Sie sich vor, Sie könnten die Welt der Mustererkennung revolutionieren! Diese tiefgreifende Analyse der Support Vektor Maschinen (SVM) eröffnet Ihnen die Tür zu einer neuen Dimension des maschinellen Lernens. Von den fundamentalen Konzepten der Musterklassifikation, einschlie lich Bayes- und Maximum-Likelihood-Klassifikatoren, bis hin zu den komplexen neuronalen Netzen wie Perzeptron und Learning Vector Quantization (LVQ), führt Sie diese Arbeit durch das gesamte Spektrum der modernen Klassifikationsmethoden. Der Fokus liegt dabei auf der detaillierten Untersuchung der SVM, einer Methode, die durch ihre Fähigkeit, auch in hochdimensionalen Räumen optimale Trennhyperebenen zu finden, besticht. Entdecken Sie, wie Kernelfunktionen es ermöglichen, nicht-lineare Zusammenhänge zu erkennen und somit eine präzisere Klassifikation zu erreichen. Ein besonderes Augenmerk gilt der quadratischen Optimierung, dem mathematischen Herzstück der SVM, sowie den Strategien zur Multiklassen-Diskriminierung, die es erlauben, die SVM auf Probleme mit mehr als zwei Klassen anzuwenden. Die praktische Relevanz dieser Techniken wird anhand eines realen Datensatzes zur Ziffernerkennung demonstriert. Die angewandten Vorverarbeitungsschritte, wie z-Transformation und Principal Components Analysis (PCA), werden detailliert erläutert und ihre Auswirkungen auf die Klassifikationsleistung analysiert. Vergleiche mit anderen Methoden, wie der LVQ, runden die Analyse ab und verdeutlichen die Stärken und Schwächen der SVM im Kontext verschiedener Anwendungen. Tauchen Sie ein in die Welt der Support Vektor Maschinen und entdecken Sie das Potential dieser leistungsstarken Methode für Ihre eigenen Projekte im Bereich der Datenanalyse und Mustererkennung. Ob Ziffernerkennung, Bildverarbeitung oder andere anspruchsvolle Klassifikationsaufgaben - diese Arbeit lief

Also in

Programming

View All