Daniel Wagner

Beiträge zur KI-basierten Erkennung menschlicher Aktivitäten und zum Einsatz generativer Modelle (GANs)

Bewegungsklassifikation und Erlernen interpretierbarer Repräsentationen


voorkant	achterkant

ISBN:

978-3-8440-7748-3

Reeks:

Informationstechnik

Trefwoorden:

Künstliche Intelligenz; Deep Learning; Maschinelles Lernen; Signalverarbeitung; Überwachtes und unüberwachtes Lernen; Lernen von interpretierbaren Darstellungen; Generative Adversarial Networks

Soort publicatie:

Dissertatie

Taal:

Duits

Pagina's:

210 pagina's

Gewicht:

312 g

Formaat:

21 x 14,8 cm

Bindung:

Softcover

Prijs:

49,80 € / 62,30 SFr

Verschijningsdatum:

December 2020

Kopen:

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Document
	Soort bestand		PDF
	Kosten		37,35 EUR
	Acties		Tonen en kopen van het bestand - 24,2 MB (25342713 Byte)
	Acties		Kopen en downloaden van het bestand - 24,2 MB (25342713 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 2,1 MB (2197960 Byte)
	Acties		downloaden van het bestand - 2,1 MB (2197960 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Recensie-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

In den letzten Jahren sorgte das Gebiet der Künstlichen Intelligenz (KI), insbesondere durch das Forschungsfeld Maschinelles Lernen (ML), für viel Aufmerksamkeit. Bis zum heutigen Zeitpunkt entwickelte sich ML zu einer Schlüsseltechnologie für moderne KI-Anwendungen weiter, wobei die momentan erfolgreichste und damit auch die populärste Methode das tiefe Lernen (engl. Deep Learning) ist. Hierbei steht der Aufbau der neuronalen Netze im Fokus, sodass mittlerweile eine Vielzahl von Architekturen und Typen für die verschiedensten Probleme existieren.

Statt dem Trend des Aufsuchens von immer besseren Architekturen zu folgen, wird in dieser Arbeit ein anderer Ansatz vorgestellt, der sich auf die Vorverarbeitung von Eingangsdaten, d.h. dem Einspeisen von nicht Rohdaten, fokussiert. Es wird aufgezeigt, dass diese neue Methode die Möglichkeit eröffnet, Deep Learning-Modelle zu verwenden, die einen geringeren Rechenaufwand bei gleichzeitiger Steigerung der Klassifikationsgenauigkeit aufweisen.

Der zweite Teil der Arbeit beschäftigt sich mit dem unüberwachten Erlernen von interpretierbaren Darstellungen. Interpretierbare Darstellungen sind komprimierte Datenrepräsentationen, die Variablen enthalten, wobei jede Variable einem markanten oder aussagekräftigen Datenattribut entspricht. Somit lassen sich unter anderem mit generativen Modellen Daten erzeugen, die einer bestimmten Klasse zugehörig sind. Hierfür wird ein Kernel-basiertes Lernverfahren eingeführt, das der derzeitigen Methode gegenübergestellt wird. Anschließend wird das Lernverfahren auf eine praxisnahe Applikation adaptiert, um aufzuzeigen, dass das entwickelte Verfahren auch in der Praxis einsetzbar ist. Hierfür wird eine neue Modellarchitektur vorgestellt, die bisherige Resultate deutlich übertrifft.