Tristan Funken

Guided Visual Interactive Exploration and Labeling of Industrial Sensor Data


voorkant	achterkant

ISBN:

978-3-8440-9415-2

Reeks:

Informatik

Trefwoorden:

visual analytics; exploratory data analysis; interactive machine learning; data labeling; manufacturing; sensor data

Soort publicatie:

Dissertatie

Taal:

Engels

Pagina's:

192 pagina's

Gewicht:

338 g

Formaat:

24 x 17 cm

Bindung:

Softcover

Prijs:

58,80 € / 73,60 SFr

Verschijningsdatum:

Maart 2024

Kopen:

DOI:

10.2370/9783844094152 (Online-Publicatie-Document)

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		44,10 EUR
	Acties		Tonen en kopen van het bestand - 9,6 MB (10064586 Byte)
	Acties		Kopen en downloaden van het bestand - 9,6 MB (10064586 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 3,3 MB (3459276 Byte)
	Acties		downloaden van het bestand - 3,3 MB (3459276 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

Comprehensive, accurately labeled sensor datasets are an essential prerequisite for training supervised machine learning models used for tasks such as quality control, predictive maintenance, and defect detection in the manufacturing industry. However, the provision of such datasets still poses two specific challenges: first, performing exploratory data analysis (EDA) to provide data scientists with the necessary knowledge in the domain context to label the data, and second, a lack of visual interactive labeling (VIAL) approaches to efficiently annotate large volumes of industrial sensor data with accurate labels. This dissertation proposes the innovative VIEDAL process, integrating guidance systems for both EDA and VIAL tasks. Drawing from real-world use cases, this thesis presents a detailed system design to support each task, addressing feasibility and usefulness through a comprehensive design study. The EDA guidance system records domain expert interactions to generate guided sessions for novices, while the VIAL guidance system incorporates unsupervised and active learning approaches to streamline dataset annotation. Through user studies, the effectiveness of the proposed systems is evaluated, demonstrating reproducibility of expert key insights through generated EDA sessions and faster creation high quality labeled datasets. Additionally, this work discusses approaches for transferring recorded EDA sessions and VIAL models between use cases to streamline future guidance system implementations. The results of this thesis provide a foundational for further research to expedite the creation of labeled sensor datasets, thereby facilitating faster development and integration of machine learning models for enhancing production processes in the manufacturing industry.