Klassifikation mit neuronalen Netzen: CARTE - cooperative adaptive resonance theory ensembles
Gespeichert in:
| Beteilige Person: | |
|---|---|
| Format: | Hochschulschrift/Dissertation Buch |
| Sprache: | Deutsch |
| Veröffentlicht: |
Berlin
Logos-Verl.
2005
|
| Schriftenreihe: | Advances in information systems and management science
Bd. 16 |
| Schlagwörter: | |
| Links: | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=013522656&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| Umfang: | XVI, 204 S. graph. Darst. 24 cm |
| ISBN: | 3832508031 |
Internformat
MARC
| LEADER | 00000nam a2200000 cb4500 | ||
|---|---|---|---|
| 001 | BV020817239 | ||
| 003 | DE-604 | ||
| 005 | 00000000000000.0 | ||
| 007 | t| | ||
| 008 | 051004s2005 gw d||| m||| 00||| ger d | ||
| 015 | |a 05,N19,0059 |2 dnb | ||
| 015 | |a 05,A38,0054 |2 dnb | ||
| 016 | 7 | |a 97443521X |2 DE-101 | |
| 020 | |a 3832508031 |c kart. : EUR 40.50 (DE), EUR 41.60 (AT), sfr 72.10 |9 3-8325-0803-1 | ||
| 024 | 3 | |a 9783832508036 | |
| 035 | |a (OCoLC)76745094 | ||
| 035 | |a (DE-599)BVBBV020817239 | ||
| 040 | |a DE-604 |b ger |e rakddb | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-BE | ||
| 049 | |a DE-N2 |a DE-1049 |a DE-384 | ||
| 082 | 0 | |a 004 | |
| 084 | |a QH 700 |0 (DE-625)141608: |2 rvk | ||
| 084 | |a 650 |2 sdnb | ||
| 084 | |a 004 |2 sdnb | ||
| 084 | |a 510 |2 sdnb | ||
| 100 | 1 | |a Zabel, Thomas |d 1975- |e Verfasser |0 (DE-588)130267341 |4 aut | |
| 245 | 1 | 0 | |a Klassifikation mit neuronalen Netzen |b CARTE - cooperative adaptive resonance theory ensembles |c Thomas Zabel |
| 264 | 1 | |a Berlin |b Logos-Verl. |c 2005 | |
| 300 | |a XVI, 204 S. |b graph. Darst. |c 24 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 490 | 1 | |a Advances in information systems and management science |v Bd. 16 | |
| 502 | |a Zugl.: Münster (Westfalen), Univ., Diss., 2005 | ||
| 650 | 0 | 7 | |a Entscheidungsfindung |0 (DE-588)4113446-1 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Algorithmische Lerntheorie |0 (DE-588)4701014-9 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Business Intelligence |0 (DE-588)4588307-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a ART-Netz |0 (DE-588)4609102-6 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Fehlertoleranz |0 (DE-588)4123192-2 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Cluster-Analyse |0 (DE-588)4070044-6 |2 gnd |9 rswk-swf |
| 655 | 7 | |0 (DE-588)4113937-9 |a Hochschulschrift |2 gnd-content | |
| 689 | 0 | 0 | |a Business Intelligence |0 (DE-588)4588307-5 |D s |
| 689 | 0 | 1 | |a Entscheidungsfindung |0 (DE-588)4113446-1 |D s |
| 689 | 0 | 2 | |a Cluster-Analyse |0 (DE-588)4070044-6 |D s |
| 689 | 0 | 3 | |a ART-Netz |0 (DE-588)4609102-6 |D s |
| 689 | 0 | 4 | |a Algorithmische Lerntheorie |0 (DE-588)4701014-9 |D s |
| 689 | 0 | 5 | |a Fehlertoleranz |0 (DE-588)4123192-2 |D s |
| 689 | 0 | |5 DE-604 | |
| 830 | 0 | |a Advances in information systems and management science |v Bd. 16 |w (DE-604)BV017077987 |9 16 | |
| 856 | 4 | 2 | |m HBZ Datenaustausch |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=013522656&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-013522656 | |
Datensatz im Suchindex
| _version_ | 1819278219441864704 |
|---|---|
| adam_text | Inhaltsverzeichnis
1. Einleitung 1
1.1. Problembeschreibung 1
1.2. Zielsetzung der Arbeit 4
1.3. Aufbau der Arbeit 5
2. Grundlagen 9
2.1. Lernen 9
2.1.1. Definition 9
2.1.2. Lernmethoden 11
2.1.3. Lernen aus Beispielen 12
2.2. Clustern und Klassifikation 16
2.2.1. Clusterverfahren unüberwachtes Lernen 16
2.2.2. Klassifikation überwachtes Lernen 18
2.2.3. Klassifikationsverfahren 19
2.3. Bewertung von Klassifikatoren 24
2.3.1. Klassifikationsgüte 28
2.3.2. Bias Varianz Dilemma 30
2.3.3. Stabilität 35
2.4. Vergleich von Klassifikatoren 39
2.4.1. Statistische Tests einfache Tests 40
2.4.2. Statistische Tests Cross Validation Tests 42
2.5. Ensemble Lernmethoden 45
2.5.1. Votingstrategien 48
2.5.1.1. Mehrheits Voting (oder einfach Vot.ing) 48
2.5.1.2. Gewichtetes Voting 49
2.5.1.3. Bayes Voting 49
2.5.2. Eigenschaften von Ensembles 50
2.5.2.1. Bias und Varianz 52
V
yj Inhaltsverzeichnis
2.5.2.2. Margin Verteilungen 54
2.5.3. Ensemblemethoden 56
2.5.3.1. Bagging 56
2.5.3.2. Arcing Boosting 57
3. Adaptive Resonanz Theorie ART 61
3.1. Einführung in ART 61
3.1.1. Eigenschaften von ART 65
3.1.2. ART Basisarchitektur: Wettbewerbslernen 66
3.1.3. ART Grundstruktur 68
3.2. ART Modelle 74
3.2.1. ART1 75
3.2.2. Fuzzy ART 80
3.2.2.1. Geometrische Betrachtung 84
3.2.2.2. Stabiles Lernen 87
3.2.3. ARTMAP 87
3.2.3.1. Aufbau 88
3.2.3.2. Punktionsweise Training 89
3.2.3.3. Funktionsweise Test 92
3.2.4. Fuzzy ARTMAP 93
3.2.4.1. Schwachstellen 94
3.2.4.2. Lösungsansätze 96
4. CARTE— Cooperative Adaptive Resonance Theory Ensembles 99
4.1. Motivation 99
4.1.1. Szenarien 100
4.1.2. Testdatensätze 101
4.1.3. Evaluation 104
4.1.4. Bewertung und Gestaltungsbedarf 110
4.2. CARTE Konzept 113
4.2.1. Berücksichtigung des ß Fehlers MiniMax Verfahren 114
4.2.2. Kooperatives Lernen 117
4.2.3. CARTE Algorithmus 121
4.3. Einordnung und Bewertung 125
4.4. CARTE Simulator 129
4.4.1. Anforderungen 129
4.4.2. Technische Umsetzung 130
4.4.3. Software Umsetzung 134
Inhaltsverzeichnis VII
4.4.4. Bewertung 137
5. Simulation Klassifikation von großen Datenbeständen 139
5.1. Problemstellung 139
5.2. Datenvorverarbeitung 141
5.3. Modellgenerierung 143
5.4. Einordnung und Bewertung 146
6. Zusammenfassung und Ausblick 147
A. Anhang 151
A.l. Evaluation 151
A.l.l. Szenario I: 152
A.l.1.1. PIMA Klassifikationsfehler 152
A.l.1.2. AUSCREDIT Klassifikationsfehler 155
A.l.1.3. HEART Klassifikationsfehler 158
A.l.1.4. HEART Fehlklassifikationskosten 161
A.l.2. Szenario II 164
A.l.2.1. PIMA Klassifikationsfehler 164
A.l.2.2. AUSCREDIT Klassifikationsfehler 171
A.l.2.3. HEART Klassifikationsfehler 178
A.l.2.4. HEART Fehlklassifikationskosten 185
A.2. CARTE Skript 192
Tabellenverzeichnis
2.1. Konfusionsmatrix: Beispiel 2x2 28
2.2. Kontingenztafel zur Berechnung der Stabilität 37
2.3. Kontingenztafel zum Vergleich zweier Klassifikatoren 40
4.1. Kennzahlen der Evaluationsdaten . 102
4.2. Fehlklassifikationskosten für den Datensatz HEART 103
4.3. Evaluationsergebnis Szenario I 105
4.4. Evaluationsergebnis Szenario II 107
4.5. ^ Fehler für den Datensatz HEART 114
4.6. Evaluationsergebnisvergleich HEART Kooperatives Lernen vs. Szena¬
rio II 121
4.7. Evaluationsergebnisvergleich PIMA CARTE vs. Referenzalgorithmen 127
4.8. Evaluationsergebnisvergleich AUSCREDIT CARTE vs. Referenzalgo¬
rithmen 128
4.9. Evaluationsergebnisvergleich HEART CARTE vs. Referenzalgorithmen 128
5.1. Fehlklassifikationskosten für die Agenturdaten 140
5.2. Ergebnis der Merkmalsselektion Konfiguration der Faktorladungen . . 142
5.3. Kennzahlen der Agenturdaten 143
5.4. Aufteilung der Agenturdaten 143
5.5. Klassifikationsergebnis Agenturdaten 144
A.l. Vergleich der Ensemblemethoden (Szenario I Klassifikationsfehler)
PIMA: Einmaliges Training 152
A.2. Vergleich der Ensemblemethoden (Szenario I Klassifikationsfehler)
PIMA: Early Stopping 153
A.3. Vergleich der Ensemblemethoden (Szenario I Klassifikationsfehler)
PIMA: Konvergenz Training 154
A.4. Vergleich der Ensemblemethoden (Szenario I Klassifikationsfehler)
AUSCREDIT: Einmaliges Training 155
IX
X Tabellenverzeichnis
A.5. Vergleich der Ensemblemethoden (Szenario I Klassifikationsfehler)
AUSCREDIT: Early Stopping 156
A.6. Vergleich der Ensemblemethoden (Szenario I Klassifikationsfehler)
AUSCREDIT: Konvergenz Training 157
A.7. Vergleich der Ensemblemethoden (Szenario I Klassifikationsfehler)
HEART: Einmaliges Training 158
A.8. Vergleich der Ensemblemethoden (Szenario I Klassifikationsfehler)
HEART: Early Stopping 159
A.9. Vergleich der Ensemblemethoden (Szenario I Klassifikationsfehler)
HEART: Konvergenz Training 160
A.lO.Vergleich der Ensemblemethoden (Szenario I Fehlklassifikationskosten)
Heart Disease: Einmaliges Training 161
A.ll.Vergleich der Ensemblemethoden (Szenario I Fehlklassifikationskosten)
Heart Disease: Early Stopping 162
A. 12. Vergleich der Ensemblemethoden (Szenario I Fehlklassifikationskosten)
Heart Disease: Konvergenz Training 163
A. 13.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
PIMA: Einmaliges Training 164
A. 14.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
PIMA: Early Stopping 165
A. 15.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
PIMA: Konvergenz Training 166
A. 16.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
PIMA: Einmaliges Training Pruning 167
A. 17.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
PIMA: Early Stopping Pruning 168
A.18.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
PIMA: Konvergenz Training Pruning 169
A. 19.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
AUSCREDIT: Einmaliges Training 171
A.20.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
AUSCREDIT: Early Stopping 172
A.21.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
AUSCREDIT: Konvergenz Training 173
A.22.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
AUSCREDIT: Einmaliges Training Pruning 174
A.23.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
AUSCREDIT: Early Stopping Pruning 175
Tabellenverzeichnis XI
A.24.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
AUSCREDIT: Konvergenz Training Pruning 176
A.25.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
HEART: Einmaliges Training 178
A.26.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
HEART: Early Stopping 179
A.27.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
HEART: Konvergenz Training 180
A.28.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
HEART: Einmaliges Training Pruning 181
A.29.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
HEART: Early Stopping Pruning 182
A.30.Vergleich der Ensemblemethoden (Szenario II Klassifikationsfehler)
HEART: Konvergenz Training Pruning 183
A.31.Vergleich der Ensemblemethoden (Szenario II Fehlklassifikationskos¬
ten) Heart Disease: Einmaliges Training 185
A.32.Vergleich der Ensemblemethoden (Szenario II Fehlklassifikationskos¬
ten) Heart Disease: Early Stopping 186
A.33.Vergleich der Ensemblemethoden (Szenario II Fehlklassifikationskos¬
ten) Heart Disease: Konvergenz Training 187
A.34.Vergleich der Ensemblemethoden (Szenario II Fehlklassifikationskos¬
ten) Heart Disease: Einmaliges Training h Pruning 188
A.35.Vergleich der Ensemblemethoden (Szenario II Fehlklassifikationskos¬
ten) Heart Disease: Early Stopping Pruning 189
A.36.Vergleich der Ensemblemethoden (Szenario II Fehlklassifikationskos¬
ten) Heart Disease: Konvergenz Training Pruning 190
Abbildungsverzeichnis
1.1. Struktur der Arbeit 5
2.1. Lernmodelle (unüberwacht vs. überwacht) 11
2.2. Beispiel eines Clusterergebnisses 16
2.3. Klassifikationsaufgabe 19
2.4. Klassifikationsverfahren Ãœberblick 20
2.5. Bayes Klassifikation 24
2.6. Modellauswahl und Modellbeurteilung 26
2.7. Verhalten von Trainings und Validierungsfehler bei der Modellkonstruk¬
tion 27
2.8. Kombination von Klassifikatoren 47
2.9. Ensemble Lernmethode in allgemeiner Form 48
2.10. Drei Gründe für eine mögliche bessere Arbeitsweise eines Ensembles ge¬
genüber eines einzelnen Klassifikators 51
2.11. Margin Verteilungs Graph für Bagging und AdaBoost 54
2.12. Bagging Algorithmus 57
2.13. AdaBoost.Ml Algorithmus 59
2.14. arc x4 Algorithmus 60
3.1. Klassifikation bzgl. p 63
3.2. Anzahl der Kategorien in Abhängigkeit von p 64
3.3. Winner Takes All Netz 67
3.4. Allgemeine Architektur eines ART Netzwerkes 69
3.5. ART Algorithmus 71
3.6. ART Modelle Ãœberblick 74
3.7. ARTl Algorithmus 76
3.8. Fuzzy Operationen 80
3.9. Architektur eines Fuzzy ART Netzwerkes 82
3.10. Fuzzy ART Algorithmus 83
XIII
XIV Abbildungsverzeichnis
3.11. Fuzzy ART: Kategorienerweiterung fast vs. slow learning 86
3.12. Architektur eines ARTMAP Netzwerkes 88
3.13. Daxstellung der Kategorien im zwei dimensionalen Eingaberaum (Gaus
sianART vs. EllipsoidART/DSAM) 98
4.1. Zu untersuchende Ensemble Szenarien 101
4.2. Anzahl der Trainingsiterationen in Abhängigkeit der Trainingsmethode 108
4.3. Durchschnittlicher Fehler und Standardabweichung beim Early Stopping
Datensatz PIMA 109
4.4. Analyse des Klassifikationsfehlers 115
4.5. CARTE Algorithmus 123
4.6. CARTE Evaluationsergebnisse 125
4.7. CARTE Klassendiagramm 131
4.8. RMI Client Server Architektur 133
4.9. Laufzeitvergleich: lokale vs. verteilte Berechnung 134
4.10. CARTE Simulator 135
A.l. Benchmarkanalyse Fuzzy ARTMAP Datensatz PIMA (Fehler) .... 170
A.2. Benchmarkanalyse Fuzzy ARTMAP Datensatz AUSCREDIT (Fehler) 177
A.3. Benchmarkanalyse Fuzzy ARTMAP Datensatz HEART (Fehler) ... 184
A.4. Benchmarkanalyse Fuzzy ARTMAP Datensatz HEART (Kosten) . . 191
|
| any_adam_object | 1 |
| author | Zabel, Thomas 1975- |
| author_GND | (DE-588)130267341 |
| author_facet | Zabel, Thomas 1975- |
| author_role | aut |
| author_sort | Zabel, Thomas 1975- |
| author_variant | t z tz |
| building | Verbundindex |
| bvnumber | BV020817239 |
| classification_rvk | QH 700 |
| ctrlnum | (OCoLC)76745094 (DE-599)BVBBV020817239 |
| dewey-full | 004 |
| dewey-hundreds | 000 - Computer science, information, general works |
| dewey-ones | 004 - Computer science |
| dewey-raw | 004 |
| dewey-search | 004 |
| dewey-sort | 14 |
| dewey-tens | 000 - Computer science, information, general works |
| discipline | Informatik Mathematik Wirtschaftswissenschaften |
| format | Thesis Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02487nam a2200589 cb4500</leader><controlfield tag="001">BV020817239</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">00000000000000.0</controlfield><controlfield tag="007">t|</controlfield><controlfield tag="008">051004s2005 gw d||| m||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">05,N19,0059</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">05,A38,0054</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">97443521X</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3832508031</subfield><subfield code="c">kart. : EUR 40.50 (DE), EUR 41.60 (AT), sfr 72.10</subfield><subfield code="9">3-8325-0803-1</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783832508036</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)76745094</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV020817239</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rakddb</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BE</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-N2</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-384</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">004</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QH 700</subfield><subfield code="0">(DE-625)141608:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">650</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">510</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Zabel, Thomas</subfield><subfield code="d">1975-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)130267341</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Klassifikation mit neuronalen Netzen</subfield><subfield code="b">CARTE - cooperative adaptive resonance theory ensembles</subfield><subfield code="c">Thomas Zabel</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Berlin</subfield><subfield code="b">Logos-Verl.</subfield><subfield code="c">2005</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XVI, 204 S.</subfield><subfield code="b">graph. Darst.</subfield><subfield code="c">24 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="490" ind1="1" ind2=" "><subfield code="a">Advances in information systems and management science</subfield><subfield code="v">Bd. 16</subfield></datafield><datafield tag="502" ind1=" " ind2=" "><subfield code="a">Zugl.: Münster (Westfalen), Univ., Diss., 2005</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Entscheidungsfindung</subfield><subfield code="0">(DE-588)4113446-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Algorithmische Lerntheorie</subfield><subfield code="0">(DE-588)4701014-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Business Intelligence</subfield><subfield code="0">(DE-588)4588307-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">ART-Netz</subfield><subfield code="0">(DE-588)4609102-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Fehlertoleranz</subfield><subfield code="0">(DE-588)4123192-2</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Cluster-Analyse</subfield><subfield code="0">(DE-588)4070044-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4113937-9</subfield><subfield code="a">Hochschulschrift</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Business Intelligence</subfield><subfield code="0">(DE-588)4588307-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Entscheidungsfindung</subfield><subfield code="0">(DE-588)4113446-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Cluster-Analyse</subfield><subfield code="0">(DE-588)4070044-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">ART-Netz</subfield><subfield code="0">(DE-588)4609102-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="4"><subfield code="a">Algorithmische Lerntheorie</subfield><subfield code="0">(DE-588)4701014-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="5"><subfield code="a">Fehlertoleranz</subfield><subfield code="0">(DE-588)4123192-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="830" ind1=" " ind2="0"><subfield code="a">Advances in information systems and management science</subfield><subfield code="v">Bd. 16</subfield><subfield code="w">(DE-604)BV017077987</subfield><subfield code="9">16</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">HBZ Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=013522656&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-013522656</subfield></datafield></record></collection> |
| genre | (DE-588)4113937-9 Hochschulschrift gnd-content |
| genre_facet | Hochschulschrift |
| id | DE-604.BV020817239 |
| illustrated | Illustrated |
| indexdate | 2024-12-20T12:13:04Z |
| institution | BVB |
| isbn | 3832508031 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-013522656 |
| oclc_num | 76745094 |
| open_access_boolean | |
| owner | DE-N2 DE-1049 DE-384 |
| owner_facet | DE-N2 DE-1049 DE-384 |
| physical | XVI, 204 S. graph. Darst. 24 cm |
| publishDate | 2005 |
| publishDateSearch | 2005 |
| publishDateSort | 2005 |
| publisher | Logos-Verl. |
| record_format | marc |
| series | Advances in information systems and management science |
| series2 | Advances in information systems and management science |
| spellingShingle | Zabel, Thomas 1975- Klassifikation mit neuronalen Netzen CARTE - cooperative adaptive resonance theory ensembles Advances in information systems and management science Entscheidungsfindung (DE-588)4113446-1 gnd Algorithmische Lerntheorie (DE-588)4701014-9 gnd Business Intelligence (DE-588)4588307-5 gnd ART-Netz (DE-588)4609102-6 gnd Fehlertoleranz (DE-588)4123192-2 gnd Cluster-Analyse (DE-588)4070044-6 gnd |
| subject_GND | (DE-588)4113446-1 (DE-588)4701014-9 (DE-588)4588307-5 (DE-588)4609102-6 (DE-588)4123192-2 (DE-588)4070044-6 (DE-588)4113937-9 |
| title | Klassifikation mit neuronalen Netzen CARTE - cooperative adaptive resonance theory ensembles |
| title_auth | Klassifikation mit neuronalen Netzen CARTE - cooperative adaptive resonance theory ensembles |
| title_exact_search | Klassifikation mit neuronalen Netzen CARTE - cooperative adaptive resonance theory ensembles |
| title_full | Klassifikation mit neuronalen Netzen CARTE - cooperative adaptive resonance theory ensembles Thomas Zabel |
| title_fullStr | Klassifikation mit neuronalen Netzen CARTE - cooperative adaptive resonance theory ensembles Thomas Zabel |
| title_full_unstemmed | Klassifikation mit neuronalen Netzen CARTE - cooperative adaptive resonance theory ensembles Thomas Zabel |
| title_short | Klassifikation mit neuronalen Netzen |
| title_sort | klassifikation mit neuronalen netzen carte cooperative adaptive resonance theory ensembles |
| title_sub | CARTE - cooperative adaptive resonance theory ensembles |
| topic | Entscheidungsfindung (DE-588)4113446-1 gnd Algorithmische Lerntheorie (DE-588)4701014-9 gnd Business Intelligence (DE-588)4588307-5 gnd ART-Netz (DE-588)4609102-6 gnd Fehlertoleranz (DE-588)4123192-2 gnd Cluster-Analyse (DE-588)4070044-6 gnd |
| topic_facet | Entscheidungsfindung Algorithmische Lerntheorie Business Intelligence ART-Netz Fehlertoleranz Cluster-Analyse Hochschulschrift |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=013522656&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| volume_link | (DE-604)BV017077987 |
| work_keys_str_mv | AT zabelthomas klassifikationmitneuronalennetzencartecooperativeadaptiveresonancetheoryensembles |