haku: @instructor Lendasse, Amaury / yhteensä: 14
hakutulos-lista
viite: 10 / 14
« edellinen | seuraava »
Tekijä:Kärnä, Tuomas
Työn nimi:Functional Data Dimensionality Reduction for Machine Learning
Funktionalinen dimensionalisuuden pienentäminen koneoppimista varten
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2007
Sivut:x + 51 s. + liitt. 8      Kieli:   eng
Koulu/Laitos/Osasto:Sähkö- ja tietoliikennetekniikan osasto
Oppiaine:Informaatiotekniikka   (T-115)
Valvoja:Simula, Olli
Ohjaaja:Lendasse, Amaury
Elektroninen julkaisu: http://urn.fi/urn:nbn:fi:tkk-010112
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark S80     | Arkisto
Avainsanat:dimensionality reduction
functional data analysis
chemometrics
time series prediction
dimension pienentäminen
funktionaalinen data-analyysi
kemometria
aikasarjaennustus
Tiivistelmä (fin):Monimuuttuja-analyysissä korkeadimensioinen informaatio yleistyy jatkuvasti.
Korkean dimension seurauksena laskenta-ajat kasvavat ja ongelmia aiheutuu myös nk. dimensionalisuuden kirouksen (curse of dimensionality) seurauksena.

Tämä diplomityö koskee funktionaliseen data analyysiin perustuvaa dimensionalisuuden pienetämismenetelmää.
Tässä menetelmässä korkeadimensioinen informaatio projisoidaan funktioavaruuteen jossa se voidaan kuvata yksinkertasemmassa muodossa.
Funktioavaruus määritellään Gaussisten kantafunktioiden avulla, jotka on sovitetty kyseessä olevaan ongelmaan mahdollisimman hyvin.

Esitetyttyä menetelmää sovelletaan kemometriaan ja aikasarjaennustukseen.
Regressioon käytetään molemmissa tapauksissa pienimmän neliösumman tukivektorikonetta (Least-Squares Support Vector Machine).
Koetulokset osoittavat, että dimensionalisuutta voidaan pienentää merkittävästi.
Lisäksi saavutettu ennustustarkkuus on parempi tai vähintään samantasoinen verrattuna muihin yleisesti käytössä oleviin menetelmiin.
Tiivistelmä (eng):High dimensional data are becoming more and more common in the field of multivariate data analysis.
However, the high dimensionality is problematic due to increasing computational costs and to the curse of dimensionality.

This thesis concerns dimensionality reduction method that is based on Functional Data Analysis.
High dimensional data are projected on a function space where it can be expressed in more compact form.
The functions space is defined by a set of Gaussian basis functions that are specially adjusted to suit the problem at hand.

The methodology is tested in two applications, chemometrics and time series prediction, using Least-Squares Support Vector Machines for regression.
The experiential results indicate that data dimension can be dramatically reduced.
And what is more, the prediction accuracy is clearly better or at least equivalent compared to other commonly used methods.
ED:2007-12-19
INSSI tietueen numero: 35024
+ lisää koriin
« edellinen | seuraava »
INSSI