haku: @keyword statistics / yhteensä: 9
hakutulos-lista
viite: 1 / 9
« edellinen | seuraava »
Tekijä:Nummenpalo, Jerri
Työn nimi:Polytopal Big Data Statistics
Polytoopit tilastotieteessä ja Big Datassa
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2014
Sivut:v + 41      Kieli:   eng
Koulu/Laitos/Osasto:Perustieteiden korkeakoulu
Oppiaine:Matematiikka   (Mat-1)
Valvoja:Engström, Alexander
Ohjaaja:
Elektroninen julkaisu: http://urn.fi/URN:NBN:fi:aalto-201507013710
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 Aalto  1163   | Arkisto
Avainsanat:extension complexity
polytopes
statistics
Big Data
polytoopit
tilastotiede
Tiivistelmä (fin): Polytoopit ovat geometrisia kappaleita matematiikkassa ja niitä esiintyy erityisesti kombinatoriikkaan liittyvissä ongelmissa.
Tässä diplomityössä tutustutaan kahteen matemaattiseen ongelmaan, joissa molemmissa esiintyy polytooppeja.
Kumpikin ongelma on läheisesti yhteydessä tilastotieteeseen ja isojen tietomäärien - Big Datan - analysointiin.

Ensimmäinen ongelma liittyy polytooppien tehokkaaseen esittämistapaan.
Tarkastelemme tuloksia viimeaikaisista tutkimuksista, jotka liittyvät polytooppien esittämiseen korkeampiulotteisissa Euklidisissa avaruuksissa.
Tutkimme lähemmin korrelaatiopolytoopin esittämistä ja raportoimme tuloksia uudesta artikkelista.
Lisäksi näytämme artikkelissa esitetyn menetelmän rajat, korjaamme siellä esiintyneen virheen ja keskustelemme mahdollisesta vahvemmasta tuloksesta.

Toisessa ongelmassa keskitymme yleistämään tuloksen artikkelista vuodelta 2013.
Yleistämme artikkelissa käytetyn tilastollisen mallin kattamaan korrelaation ja todistamme virherajoja.
Näytämme, että artikkelissa esitetyt väitteet pitävät paikkansa myös yleisemmälle mallille.
Tiivistelmä (eng): Polytopes are geometric objects which arise in combinatorial problems and problems in optimization.
Polytope theory can be used to construct new statistical techniques that help us analyze modern massive data sets.
Big Data refers to methodologies that take into consideration the computational limitations of algorithms when dealing with large data sets.

In the first part of this thesis the topic of extension complexities of polytopes is considered.
There has been a lot of recent research on the matter and it is closely related to Big Data.
A combinatorial proof on the extension complexity of the correlation polytope from a new paper is presented and a minor error is corrected.
As a new result, the strength of the proof is displayed and a possible stronger result is discussed.

In the second part of this thesis a result from a recent article on computational statistics is generalized.
The original research displays the trade-offs between statistical and computational aspects of recovering a high-dimensional vector corrupted by Gaussian noise.
The contribution of this thesis is a result that includes the possibility of correlation in the noise.
Results on error bounds similar to those in the article are reported.
ED:2014-06-27
INSSI tietueen numero: 49344
+ lisää koriin
« edellinen | seuraava »
INSSI