haku: @keyword pääkomponenttianalyysi / yhteensä: 27
hakutulos-lista
viite: 10 / 27
« edellinen | seuraava »
Tekijä:Virtanen, Seppo Juhani
Työn nimi:Bayesian exponential family projections
Bayesilaisia projektiomenetelmiä eksponentiaaliperheissä
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2010
Sivut:[6] + 47      Kieli:   eng
Koulu/Laitos/Osasto:Elektroniikan, tietoliikenteen ja automaation tiedekunta
Oppiaine:Informaatiotekniikka   (T-61)
Valvoja:Kaski, Samuel
Ohjaaja:Klami, Arto
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  1579   | Arkisto
Avainsanat:approximative Bayesian inference
bayesian modeling
canonical correlation analysis
exponential family
principal component analysis
supervised and unsupervised learning
approksimatiivinen Bayerilainen inferenssi
Bayesilainen mallintaminen
eksponentiaaliperhe
kanoninen korrelaatioanalyysi
ohjaamaton ja ohjattu oppiminen
pääkomponenttianalyysi
Tiivistelmä (fin): Eksploratiivinen data-analyysi tarkoittaa oleellisen informaation löytämistä tietoaineistoista, Koneoppimismenetelmät automatisoivat tämän tavoitteen sovittamalla dataan malleja.
On oleellista, että kaikki taustatieto voidaan käyttää kyseisten mallien rakentamiseen.

Pääkomponenttianalyysi on tyypillinen koneoppimismenetelmä eksploratiiviseen analyysiin.
Viime aikoina sen probabilistiset tulkinnat ovat osoittaneet menetelmän rajoittuneisuuden tietyn tyyppiseen dataan.
Pääkomponenttianalyysin laajennus eksponentiaaliperheen jakaumiin korjaa tämän ongelman.

Työssä esitetään yleinen malliperhe, joka soveltuu usean aineiston analyysiin, rakentamalla pääkomponenttianalyysin eksponentiaaliperheen laajennuksen päälle.
Yhtenäinen viitekehys sisältää menetelmiä, jotka soveltuvat ohjattuun ja ohjaamattomaan oppimiseen.

Aiemmista menetelmistä poiketen työssä käytetään Bayesilaista menetelmää suurimman uskottavuuden menetelmän sijaan.
Bayesilaisessa menetelmässä tausta- tietoa voidaan esittää priorijakaumien muodossa.
Työssä esitetään yleinen priorijakauma, jolla voidaan ottaa jakaumille tyypilliset piirteet huomioon.

Työssä esitetään useita parannuksia mallintamiseen, mallien rakentamiseen, oppimiseen ja tulkintaan liittyen.
Empiirisillä kokeilla osoitetaan, että esitetyt menetelmät toimivat paremmin kuin perinteiset menetelmät.
Tiivistelmä (eng): Exploratory data analysis stands for extracting useful information from data sets.
Machine learning methods automate this process by fitting models to data.
It is essential to provide all available background knowledge for building such models.

Principal component analysis is a standard method for exploratory data analysis.
Recently its probabilistic interpretation has illustrated that it is only suitable for a specific type of data.
Extension of principal component analysis to the exponential family removes this problem.

In this thesis a general model family suitable for the analysis of multiple data sources is presented by building on the exponential family principal component analysis.
The unifying framework contains as special cases methods suitable for unsupervised and supervised learning.

While earlier methods have mainly relied on maximum likelihood inference, in this thesis Bayesian modelling is chosen.
In Bayesian modelling background knowledge is utilized in the form of prior distributions.
In this thesis, a general prior distribution is proposed that takes distribution-specific constraints into account.

Multiple contributions to modelling, inference and model interpretation are introduced.
With empirical experiments it is demonstrated how the proposed methods outperform traditional methods.
ED:2010-12-17
INSSI tietueen numero: 41448
+ lisää koriin
« edellinen | seuraava »
INSSI