- Bachelorarbeit -

Beschreibung:

Maschinelles Lernen ist ressourcenintensiv. Eine Vorauswahl der Daten reduziert den Ressourcenaufwand des Lernprozesses und verbessert die Qualität des erlernten Modells. Dem entsprechend ist es sinnvoll Kriterien zu entwickeln, die eine Vorauswahl auf den Datenbest¨anden erm¨oglichen und damit dafür sorgen, dass vorhandene Ressourcen m¨oglichst gewinnbringend eingesetzt werden.
Das Kriterium, das im Rahmen dieser Arbeit auf multivariaten medizinischen
Stromdaten untersucht wird, ist der Informationsgehalt. Der Informationsgehalt
wird hier mithilfe der Auf- und Abbewegung in den Werten der Stromdaten
als Permutationsentropie bestimmt. Hierfür werden fünf unterschiedliche Verfahren zur Bestimmung multivariater Permutationsentropie aus der Literatur
gesammelt und ihre Eigenschaften sowie die Bedeutung dieser Eigenschaften
für die Untersuchung medizinischer Stromdaten wird erläutert. Des Weiteren
werden einige der gesammelten Eigenschaften mit Hilfe von Tests auf realen historischen medizinischen Stromdaten untermauert. Hervorzuheben sind hierbei die schnellen Laufzeiten sowie die einfache Anwendbarkeit der fünf Verfahren, da Daten zur Untersuchung nicht aufwendig von kleineren oder vereinzelten Messfehlern bereinigt werden müssen. Zusätzlich ist die Verwendung multivariater Permutationsentropien je nach Anwendungsgebiet durch die Wahl von Parametern und Verfahren flexibel anpassbar, da die unterschiedlichen Verfahren verschiedene Besonderheiten der jeweiligen Datenströme hervorheben.

Anforderungen/Kenntnisse:
Programmierung von Web-Servern und Browsern, insbesondere PHP, JavaScript, HTML und CSS

Bearbeitung:
Nils Liß

Betreuung:

Prof. Dr. rer. nat. Ralf Möller
Institut für Informationssysteme
Ratzeburger Allee 160 ( Gebäude 64 - 2. OG)
23562 Lübeck
Telefon: 0451 / 3101 5700