Probabilistic machine learning for pattern recognition and design exploration

Cremanns, Kevin; Reh, Stefan (Thesis advisor); Münstermann, Sebastian (Thesis advisor); Roos, Dirk (Thesis advisor)

Aachen : RWTH Aachen University (2021)
Doktorarbeit

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2021

Kurzfassung

Die folgende Arbeit befasst sich mit der Entwicklung neuer probabilistischer Modelle auf Basis des maschinellen Lernens, mit dem Fokus auf Effizienz, Flexibilität, Anwendbarkeit, Skalierbarkeit und einer möglichst hohen Prognosegüte. Dabei werden Problemstellungen aus den Bereichen: Regression, Klassifizierung, Bilderkennung, Zeitreihen und die Abbildung von räumlich und / oder zeitlich korrelierten Größen behandelt. Um diese Ziele zu erreichen, wird neben der Entwicklung der Modelle, auch deren Zusammenspiel mit dem Themenfeld der Datenerzeugung untersucht. Dabei wird die berechenbare Unsicherheit der probabilistischen Modelle genutzt, um mit möglichst wenig Datenpunkten den maximalen Informationsgewinn zu erlangen. Diese Methodik wird ebenfalls für die effiziente Lösung von Optimierungsfragestellungen genutzt. Um nicht nur ein möglichst genaues Modell der Daten zu erhalten, sondern auch um ein tieferes Verständnis der Zusammenhänge zu erlangen, sind Methoden der Sensitivitätsanalyse ein weiterer Bestandteil dieser Arbeit. Die entwickelten probabilistischen Modelle werden dazu verwendet, die bei der Sensitivitätsanalyse notwendigen Berechnungen so effizient wie möglich durchzuführen, unter anderem auch für korrelierte Eingangsgrößen.

Identifikationsnummern

Downloads