GOR-Arbeitsgruppe: Praxis der Mathematischen Optimierung
ثبت نشده
چکیده
منابع مشابه
Maschinelles Lernen mit multiplen Kernen
Diese Arbeit gibt zunächst eine grundlegende Einführung in Theorie und Praxis des Maschinellen Lernens mit multiplen Kernen und skizziert den Stand der Forschung. Weiter entwickelt die Arbeit eine neue Methodologie des Lernens mit mehreren Kernen und beweist deren Effizienz und Effektivität. Sie entwickelt Algorithmen zur Optimierung des assoziierten mathematischen Programmes, die im Vergleich ...
متن کاملLernräume und Dienstleistungen an der Universität Duisburg-Essen: die Zentralen Einrichtungen im Blick
DINI1, die Deutsche Initiative für Netzwerkinformation, führte 2009 den studentischen Ideenwettbewerb „Lebendige Lernorte“2 durch. Die 51 eingereichten Beiträge wurden von der DINI Arbeitsgruppe „Lernräume“3 ausgewertet und publiziert4. Bei der Gestaltung von Lernräumen wirken die Bibliotheken, die Rechenzentren, die Medienzentren und Bereiche der Pädagogik mit, die in der DINI AG mitarbeiten u...
متن کاملRoutenplanung für landwirtschaftliche Fahrzeuge
Da das landwirtschaftliche Transportaufkommen mehr und mehr zunimmt, gewinnt die optimierte Routenplanung für landwirtschaftliche Fahrzeuge immer mehr an Bedeutung. Die wesentlichen Optimierungsparameter sind dabei die Zeit, der Kraftstoffverbrauch und die Abnutzungskosten. Für deren Minimierung bieten sich Methoden der mathematischen Optimierung an. Ein möglicher, adaptiver Optimierungsansatz,...
متن کاملH∀Mcast - Evaluierung einer systemzentrierten Middleware-Komponente für einen universellen Multicast-Dienst im Future Internet
Sebastian Meiling studierte Informatik an der Universität Leipzig, seine Diplomarbeit schrieb er zum Thema TCP with Adaptive Pacing für drahtlose Mesh-Netze. Seit 2009 ist er wissenschaftlicher Mitarbeiter in der Arbeitsgruppe Internet Technologies (iNET) an der Hochschule für Angewandte Wissenschaften Hamburg (HAW). Seine Forschungsschwerpunkte liegen im Bereich zukünftiger Internet Technologi...
متن کاملKernel-Based Machine Learning with Multiple Sources of Information
We present a new methodology for fusing information from multiple data sources – or kernels – in machine learning. Previous approaches promoted sparse combinations of kernels, which, however, may discard important information. We present a flexible approach based on p-norm regular-ization, allowing for non-sparse solutions. In a theoretical analysis we show lower and upper generalization bounds...
متن کاملذخیره در منابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
دوره شماره
صفحات -
تاریخ انتشار 2017