Hybride Optimierung für Dimensionsreduktion: Unüberwachte Regression mit Gradientenabstieg und evolutionären Algorithmen

در کار دانیل لوکهه، یک فرآیند ترکیبی جدید برای کاهش ابعاد به طور روشمند توسعه یافته، تجزیه و تحلیل و با روش های موجود با استفاده از آزمون های تجربی مقایسه شده است. داده های با ابعاد بالا، که اغلب تحت عنوان "داده های بزرگ" خلاصه می شوند، امروزه در بسیاری از مناطق در دسترس هستند. این شامل، برای مثال، اطلاعات ثبت شده بصری است که در آن الگوها باید شناسایی شوند، برنامه های کاربردی در زمینه پزشکی و داده هایی از حوزه نجوم. کاهش ابعاد می تواند به کسب اطلاعات از مجموعه داده های بزرگ و بسیار پیچیده و توانایی پردازش بهتر آنها کمک کند. به عنوان مثال، داده ها را می توان به یک فضای دو بعدی نگاشت و بنابراین از نظر بصری برای انسان قابل درک باشد.

In der Arbeit von Daniel Lückehe wird ein neues hybrides Verfahren zur Dimensionsreduktion methodisch erarbeitet, analysiert und durch experimentelle Tests mit vorhandenen Methoden verglichen. Hochdimensionale Daten, häufig zusammengefasst unter dem Begriff „Big Data“, liegen heutzutage in vielen Bereichen vor. Darunter fallen beispielsweise visuell erfasste Informationen, in denen Muster erkannt werden sollen, Anwendungen im medizinischen Bereich sowie Daten aus dem Gebiet der Astronomie. Eine Dimensionsreduktion kann dabei helfen, Informationen aus großen, hochkomplexen Datensätzen zu gewinnen und diese besser verarbeiten zu können. So können Daten beispielsweise auf einen zweidimensionalen Raum abgebildet und somit für den Menschen visuell erfassbar werden.