Detailansicht
Optimization aspects of support vector machines
Katharina Eibensteiner
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Quantitative Economics, Management and Finance
Betreuer*in
Immanuel Bomze
DOI
10.25365/thesis.47505
URN
urn:nbn:at:at-ubw:1-28779.02394.122865-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Im Bereich des maschinellen Lernens und der Mustererkennung sind Support Vector Machines in den letzten Jahrzehnten zu einem mächtigen Werkzeug geworden. Nachdem diese Methode Ende der 1970er Jahre von Vladimir Vapnik entwickelt wurde, ist viel Forschungsarbeit in die Verbesserung dieses Klassifizierungsmechanismus gesteckt worden. Diese Masterarbeit
behandelt grundlegende Prinzipien der Klassifizierung, die Entwicklung binärer Support Vector Machines und verschiedener Mehrklassen-Klassifizierungsalgorithmen, unter denen sowohl
jene sind, die das Mehrklassenproblem in mehrere kleine binäre Probleme zerteilen, als auch welche die das Klassifizierungsproblem global lösen. Die Implementierung eines Algorithmus zur handschriftlichen Zahlenerkennung mit der mathematischen Software Matlab und der MNIST- Datenbank zielt darauf ab, die Vor- und Nachteile der verschiedenen Mehrklassen-Methoden aufzuzeigen.
Abstract
(Englisch)
Support Vector Machines have become a powerful tool in the field of machine learning and pattern recognition within the last few decades. After Vladimir Vapnik introduced this method in
the late 1970s, much research effort has gone into the development of this classification mechanism. This thesis aims to give a summary over the basic principles of classification, to develop approaches for binary Support Vector Machines and to introduce various multicategory classification algorithms, including the extension of multiple binary Support Vector Machines, for developing algorithms that divide multiclass problems into smaller binary problems. Also approaches where the whole classification is covered by one Support Vector Machine will be discussed. The implementation of a handwritten digit recognition algorithm using the mathematical software Matlab and the MNIST-database aims to illustrate the advantages and disadvantages of the various multicategory Support Vector Machines.
Schlagwörter
Schlagwörter
(Englisch)
Optimization Support Vector Machines Pattern Recognition
Schlagwörter
(Deutsch)
Optimierung Support Vector Machines Mustererkennung
Autor*innen
Katharina Eibensteiner
Haupttitel (Englisch)
Optimization aspects of support vector machines
Paralleltitel (Deutsch)
Optimierungsaspekte von Support Vector Machines
Publikationsjahr
2017
Umfangsangabe
68 Seiten : Diagramme
Sprache
Englisch
Beurteiler*in
Immanuel Bomze
AC Nummer
AC13792972
Utheses ID
42043
Studienkennzahl
UA | 066 | 920 | |