Title (eng)
Optimization aspects of support vector machines
Parallel title (deu)
Optimierungsaspekte von Support Vector Machines
Author
Katharina Eibensteiner
Advisor
Immanuel Bomze
Assessor
Immanuel Bomze
Abstract (deu)
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 (eng)
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.
Keywords (eng)
OptimizationSupport Vector MachinesPattern Recognition
Keywords (deu)
OptimierungSupport Vector MachinesMustererkennung
Subject (deu)
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
Extent (deu)
68 Seiten : Diagramme
Number of pages
68
Study plan
Masterstudium Quantitative Economics, Management and Finance
[UA]
[066]
[920]
Association (deu)
Title (eng)
Optimization aspects of support vector machines
Parallel title (deu)
Optimierungsaspekte von Support Vector Machines
Author
Katharina Eibensteiner
Abstract (deu)
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 (eng)
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.
Keywords (eng)
OptimizationSupport Vector MachinesPattern Recognition
Keywords (deu)
OptimierungSupport Vector MachinesMustererkennung
Subject (deu)
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
Number of pages
68
Association (deu)
License
- Citable links
- Other links
- Managed by
- Details
- Metadata
- Export formats