Bachelor Thesis Open Access

Multiklassifikation mit Bayesian Neural Networks in der ttH(bb)-Analyse

Guthmann, Dorian

MARC21 XML Export

<?xml version='1.0' encoding='UTF-8'?>
<record xmlns="http://www.loc.gov/MARC21/slim">
  <leader>00000nam##2200000uu#4500</leader>
  <datafield tag="653" ind1=" " ind2=" ">
    <subfield code="a">Bayesian Neural Network</subfield>
  </datafield>
  <datafield tag="653" ind1=" " ind2=" ">
    <subfield code="a">BNN</subfield>
  </datafield>
  <datafield tag="653" ind1=" " ind2=" ">
    <subfield code="a">ttH</subfield>
  </datafield>
  <datafield tag="653" ind1=" " ind2=" ">
    <subfield code="a">Klassifikation</subfield>
  </datafield>
  <datafield tag="653" ind1=" " ind2=" ">
    <subfield code="a">Maschinelles Lernen</subfield>
  </datafield>
  <datafield tag="909" ind1="C" ind2="O">
    <subfield code="o">oai:publish.etp.kit.edu:22048</subfield>
    <subfield code="p">user-cms</subfield>
    <subfield code="p">user-etp</subfield>
  </datafield>
  <controlfield tag="005">20210803084949.0</controlfield>
  <datafield tag="542" ind1=" " ind2=" ">
    <subfield code="l">open</subfield>
  </datafield>
  <datafield tag="980" ind1=" " ind2=" ">
    <subfield code="a">user-cms</subfield>
  </datafield>
  <datafield tag="980" ind1=" " ind2=" ">
    <subfield code="a">user-etp</subfield>
  </datafield>
  <datafield tag="520" ind1=" " ind2=" ">
    <subfield code="a">&lt;p&gt;Im Allgemeinen liefert ein neuronales Netz f&amp;uuml;r beliebige Eingabedaten immer eine Vorhersage, ohne eine Angabe zu machen, wie sicher diese Vorhersage ist. Eine besondere Art der neuronalen Netze hei&amp;szlig;en bayesische neuronale Netze (BNN). Der Hauptunterschied zwischen herk&amp;ouml;mmlichen neuronalen Netzen und BNNs ist, dass die Informationsverarbeitung in BNNs durch Rechnung mit Wahrscheinlichkeitsverteilungen geschieht, mithilfe derer eine Aussage &amp;uuml;ber die Unsicherheit der vom Netz gemachten Vorhersagen getroffenen werdenkann. Im Rahmen der Masterarbeit &amp;quot;Treating Uncertainties with Bayesian Neural Networks in the measurement of ttH(bb) production&amp;quot; von Nikita Shadskiy wurden f&amp;uuml;r die ttH-Analyse BNNs studiert, die Vorhersagen dar&amp;uuml;ber treffen k&amp;ouml;nnen, ob ein gemessenes Ereignis zum ttH-Prozess geh&amp;ouml;rt,oder nicht. Ziel dieser Arbeit ist es f&amp;uuml;r die ttH-Analyse BNNs einzuf&amp;uuml;hren, die zwischen verschiedenen Klassen von Prozessen unterscheiden k&amp;ouml;nnen, sowie eine Aussage &amp;uuml;ber deren Nutzbarkeit und Leistungsf&amp;auml;higkeit im Vergleich zu herk&amp;ouml;mmlichen neuronalen Netzen zu treffen.Weiterf&amp;uuml;hrend werden Auswertungsmethoden, welche die f&amp;uuml;r BNNs einzigartige Vorhersagen-Unsicherheit miteinbeziehen, vorgestellt.&lt;/p&gt;</subfield>
  </datafield>
  <datafield tag="041" ind1=" " ind2=" ">
    <subfield code="a">deu</subfield>
  </datafield>
  <datafield tag="700" ind1=" " ind2=" ">
    <subfield code="a">Husemann, Ulrich</subfield>
    <subfield code="u">KIT/ETP</subfield>
    <subfield code="4">ths</subfield>
  </datafield>
  <datafield tag="700" ind1=" " ind2=" ">
    <subfield code="a">Wolf, Roger</subfield>
    <subfield code="u">KIT/ETP</subfield>
    <subfield code="4">ths</subfield>
  </datafield>
  <datafield tag="700" ind1=" " ind2=" ">
    <subfield code="a">Shadskiy, Nikita</subfield>
    <subfield code="u">KIT/ETP</subfield>
    <subfield code="4">ths</subfield>
  </datafield>
  <datafield tag="980" ind1=" " ind2=" ">
    <subfield code="a">thesis</subfield>
    <subfield code="b">bachelor-thesis</subfield>
  </datafield>
  <datafield tag="260" ind1=" " ind2=" ">
    <subfield code="c">2021-04-22</subfield>
  </datafield>
  <datafield tag="245" ind1=" " ind2=" ">
    <subfield code="a">Multiklassifikation mit Bayesian Neural Networks in der ttH(bb)-Analyse</subfield>
  </datafield>
  <controlfield tag="001">22048</controlfield>
  <datafield tag="856" ind1="4" ind2=" ">
    <subfield code="s">5890263</subfield>
    <subfield code="u">https://publish.etp.kit.edu/record/22048/files/Multiklassifikation mit Bayesian Neural Networks in der ttH(bb)-Analyse.pdf</subfield>
    <subfield code="z">md5:f2b7d52d6c2531b1dc2fe236abd00a59</subfield>
  </datafield>
  <datafield tag="100" ind1=" " ind2=" ">
    <subfield code="a">Guthmann, Dorian</subfield>
    <subfield code="u">KIT/ETP</subfield>
  </datafield>
</record>
Publication date:
April 22, 2021
Keyword(s):
Bayesian Neural Network BNN ttH Klassifikation Maschinelles Lernen
Awarding University:
Karlsruhe Institute of Technology (KIT)
Report Number:
ETP-BACHELOR-KA/2021-06
Communities:

Cite as

Export