Bachelor Thesis Open Access

Einsatz von Methoden des Maschinellen Lernens für eine Binäre Klassifikation zur Signal-Hintergrund-Trennung

Zeh-Marschke, Andreas

Dublin Core Export

<?xml version='1.0' encoding='utf-8'?>
<oai_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
  <dc:creator>Zeh-Marschke, Andreas</dc:creator>
  <dc:date>2025-01-20</dc:date>
  <dc:description>Diese Bachelorarbeit ist eine Einführung in das Maschinelle Lernen anhand einfacher physikalischer Fragestellungen für Studierende, die erste Erfahrungen in der Datenanalyse haben, jedoch noch keine Kenntnisse im Maschinellen Lernen. Es werden grundlegende Begriffe des Maschinellen Lernens und speziell der Binären Klassifikation eingeführt. Wichtig ist dabei der Abgleich zwischen der Sprachwelt im Maschinellen Lernen (dem ML-Jargon) und der Begriffswelt in der physikalischen Welt (Physik-Jargon), damit ein gegenseitiges Verständnis erreicht wird.

Im zweiten Teil der Arbeit wird eine Trennung von Signalen und Hintergrund, die mittels eines einfachen Halbleiterdetektors aufgenommen wurden, anhand der Kontur durchgeführt - es wird somit eine Bilderkennung durchgeführt. Mit Hilfe von Neuronalen Netzen wird eine Genauigkeit von über 99% erzielt.</dc:description>
  <dc:identifier>https://publish.etp.kit.edu/record/22293</dc:identifier>
  <dc:identifier>oai:publish.etp.kit.edu:22293</dc:identifier>
  <dc:language>deu</dc:language>
  <dc:relation>url:https://publish.etp.kit.edu/communities/etp</dc:relation>
  <dc:rights>info:eu-repo/semantics/openAccess</dc:rights>
  <dc:subject>Maschinelles Lernen</dc:subject>
  <dc:title>Einsatz von Methoden des Maschinellen Lernens für eine Binäre Klassifikation zur Signal-Hintergrund-Trennung</dc:title>
  <dc:type>info:eu-repo/semantics/bachelorThesis</dc:type>
  <dc:type>thesis-bachelor-thesis</dc:type>
</oai_dc:dc>
Publication date:
January 20, 2025
Keyword(s):
Maschinelles Lernen
Awarding University:
Karlsruhe Institute of Technology (KIT)
Report Number:
ETP-BACHELOR-KA/2025-01
Communities:

Cite as

Export