Bachelor Thesis Open Access

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

Zeh-Marschke, Andreas

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="980" ind1=" " ind2=" ">
    <subfield code="a">thesis</subfield>
    <subfield code="b">bachelor-thesis</subfield>
  </datafield>
  <datafield tag="041" ind1=" " ind2=" ">
    <subfield code="a">deu</subfield>
  </datafield>
  <datafield tag="653" ind1=" " ind2=" ">
    <subfield code="a">Maschinelles Lernen</subfield>
  </datafield>
  <datafield tag="520" ind1=" " ind2=" ">
    <subfield code="a">&lt;p&gt;Diese Bachelorarbeit ist eine Einf&amp;uuml;hrung in das Maschinelle Lernen anhand einfacher physikalischer Fragestellungen f&amp;uuml;r 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 Bin&amp;auml;ren Klassifikation eingef&amp;uuml;hrt. 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 Verst&amp;auml;ndnis erreicht wird.&lt;/p&gt;

&lt;p&gt;Im zweiten Teil der Arbeit wird eine Trennung von Signalen und Hintergrund, die mittels eines einfachen Halbleiterdetektors aufgenommen wurden, anhand der Kontur durchgef&amp;uuml;hrt - es wird somit eine Bilderkennung durchgef&amp;uuml;hrt. Mit Hilfe von Neuronalen Netzen wird eine Genauigkeit von &amp;uuml;ber 99% erzielt.&lt;/p&gt;</subfield>
  </datafield>
  <datafield tag="542" ind1=" " ind2=" ">
    <subfield code="l">open</subfield>
  </datafield>
  <datafield tag="909" ind1="C" ind2="O">
    <subfield code="o">oai:publish.etp.kit.edu:22293</subfield>
    <subfield code="p">user-etp</subfield>
  </datafield>
  <datafield tag="245" ind1=" " ind2=" ">
    <subfield code="a">Einsatz von Methoden des Maschinellen Lernens für eine Binäre Klassifikation zur Signal-Hintergrund-Trennung</subfield>
  </datafield>
  <datafield tag="100" ind1=" " ind2=" ">
    <subfield code="a">Zeh-Marschke, Andreas</subfield>
    <subfield code="u">KIT/ETP</subfield>
  </datafield>
  <datafield tag="500" ind1=" " ind2=" ">
    <subfield code="a">Für Rückfragen stehe ich gerne zur Verfügung. Bei E-Mail-Kontakt bitte Andreas@Zeh-Marschke.de oder uxkof@student.kit.edu verwenden. Danke!</subfield>
  </datafield>
  <controlfield tag="005">20250210081248.0</controlfield>
  <datafield tag="980" ind1=" " ind2=" ">
    <subfield code="a">user-etp</subfield>
  </datafield>
  <controlfield tag="001">22293</controlfield>
  <datafield tag="260" ind1=" " ind2=" ">
    <subfield code="c">2025-01-20</subfield>
  </datafield>
  <datafield tag="700" ind1=" " ind2=" ">
    <subfield code="a">Quast, Günter</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="856" ind1="4" ind2=" ">
    <subfield code="s">1974414</subfield>
    <subfield code="u">https://publish.etp.kit.edu/record/22293/files/ETP-Bachelor-KA-2025-01-Zeh-Marschke.pdf</subfield>
    <subfield code="z">md5:53c7c0db9c5aa92992a8a6f209cdb770</subfield>
  </datafield>
</record>
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