Preference-based teaching of geometrical concept classes and a toolbox for the design of minimum disagreement algorithms
- Im ersten Teil der Arbeit geht es um das exakte Lernen von Konzepten im Preference-based teaching Modell. Es werden obere Schranken für geometrische Konzeptklassen, wie Bälle, Kugeln oder spezielle Vereinigungen von konvexen Körpern in d Dimensionen, angegeben. Außerdem wird gezeigt, dass die Konstruktion der angegebenen Teaching Sets und die Extraktion der Zielkonzepte aus mit dem Zielkonzept konsistenten Obermengen der Teaching Sets effizient realisiert werden kann. Im zweiten Teil geht es um das Lernen mit Hilfe von zufällig generierten Beispielen. Es wird ein Werkzeugkasten bereitgestellt, der Transformationen von Minimum Disagreement Algorithmen ermöglicht. Dabei wird stets ein Minimum Disagreement Algorithmus in einen Minimum Disagreement Algorithmus für ein höher dimensionales Problem transformiert, sodass man mit sehr trivialen Algorithmen starten und iterativ immer komplexere Algorithmen erzeugen kann.
Author: | Christoph RiesGND |
---|---|
URN: | urn:nbn:de:hbz:294-74988 |
DOI: | https://doi.org/10.13154/294-7498 |
Referee: | Hans Ulrich SimonORCiDGND, Maike BuchinORCiDGND |
Document Type: | Doctoral Thesis |
Language: | English |
Year of Completion: | 2020 |
Publishing Institution: | Ruhr-Universität Bochum, Universitätsbibliothek |
Granting Institution: | Ruhr-Universität Bochum, Fakultät für Mathematik |
Date of final exam: | 2020/07/23 |
Creating Corporation: | Fakultät für Mathematik |
GND-Keyword: | Lerntheorie; Datenstruktur; Berechnungskomplexität; Algorithmen; Lernen |
Institutes/Facilities: | Lehrstuhl für Mathematik und Informatik |
Dewey Decimal Classification: | Naturwissenschaften und Mathematik / Mathematik |
faculties: | Fakultät für Mathematik |
Licence (German): | Keine Creative Commons Lizenz - es gelten der Veröffentlichungsvertrag und das deutsche Urheberrecht |