Institutsseminar/2019-06-21 Zusatztermin: Unterschied zwischen den Versionen
(Die Seite wurde neu angelegt: „{{Termin |datum=2019/06/21 11:30:00 |raum=Raum 333 (Gebäude 50.34) }} Institutsseminar/2019-06-21 Zusatztermin“) |
Keine Bearbeitungszusammenfassung |
||
Zeile 1: | Zeile 1: | ||
{{Termin | {{Termin | ||
|datum=2019/06/21 11:30:00 | |datum=2019/06/21 11:30:00 | ||
|raum=Raum | |raum=Raum 010 (Gebäude 50.34) | ||
}} | }} | ||
Institutsseminar/2019-06-21 Zusatztermin | Institutsseminar/2019-06-21 Zusatztermin |
Aktuelle Version vom 17. Juni 2019, 09:59 Uhr
Datum | Freitag, 21. Juni 2019 | |
---|---|---|
Uhrzeit | 11:30 – 12:30 Uhr (Dauer: 60 min) | |
Ort | Raum 010 (Gebäude 50.34) | |
Webkonferenz | ||
Vorheriger Termin | Fr 14. Juni 2019 | |
Nächster Termin | Fr 28. Juni 2019 |
Termin in Kalender importieren: iCal (Download)
Vorträge
Vortragende(r) | Lena Witterauf |
---|---|
Titel | Density-Based Outlier Detection Benchmark on Synthetic Data (Thesis) |
Vortragstyp | Bachelorarbeit |
Betreuer(in) | Georg Steinbuss |
Vortragssprache | |
Vortragsmodus | |
Kurzfassung | Outlier detection is a popular topic in research, with a number of different approaches developed. Evaluating the effectiveness of these approaches however is a rather rarely touched field. The lack of commonly accepted benchmark data most likely is one of the obstacles for running a fair comparison of unsupervised outlier detection algorithms. This thesis compares the effectiveness of twelve density-based outlier detection algorithms in nearly 800.000 experiments over a broad range of algorithm parameters using the probability density as ground truth. |
Vortragende(r) | Henning Ballweber |
---|---|
Titel | Untersuchung von Black Box Modellen zur Entscheidungsfindung in Sentiment Analysen |
Vortragstyp | Bachelorarbeit |
Betreuer(in) | Clemens Müssener |
Vortragssprache | |
Vortragsmodus | |
Kurzfassung | Diese Arbeit wird sich mit der Erklärbarkeit von Sentimentanalyse befassen. Sentimentanalyse ist ein aktuelles Forschungsthema, das sich mit der automatisierten Auswertung der Stimmung von Texten befasst. Dabei klassifiziert ein Entscheider diese als positiv oder negativ. Jedoch sind die meisten hier angewandten Verfahren des maschinellen Lernens Black Boxes, also für Menschen nicht unmittelbar nachvollziehbar. Die Arbeit hat zum Ziel, verschiedene Verfahren der Sentimentanalyse auf Erklärbarkeit zu untersuchen. Hierbei werden eine Datenbank aus Filmrezensionen sowie Word Embeddings auf Basis des word2vec-Modells verwendet. |
- Neuen Vortrag erstellen
Hinweise
Institutsseminar/2019-06-21 Zusatztermin