Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren:
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Abschlussarbeit Buch |
| Sprache: | German |
| Veröffentlicht: |
Dürer
Shaker Verlag
2022
|
| Schriftenreihe: | Schriftenreihe des PTW: "Innovation Fertigungstechnik"
|
| Schlagworte: | |
| Online-Zugang: | Inhaltsverzeichnis |
| Beschreibung: | xix, 234 Seiten Illustrationen, Diagramme 21 cm, 384 g |
| ISBN: | 9783844087604 |
Internformat
MARC
| LEADER | 00000nam a2200000 c 4500 | ||
|---|---|---|---|
| 001 | BV048929547 | ||
| 003 | DE-604 | ||
| 005 | 20230928 | ||
| 007 | t | ||
| 008 | 230505s2022 gw a||| m||| 00||| ger d | ||
| 016 | 7 | |a 1265885702 |2 DE-101 | |
| 020 | |a 9783844087604 |9 978-3-8440-8760-4 | ||
| 035 | |a (OCoLC)1372652769 | ||
| 035 | |a (DE-599)DNB1265885702 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-NW | ||
| 049 | |a DE-83 | ||
| 084 | |a ZL 6120 |0 (DE-625)156969: |2 rvk | ||
| 084 | |a ST 300 |0 (DE-625)143650: |2 rvk | ||
| 100 | 1 | |a Ziegenbein, Amina |d 1988- |e Verfasser |0 (DE-588)1250345944 |4 aut | |
| 245 | 1 | 0 | |a Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren |c Amina Ziegenbein |
| 264 | 1 | |a Dürer |b Shaker Verlag |c 2022 | |
| 300 | |a xix, 234 Seiten |b Illustrationen, Diagramme |c 21 cm, 384 g | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 490 | 0 | |a Schriftenreihe des PTW: "Innovation Fertigungstechnik" | |
| 502 | |b Dissertation |c Technische Universität Darmstadt |d 2022 | ||
| 650 | 0 | 7 | |a Systemanalyse |0 (DE-588)4116673-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Steuerung |0 (DE-588)4057472-6 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Spanende Werkzeugmaschine |0 (DE-588)4140479-8 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Prozessdaten |0 (DE-588)4135104-6 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Versuchsplanung |0 (DE-588)4078859-3 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Datenanalyse |0 (DE-588)4123037-1 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Qualitätssicherung |0 (DE-588)4126457-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Spanende Bearbeitung |0 (DE-588)4055957-9 |2 gnd |9 rswk-swf |
| 653 | |a Klassifikation | ||
| 653 | |a maschinelles Lernen | ||
| 653 | |a Qualitätssicherung | ||
| 653 | |a Werkzeugmaschinensteuerungssignale | ||
| 653 | |a Prädiktive Qualität | ||
| 655 | 7 | |0 (DE-588)4113937-9 |a Hochschulschrift |2 gnd-content | |
| 689 | 0 | 0 | |a Spanende Werkzeugmaschine |0 (DE-588)4140479-8 |D s |
| 689 | 0 | 1 | |a Steuerung |0 (DE-588)4057472-6 |D s |
| 689 | 0 | 2 | |a Prozessdaten |0 (DE-588)4135104-6 |D s |
| 689 | 0 | 3 | |a Datenanalyse |0 (DE-588)4123037-1 |D s |
| 689 | 0 | 4 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |D s |
| 689 | 0 | 5 | |a Spanende Bearbeitung |0 (DE-588)4055957-9 |D s |
| 689 | 0 | 6 | |a Qualitätssicherung |0 (DE-588)4126457-5 |D s |
| 689 | 0 | 7 | |a Systemanalyse |0 (DE-588)4116673-5 |D s |
| 689 | 0 | 8 | |a Versuchsplanung |0 (DE-588)4078859-3 |D s |
| 689 | 0 | |5 DE-604 | |
| 856 | 4 | 2 | |m DNB Datenaustausch |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034193519&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 999 | |a oai:aleph.bib-bvb.de:BVB01-034193519 | ||
Datensatz im Suchindex
| _version_ | 1804185118746607616 |
|---|---|
| adam_text | INHALTSVERZEICHNIS
ABKUERZUNGSVERZEICHNIS
XI
SYMBOLVERZEICHNIS
XV
ABBILDUNGSVERZEICHNIS
XIX
TABELLENVERZEICHNIS
XXI
1
EINLEITUNG
1
1.1
ZIELSETZUNG
UND
FORSCHUNGSANSATZ
.....................................................
2
1.2
AUFBAU
DER
ARBEIT
.................................................................................
4
I
GRUNDLAGEN
7
2
SYSTEMRAHMEN
9
2.1
PRAEDIKTIVE
QUALITAET
.............................................................................
9
2.2
KONKRETISIERUNG
DER
FORSCHUNGSFRAGE
.................................................
11
2.3
SYSTEMRAHMEN
.......................................................................................
13
2.4
PROZESSMODELLE
....................................................................................
14
3
STAND
DER
FORSCHUNG
21
3.1
MASCHINELLES
LERNEN
..........................................................................
21
3.1.1
KLASSIFIKATION
............................................................................
22
3.1.2
ENSEMBLE-METHODEN
................................................................
29
3.1.3
HYPERPARAMETEROPTIMIERUNG
...................................................
31
3.2
MODELLQUALITAET
.......................................................................................
33
3.2.1
TESTDATENSATZZIEHUNG
................................................................
36
3.2.2
METRIKEN
..................................................................................
38
3.3
FEATURE
ENGINEERING
..............................................................................
40
3.3.1
FEATUREEXTRAKTION
......................................................................
44
3.3.2
FEATUREPROJEKTION
......................................................................
45
3.3.3
FEATUREAUSWAHL
.........................................................................
48
3.4
DATENQUALITAET
......................................................................................
53
3.4.1
HERKUNFT
UND
DEFINITION
.........................................................
53
VIII
INHALTSVERZEICHNIS
3.4.2
METRIKEN
UND
DATENQUALITAET
FUER
MACHINE
LEARNING
.............
54
4
FORSCHUNGSLUECKE
59
4.1
DATENQUALITAET
........................................................................................
59
4.2
FEATURE
ENGINEERING
...............................................................................
61
4.3
MODELLEVALUATION
..................................................................................
65
II
VORUNTERSUCHUNG
69
5
DATENAKQUISE
71
5.1
VERSUCHSPLANUNG
UND
DURCHFUEHRUNG
...................................................
71
5.1.1
VERSUCHSPLANUNG
......................................................................
71
5.1.2
VERSUCHSDURCHFUEHRUNG
............................................................
74
5.2
DATENVERSTAENDNIS
..................................................................................
76
5.2.1
DATENQUALITAET
.............................................................................
77
5.2.2
SIGNALAUSWAHL
.........................................................................
80
6
VORVERSUCHE
83
6.1
LABELING
..................................................................................................
86
6.2
RAUSCHEINFLUSS
....................................................................................
87
6.3
FEATUREMATRIXDESIGN
...........................................................................
89
6.4
ZWISCHENVALIDIERUNG
ERKLAERUNGSBEITRAG
...........................................
92
6.5
FEATUREBEWERTUNG
.................................................................................
94
6.6
FILTERMETHODE
.......................................................................................
96
6.7
HAUPTKOMPONENTENANALYSE
.................................................................
99
6.8
EVALUIERUNGSSTRATEGIE
..............................................................................
101
6.8.1
MODELLKAPAZITAET
.............................................................................
102
6.8.2
STICHPROBENGROESSE
.........................................................................
103
6.9
ZWISCHENFAZIT
...........................................................................................
107
III
HAUPTUNTERSUCHUNG
109
7
EXPERIMENTELLES
DESIGN
111
7.1
VERSUCHSDESIGN
........................................................................................
111
7.2
VERSUCHSABLAUF
........................................................................................
114
7.3
VORBEREITUNG
...........................................................................................
116
7.4
KLASSIFIKATIONSERGEBNISSE
........................................................................
118
7.5
ZWISCHENFAZIT
...........................................................................................
121
INHALTSVERZEICHNIS
IX
8
DATENAUSWERTUNG
125
8.1
ABHAENGIGE
UND
ERKLAERENDE
VARIABLEN
.....................................................
125
8.2
EFFEKTE
DER
DATENVORBEREITUNGSSCHRITTE
..................................................
127
8.3
UEBERTRAGUNG
AUF
WEITERE
KLASSIFIKATOREN
..............................................
132
8.4
ZUSAMMENFASSUNG
.................................................................................
134
9
DISKUSSION
UND
IMPLIKATIONEN
FUER
DIE
PRAXIS
137
9.1
DISKUSSION
DER
VORGEHENSWEISE
..............................................................
137
9.2
DISKUSSION
DER
ERGEBNISSE
....................................................................
140
9.2.1
SIGNALVORAUSWAHL
.........................................................................
140
9.2.2
KLASSENAUSGLEICH
.........................................................................
143
9.2.3
FEATURE
VORAUS
WAEHL
......................................................................
144
9.2.4
FEATUREMATRIXDESIGN
...................................................................
145
9.2.5
FILTERMETHODE
...............................................................................
147
9.2.6
HAUPTKOMPONENTENANALYSE
.........................................................
148
9.2.7
INDUKTORAUSWAHL
.........................................................................
150
9.2.8
ZUSAMMENFASSUNG
......................................................................
152
10
FAZIT
157
LITERATUR
161
A
STATISTISCHE
GRUNDLAGEN
203
A.L
GAUSS-MARKOV
BEDINGUNGEN
..................................................................
203
A.2
STICHPROBENGROESSE
....................................................................................
204
B
ANHANG
207
|
| adam_txt |
INHALTSVERZEICHNIS
ABKUERZUNGSVERZEICHNIS
XI
SYMBOLVERZEICHNIS
XV
ABBILDUNGSVERZEICHNIS
XIX
TABELLENVERZEICHNIS
XXI
1
EINLEITUNG
1
1.1
ZIELSETZUNG
UND
FORSCHUNGSANSATZ
.
2
1.2
AUFBAU
DER
ARBEIT
.
4
I
GRUNDLAGEN
7
2
SYSTEMRAHMEN
9
2.1
PRAEDIKTIVE
QUALITAET
.
9
2.2
KONKRETISIERUNG
DER
FORSCHUNGSFRAGE
.
11
2.3
SYSTEMRAHMEN
.
13
2.4
PROZESSMODELLE
.
14
3
STAND
DER
FORSCHUNG
21
3.1
MASCHINELLES
LERNEN
.
21
3.1.1
KLASSIFIKATION
.
22
3.1.2
ENSEMBLE-METHODEN
.
29
3.1.3
HYPERPARAMETEROPTIMIERUNG
.
31
3.2
MODELLQUALITAET
.
33
3.2.1
TESTDATENSATZZIEHUNG
.
36
3.2.2
METRIKEN
.
38
3.3
FEATURE
ENGINEERING
.
40
3.3.1
FEATUREEXTRAKTION
.
44
3.3.2
FEATUREPROJEKTION
.
45
3.3.3
FEATUREAUSWAHL
.
48
3.4
DATENQUALITAET
.
53
3.4.1
HERKUNFT
UND
DEFINITION
.
53
VIII
INHALTSVERZEICHNIS
3.4.2
METRIKEN
UND
DATENQUALITAET
FUER
MACHINE
LEARNING
.
54
4
FORSCHUNGSLUECKE
59
4.1
DATENQUALITAET
.
59
4.2
FEATURE
ENGINEERING
.
61
4.3
MODELLEVALUATION
.
65
II
VORUNTERSUCHUNG
69
5
DATENAKQUISE
71
5.1
VERSUCHSPLANUNG
UND
DURCHFUEHRUNG
.
71
5.1.1
VERSUCHSPLANUNG
.
71
5.1.2
VERSUCHSDURCHFUEHRUNG
.
74
5.2
DATENVERSTAENDNIS
.
76
5.2.1
DATENQUALITAET
.
77
5.2.2
SIGNALAUSWAHL
.
80
6
VORVERSUCHE
83
6.1
LABELING
.
86
6.2
RAUSCHEINFLUSS
.
87
6.3
FEATUREMATRIXDESIGN
.
89
6.4
ZWISCHENVALIDIERUNG
ERKLAERUNGSBEITRAG
.
92
6.5
FEATUREBEWERTUNG
.
94
6.6
FILTERMETHODE
.
96
6.7
HAUPTKOMPONENTENANALYSE
.
99
6.8
EVALUIERUNGSSTRATEGIE
.
101
6.8.1
MODELLKAPAZITAET
.
102
6.8.2
STICHPROBENGROESSE
.
103
6.9
ZWISCHENFAZIT
.
107
III
HAUPTUNTERSUCHUNG
109
7
EXPERIMENTELLES
DESIGN
111
7.1
VERSUCHSDESIGN
.
111
7.2
VERSUCHSABLAUF
.
114
7.3
VORBEREITUNG
.
116
7.4
KLASSIFIKATIONSERGEBNISSE
.
118
7.5
ZWISCHENFAZIT
.
121
INHALTSVERZEICHNIS
IX
8
DATENAUSWERTUNG
125
8.1
ABHAENGIGE
UND
ERKLAERENDE
VARIABLEN
.
125
8.2
EFFEKTE
DER
DATENVORBEREITUNGSSCHRITTE
.
127
8.3
UEBERTRAGUNG
AUF
WEITERE
KLASSIFIKATOREN
.
132
8.4
ZUSAMMENFASSUNG
.
134
9
DISKUSSION
UND
IMPLIKATIONEN
FUER
DIE
PRAXIS
137
9.1
DISKUSSION
DER
VORGEHENSWEISE
.
137
9.2
DISKUSSION
DER
ERGEBNISSE
.
140
9.2.1
SIGNALVORAUSWAHL
.
140
9.2.2
KLASSENAUSGLEICH
.
143
9.2.3
FEATURE
VORAUS
WAEHL
.
144
9.2.4
FEATUREMATRIXDESIGN
.
145
9.2.5
FILTERMETHODE
.
147
9.2.6
HAUPTKOMPONENTENANALYSE
.
148
9.2.7
INDUKTORAUSWAHL
.
150
9.2.8
ZUSAMMENFASSUNG
.
152
10
FAZIT
157
LITERATUR
161
A
STATISTISCHE
GRUNDLAGEN
203
A.L
GAUSS-MARKOV
BEDINGUNGEN
.
203
A.2
STICHPROBENGROESSE
.
204
B
ANHANG
207 |
| any_adam_object | 1 |
| any_adam_object_boolean | 1 |
| author | Ziegenbein, Amina 1988- |
| author_GND | (DE-588)1250345944 |
| author_facet | Ziegenbein, Amina 1988- |
| author_role | aut |
| author_sort | Ziegenbein, Amina 1988- |
| author_variant | a z az |
| building | Verbundindex |
| bvnumber | BV048929547 |
| classification_rvk | ZL 6120 ST 300 |
| ctrlnum | (OCoLC)1372652769 (DE-599)DNB1265885702 |
| discipline | Maschinenbau / Maschinenwesen Informatik |
| discipline_str_mv | Maschinenbau / Maschinenwesen Informatik |
| format | Thesis Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02793nam a2200637 c 4500</leader><controlfield tag="001">BV048929547</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20230928 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">230505s2022 gw a||| m||| 00||| ger d</controlfield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1265885702</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783844087604</subfield><subfield code="9">978-3-8440-8760-4</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1372652769</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1265885702</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-NW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-83</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ZL 6120</subfield><subfield code="0">(DE-625)156969:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Ziegenbein, Amina</subfield><subfield code="d">1988-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1250345944</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren</subfield><subfield code="c">Amina Ziegenbein</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Dürer</subfield><subfield code="b">Shaker Verlag</subfield><subfield code="c">2022</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">xix, 234 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">21 cm, 384 g</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">Schriftenreihe des PTW: "Innovation Fertigungstechnik"</subfield></datafield><datafield tag="502" ind1=" " ind2=" "><subfield code="b">Dissertation</subfield><subfield code="c">Technische Universität Darmstadt</subfield><subfield code="d">2022</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Systemanalyse</subfield><subfield code="0">(DE-588)4116673-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Steuerung</subfield><subfield code="0">(DE-588)4057472-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Spanende Werkzeugmaschine</subfield><subfield code="0">(DE-588)4140479-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Prozessdaten</subfield><subfield code="0">(DE-588)4135104-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Versuchsplanung</subfield><subfield code="0">(DE-588)4078859-3</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Qualitätssicherung</subfield><subfield code="0">(DE-588)4126457-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Spanende Bearbeitung</subfield><subfield code="0">(DE-588)4055957-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</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="653" ind1=" " ind2=" "><subfield code="a">Qualitätssicherung</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Werkzeugmaschinensteuerungssignale</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Prädiktive Qualität</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4113937-9</subfield><subfield code="a">Hochschulschrift</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Spanende Werkzeugmaschine</subfield><subfield code="0">(DE-588)4140479-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Steuerung</subfield><subfield code="0">(DE-588)4057472-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Prozessdaten</subfield><subfield code="0">(DE-588)4135104-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="4"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="5"><subfield code="a">Spanende Bearbeitung</subfield><subfield code="0">(DE-588)4055957-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="6"><subfield code="a">Qualitätssicherung</subfield><subfield code="0">(DE-588)4126457-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="7"><subfield code="a">Systemanalyse</subfield><subfield code="0">(DE-588)4116673-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="8"><subfield code="a">Versuchsplanung</subfield><subfield code="0">(DE-588)4078859-3</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034193519&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-034193519</subfield></datafield></record></collection> |
| genre | (DE-588)4113937-9 Hochschulschrift gnd-content |
| genre_facet | Hochschulschrift |
| id | DE-604.BV048929547 |
| illustrated | Illustrated |
| index_date | 2024-07-03T21:56:54Z |
| indexdate | 2024-07-10T09:50:09Z |
| institution | BVB |
| isbn | 9783844087604 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-034193519 |
| oclc_num | 1372652769 |
| open_access_boolean | |
| owner | DE-83 |
| owner_facet | DE-83 |
| physical | xix, 234 Seiten Illustrationen, Diagramme 21 cm, 384 g |
| publishDate | 2022 |
| publishDateSearch | 2022 |
| publishDateSort | 2022 |
| publisher | Shaker Verlag |
| record_format | marc |
| series2 | Schriftenreihe des PTW: "Innovation Fertigungstechnik" |
| spelling | Ziegenbein, Amina 1988- Verfasser (DE-588)1250345944 aut Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren Amina Ziegenbein Dürer Shaker Verlag 2022 xix, 234 Seiten Illustrationen, Diagramme 21 cm, 384 g txt rdacontent n rdamedia nc rdacarrier Schriftenreihe des PTW: "Innovation Fertigungstechnik" Dissertation Technische Universität Darmstadt 2022 Systemanalyse (DE-588)4116673-5 gnd rswk-swf Steuerung (DE-588)4057472-6 gnd rswk-swf Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf Spanende Werkzeugmaschine (DE-588)4140479-8 gnd rswk-swf Prozessdaten (DE-588)4135104-6 gnd rswk-swf Versuchsplanung (DE-588)4078859-3 gnd rswk-swf Datenanalyse (DE-588)4123037-1 gnd rswk-swf Qualitätssicherung (DE-588)4126457-5 gnd rswk-swf Spanende Bearbeitung (DE-588)4055957-9 gnd rswk-swf Klassifikation maschinelles Lernen Qualitätssicherung Werkzeugmaschinensteuerungssignale Prädiktive Qualität (DE-588)4113937-9 Hochschulschrift gnd-content Spanende Werkzeugmaschine (DE-588)4140479-8 s Steuerung (DE-588)4057472-6 s Prozessdaten (DE-588)4135104-6 s Datenanalyse (DE-588)4123037-1 s Maschinelles Lernen (DE-588)4193754-5 s Spanende Bearbeitung (DE-588)4055957-9 s Qualitätssicherung (DE-588)4126457-5 s Systemanalyse (DE-588)4116673-5 s Versuchsplanung (DE-588)4078859-3 s DE-604 DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034193519&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis |
| spellingShingle | Ziegenbein, Amina 1988- Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren Systemanalyse (DE-588)4116673-5 gnd Steuerung (DE-588)4057472-6 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Spanende Werkzeugmaschine (DE-588)4140479-8 gnd Prozessdaten (DE-588)4135104-6 gnd Versuchsplanung (DE-588)4078859-3 gnd Datenanalyse (DE-588)4123037-1 gnd Qualitätssicherung (DE-588)4126457-5 gnd Spanende Bearbeitung (DE-588)4055957-9 gnd |
| subject_GND | (DE-588)4116673-5 (DE-588)4057472-6 (DE-588)4193754-5 (DE-588)4140479-8 (DE-588)4135104-6 (DE-588)4078859-3 (DE-588)4123037-1 (DE-588)4126457-5 (DE-588)4055957-9 (DE-588)4113937-9 |
| title | Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren |
| title_auth | Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren |
| title_exact_search | Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren |
| title_exact_search_txtP | Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren |
| title_full | Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren Amina Ziegenbein |
| title_fullStr | Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren Amina Ziegenbein |
| title_full_unstemmed | Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren Amina Ziegenbein |
| title_short | Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren |
| title_sort | pradiktive qualitat durch werkzeugmaschinensignale effekte der datenvorbereitung auf klassifikationsergebnisse maschineller lernverfahren |
| topic | Systemanalyse (DE-588)4116673-5 gnd Steuerung (DE-588)4057472-6 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Spanende Werkzeugmaschine (DE-588)4140479-8 gnd Prozessdaten (DE-588)4135104-6 gnd Versuchsplanung (DE-588)4078859-3 gnd Datenanalyse (DE-588)4123037-1 gnd Qualitätssicherung (DE-588)4126457-5 gnd Spanende Bearbeitung (DE-588)4055957-9 gnd |
| topic_facet | Systemanalyse Steuerung Maschinelles Lernen Spanende Werkzeugmaschine Prozessdaten Versuchsplanung Datenanalyse Qualitätssicherung Spanende Bearbeitung Hochschulschrift |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034193519&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT ziegenbeinamina pradiktivequalitatdurchwerkzeugmaschinensignaleeffektederdatenvorbereitungaufklassifikationsergebnissemaschinellerlernverfahren |