<div class="csl-bib-body">
<div class="csl-entry">Wastian, M. (2013). <i>Abnormal event detection by using data mining and machine learning methods : modelling normality and anomalies</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2013.21282</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2013.21282
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/5809
-
dc.description
Zsfassung in dt. Sprache
-
dc.description.abstract
In der vorliegenden Diplomarbeit werden unterschiedliche Ansätze diskutiert, um ungewöhnliche und außerordentliche Ereignisse, für die man eine separate und spezialisierte Betrachtung als wünschenswert erachtet, anhand in Form einer Zeitreihe regelmäßig mitprotokollierter Daten möglichst frühzeitig zu detektieren und bei entsprechender Möglichkeit sogar vorherzusagen. Dieser Problemstellung, die in einem einleitenden Kapitel zusammen mit unterschiedlichen Anwendungsbereichen, in denen ebendiese auftritt, etwas ausführlicher vorgestellt wird, wird mittels einiger Methoden aus dem Bereich des Data Mining, des Machine Learning und des Soft Computing hybrid begegnet. Nach einer kurzen Grundlageneinführung zu Zeitreihen mitsamt den zugehörigen statistischen Vorhersagemodellen werden die erwähnten Begriffe näher abgesteckt, bevor der Fokus auf die einzelnen Teilmethoden gelegt wird. Auf eine Vorstellung von Werkzeugen zur Ausreißer- bzw. Novumserkennung folgt eine abschließende Diskussion der Simulationsergebnisse, die im Rahmen jenes Projekts erzielt wurden, in Zuge dessen diese Arbeit entstand. Der Text endet mit einem Ausblick auf mögliche Modellerweiterungen und zukünftige Arbeiten.
de
dc.description.abstract
This diploma thesis will discuss several approaches to detect unusual and extraordinary events, which we consider to be worth a separate and specialised further investigation, in a time series of frequently collected data as early as possible and - wherever applicable - to even predict them. We rise to this task, which will be introduced together with some different scopes of application in a more detailed way in the opening chapter, using various methods originating in the field of data mining, machine learning and soft computing in a hybrid manner. Following a short and basic introduction to time series including several statistical prediction models, I will delimit and discuss these terms in general, before I will focus on the modular parts of the proposed methodology. After the presentation of some algorithms to detect outliers and novelties, the results of the simulation gained in the project this work was part of are put up for discussion. The text ends with some prospects of possible extensions and enhancements as well as future research work.
en
dc.language
English
-
dc.language.iso
en
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
Zeitreihenvorhersage
de
dc.subject
Soft Computing
de
dc.subject
Data Mining
de
dc.subject
Machine Learning
de
dc.subject
Künstliche Neuronale Netze
de
dc.subject
Fuzzy Logik
de
dc.subject
Serverausfallsdetektion
de
dc.subject
Time Series Prediction
en
dc.subject
Soft Computing
en
dc.subject
Data Mining
en
dc.subject
Machine Learning
en
dc.subject
Artificial Neural Networks
en
dc.subject
Fuzzy Logic
en
dc.subject
Server Outage Detection
en
dc.title
Abnormal event detection by using data mining and machine learning methods : modelling normality and anomalies
en
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2013.21282
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Matthias Wastian
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
tuw.publication.orgunit
E101 - Institut für Analysis und Scientific Computing
-
dc.type.qualificationlevel
Diploma
-
dc.identifier.libraryid
AC11581359
-
dc.description.numberOfPages
125
-
dc.identifier.urn
urn:nbn:at:at-ubtuw:1-76245
-
dc.thesistype
Diplomarbeit
de
dc.thesistype
Diploma Thesis
en
dc.rights.identifier
In Copyright
en
dc.rights.identifier
Urheberrechtsschutz
de
tuw.advisor.staffStatus
staff
-
item.fulltext
with Fulltext
-
item.cerifentitytype
Publications
-
item.mimetype
application/pdf
-
item.openairecristype
http://purl.org/coar/resource_type/c_bdcc
-
item.languageiso639-1
en
-
item.openaccessfulltext
Open Access
-
item.openairetype
master thesis
-
item.grantfulltext
open
-
crisitem.author.dept
E101 - Institut für Analysis und Scientific Computing