Sökning: "Datamängder"

Visar resultat 1 - 5 av 336 uppsatser innehållade ordet Datamängder.

  1. 1. Prestandajämförelse mellan krypterade och okrypterade tidsseriedatabaser med IoT-baserad temperatur- och geopositionsdata

    M1-uppsats, KTH/Hälsoinformatik och logistik

    Författare :Sinem Uzunel; Joanna Xu; [2024]
    Nyckelord :AWS Timestream; InfluxDB Cloud; Performance Testing; Time Series; Time Series databases; Encryption; Database Query; Internet of Things IoT ; Performance Analysis; AWS Timestream; InfluxDB Cloud; Prestandatest; Tidsserier; Tidsseriedatabas; Kryptering; Databasfråga; Internet of Things IoT ; Prestandaanalys;

    Sammanfattning : Internet of Things (IoT) är en växande teknologi som spelar en allt större roll i samhället. Den innefattar ett nätverk av internetanslutna enheter som samlar in och utbyter data. Samtidigt som IoT växer uppstår utmaningar kring hantering av stora datamängder och säkerhetsaspekter. LÄS MER

  3. 2. Designprocessen och maskininlärning: Framtiden för användarcentrerad design

    Kandidat-uppsats, Stockholms universitet/Institutionen för data- och systemvetenskap

    Författare :Lisa Marie Karin Gärdhammar; [2024]
    Nyckelord :Artificial Intelligence; Machine Learning; Design process; Journey Mapping; Empathy; User experience; Customer experience; Artificiell intelligens; Maskininlärning; Designprocessen; Journey Mapping; Empati; Användarupplevelse; Kundupplevelse;

    Sammanfattning : Artificiell intelligens (AI) och i synnerhet maskininlärning (ML) har inom UX-design visat potential att förbättra designprocessen genom att exempelvis identifiera användargrupper från stora datamängder, effektivisera idégenerering och automatisera repetitiva uppgifter. Det råder dock oenighet kring hur tekniken kan integreras i designprocessen. LÄS MER

  4. 3. Utilizing energy-saving techniques to reduce energy and memory consumption when training machine learning models : Sustainable Machine Learning

    Master-uppsats, KTH/Skolan för elektroteknik och datavetenskap (EECS)

    Författare :Khalid El Yaacoub; [2024]
    Nyckelord :Sustainable AI; Machine learning; Quantization-Aware Training; Model Distillation; Quantized Distillation; Siamese Neural Networks; Continual Learning; Experience Replay; Data Efficient AI; Energy Consumption; Energy-Savings; Sustainable ML; Computation resources; Hållbar maskin inlärning; Hållbar AI; Maskininlärning; Quantization-Aware Training; Model Distillation; Quantized Distillation; siamesiska neurala nätverk; Continual Learning; Experience Replay; Dataeffektiv AI; Energiförbrukning; Energibesparingar; Beräkningsresurser;

    Sammanfattning : Emerging machine learning (ML) techniques are showing great potential in prediction performance. However, research and development is often conducted in an environment with extensive computational resources and blinded by prediction performance. LÄS MER

  5. 4. Modulating Depth Map Features to Estimate 3D Human Pose via Multi-Task Variational Autoencoders

    Master-uppsats, KTH/Skolan för elektroteknik och datavetenskap (EECS)

    Författare :Kobe Moerman; [2023]
    Nyckelord :3D pose estimation; Joint landmarks; Variational autoencoder; Multi-task model; Loss discrimination; Latent-space modulation; Depth map; 3D-positionsuppskattning; Gemensamma landmärken; Variationell autoencoder; Multitask-modell; Förlustdiskriminering; Latent-space-modulering; Djupkarta;

    Sammanfattning : Human pose estimation (HPE) constitutes a fundamental problem within the domain of computer vision, finding applications in diverse fields like motion analysis and human-computer interaction. This paper introduces innovative methodologies aimed at enhancing the accuracy and robustness of 3D joint estimation. LÄS MER

  7. 5. Machine Learning model applied to Reactor Dynamics

    Master-uppsats, KTH/Fysik

    Författare :Dionysios Dimitrios Nikitopoulos; [2023]
    Nyckelord :Master Thesis; Machine Learning; stability; Energy distribution profiles; Prediction; frequency; decay ratio; Data processing; POLCA-T; Pytorch; testing data; RMSE. ii;

    Sammanfattning : This project’s idea revolved around utilizing the most recent techniques in MachineLearning, Neural Networks, and Data processing to construct a model to be used asa tool to determine stability during core design work. This goal will be achieved bycollecting distribution profiles describing the core state from different steady statesin five burn-up cycles in a reactor to serve as the dataset for training the model. LÄS MER