Towards inherently interpretable machine learning for healthcare

dc.contributor	Eberhard Karls Universität Tübingen	de_DE
dc.contributor.author	Ditz, Jonas	de_DE
dc.date.accessioned	2024-03-15T10:00:56Z
dc.date.available	2024-03-15T10:00:56Z
dc.date.issued	2023	de_DE
dc.identifier.uri	http://hdl.handle.net/10900/152021
dc.language.iso	en
dc.publisher	Tübingen	de_DE
dc.relation.uri	http://dx.doi.org/10.15496/publikation-92363	de_DE
dc.title	Towards inherently interpretable machine learning for healthcare	de_DE
dc.type	PhDThesis	de_DE
utue.kommentar.intern	Erscheint auch als Online-Ausgabe	de_DE
utue.personen.roh	Ditz, Jonas	de_DE
utue.publikation.seitengesamt	XV, 116 Seiten	de_DE
utue.titel.verfasserangabe	vorgelegt von Jonas Christian Ditz	de_DE
utue.publikation.abrufzeichen	tdis	de_DE
utue.publikation.swbdatum	2402	de_DE
utue.publikation.fachbereich	57	de_DE
utue.publikation.fakultaet	7	de_DE
utue.artikel.ppn	1881463818	de_DE