Geschäftskunden Kundenprogramme
Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

*Gültig bis 20.07.2026 auf alle Bücher. Ausgeschlossen sind Zeitschriften, Prozentbücher und Abos | Einlösbar in allen Buchhandlungen von Orell Füssli, Barth Bücher, Buchladen Rapunzel, Papeterie Köhler, Schuler Orell Füssli, Stauffacher und ZAP unter Vorweisung des Gutscheins, auf www.orellfüssli.ch durch Eingabe des Gutscheincodes. Beim Service „eBooks verschenken“ und bei eBook-Käufen via eReader nicht einlösbar | Mindesteinkaufswert: Fr. 30.- | Nicht mit anderen Rabatten kumulierbar.
Produktbild: Kononenko, I: Machine Learning and Data Mining

Kononenko, I: Machine Learning and Data Mining

Fr. 122.00

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

30.04.2007

Abbildungen

mit Illustrationen

Verlag

Elsevier Science & Technology

Seitenzahl

480

Maße (L/B/H)

15.6/23.5/2.6 cm

Gewicht

710 g

Sprache

Englisch

ISBN

978-1-904275-21-3

Beschreibung

Rezension

"Readers are treated to a comprehensive look at the principles. .a fine overview of machine learning methods. .Recommended." --Choice Magazine

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

30.04.2007

Abbildungen

mit Illustrationen

Verlag

Elsevier Science & Technology

Seitenzahl

480

Maße (L/B/H)

15.6/23.5/2.6 cm

Gewicht

710 g

Sprache

Englisch

ISBN

978-1-904275-21-3

EU-Ansprechpartner

Zeitfracht Medien GmbH
Ferdinand-Jühlke-Straße 7
99095 Erfurt
DE
produktsicherheit@zeitfracht.de

Herstelleradresse

Elsevier Science & Technology
125 London Wall
EC2Y 5AS London
GB
tradeorders@elsevier.com

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
Die Leseprobe wird geladen.
  • Produktbild: Kononenko, I: Machine Learning and Data Mining
    • Foreword
    • Preface
      • Acknowledgements
    • Chapter 1: Introduction
      • 1.1 THE NAME OF THE GAME
      • 1.2 OVERVIEW OF MACHINE LEARNING METHODS
      • 1.3 HISTORY OF MACHINE LEARNING
      • 1.4 SOME EARLY SUCCESSES
      • 1.5 APPLICATIONS OF MACHINE LEARNING
      • 1.6 DATA MINING TOOLS AND STANDARDS
      • 1.7 SUMMARY AND FURTHER READING
    • Chapter 2: Learning and Intelligence
      • 2.1 WHAT IS LEARNING
      • 2.2 NATURAL LEARNING
      • 2.3 LEARNING, INTELLIGENCE, CONSCIOUSNESS
      • 2.4 WHY MACHINE LEARNING
      • 2.5 SUMMARY AND FURTHER READING
    • Chapter 3: Machine Learning Basics
      • 3.1 BASIC PRINCIPLES
      • 3.2 MEASURES FOR PERFORMANCE EVALUATION
      • 3.3 ESTIMATING PERFORMANCE
      • 3.4 *COMPARING PERFORMANCE OF MACHINE LEARNING ALGORITHMS
      • 3.5 COMBINING SEVERAL MACHINE LEARNING ALGORITHMS
      • 3.6 SUMMARY AND FURTHER READING
    • Chapter 4: Knowledge Representation
      • 4.1 PROPOSITIONAL CALCULUS
      • 4.2 *FIRST ORDER PREDICATE CALCULUS
      • 4.3 DISCRIMINANT AND REGRESSION FUNCTIONS
      • 4.4 PROBABILITY DISTRIBUTIONS
      • 4.5 SUMMARY AND FURTHER READING
    • Chapter 5: Learning as Search
      • 5.1 EXHAUSTIVE SEARCH
      • 5.2 BOUNDED EXHAUSTIVE SEARCH (BRANCH AND BOUND)
      • 5.3 BEST-FIRST SEARCH
      • 5.4 GREEDY SEARCH
      • 5.5 BEAM SEARCH
      • 5.6 LOCAL OPTIMIZATION
      • 5.7 GRADIENT SEARCH
      • 5.8 SIMULATED ANNEALING
      • 5.9 GENETIC ALGORITHMS
      • 5.10 SUMMARY AND FURTHER READING
    • Chapter 6: Measures for Evaluating the Quality of Attributes
      • 6.1 MEASURES FOR CLASSIFICATION AND RELATIONAL PROBLEMS
      • 6.2 MEASURES FOR REGRESSION
      • 6.3 **FORMAL DERIVATIONS AND PROOFS
      • 6.4 SUMMARY AND FURTHER READING
    • Chapter 7: Data Preprocessing
      • 7.1 REPRESENTATION OF COMPLEX STRUCTURES
      • 7.2 DISCRETIZATION OF CONTINUOUS ATTRIBUTES
      • 7.3 ATTRIBUTE BINARIZATION
      • 7.4 TRANSFORMING DISCRETE ATTRIBUTES INTO CONTINUOUS
      • 7.5 DEALING WITH MISSING VALUES
      • 7.6 VISUALIZATION
      • 7.7 DIMENSIONALITY REDUCTION
      • 7.8 **FORMAL DERIVATIONS AND PROOFS
      • 7.9 SUMMARY AND FURTHER READING
    • Chapter 8: *Constructive Induction
      • 8.1 DEPENDENCE OF ATTRIBUTES
      • 8.2 CONSTRUCTIVE INDUCTION WITH PRE-DEFINED OPERATORS
      • 8.3 CONSTRUCTIVE INDUCTION WITHOUT PRE-DEFINED OPERATORS
      • 8.4 SUMMARY AND FURTHER READING
    • Chapter 9: Symbolic Learning
      • 9.1 LEARNING OF DECISION TREES
      • 9.2 LEARNING OF DECISION RULES
      • 9.3 LEARNING OF ASSOCIATION RULES
      • 9.4 LEARNING OF REGRESSION TREES
      • 9.5 *INDUCTIVE LOGIC PROGRAMMING
      • 9.6 NAIVE AND SEMI-NAIVE BAYESIAN CLASSIFIER
      • 9.7 BAYESIAN BELIEF NETWORKS
      • 9.8 SUMMARY AND FURTHER READING
    • Chapter 10: Statistical Learning
      • 10.1 NEAREST NEIGHBORS
      • 10.2 DISCRIMINANT ANALYSIS
      • 10.3 LINEAR REGRESSION
      • 10.4 LOGISTIC REGRESSION
      • 10.5 *SUPPORT VECTOR MACHINES
      • 10.6 SUMMARY AND FURTHER READING
    • Chapter 11: Artificial Neural Networks
      • 11.1 INTRODUCTION
      • 11.2 TYPES OF ARTIFICIAL NEURAL NETWORKS
      • 11.3 *HOPFIELD'S NEURAL NETWORK
      • 11.4 *BAYESIAN NEURAL NETWORK
      • 11.5 PERCEPTRON
      • 11.6 RADIAL BASIS FUNCTION NETWORKS
      • 11.7 **FORMAL DERIVATIONS AND PROOFS
      • 11.8 SUMMARY AND FURTHER READING
    • Chapter 12: Cluster Analysis
      • 12.1 INTRODUCTION
      • 12.2 MEASURES OF DISSIMILARITY
      • 12.3 HIERARCHICAL CLUSTERING
      • 12.4 PARTITIONAL CLUSTERING
      • 12.5 MODEL-BASED CLUSTERING
      • 12.6 OTHER CLUSTERING METHODS
      • 12.7 SUMMARY AND FURTHER READING
    • Chapter 13: **Learning Theory