Produktbild: Applied Machine Learning for Assisted Living

Applied Machine Learning for Assisted Living

Fr. 191.00

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

31.08.2023

Verlag

Springer

Seitenzahl

131

Maße (L/B/H)

23.5/15.5/0.9 cm

Gewicht

230 g

Auflage

1st ed. 2022

Sprache

Englisch

ISBN

978-3-031-11536-3

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

31.08.2023

Verlag

Springer

Seitenzahl

131

Maße (L/B/H)

23.5/15.5/0.9 cm

Gewicht

230 g

Auflage

1st ed. 2022

Sprache

Englisch

ISBN

978-3-031-11536-3

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: ProductSafety@springernature.com

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern

  • Produktbild: Applied Machine Learning for Assisted Living
  • 1.Assisted Living.- 1. 1. Introduction .- 1.2. Surveys on Assisted Living.- 1.3. Assisted Living Projects.- 1.4. Target Users.- 1.4.1. Indoor Observations.- 1.4.2. Outdoor Observations.- 1.5. Privacy and Data Protection.- 1.6. Conclusion.- References.- 2. Sensors and Features for Assisted Living Technologies .- 2.1. Sensors in User care.- 2.1.1. Wearable Sensors.- 2.1.2. Smart Daily Objects.- 2.1.3. Environmental Sensors.- 2.1.2. Wearables with Ambient Sensors.- 2.1.3. Ambient Sensors in Robotic Assisted Living.- 2.2. Feature Extraction.- 2.2.1. Feature Extraction Using PCA.- 2.2.2. Kernel Principal Component Analysis (KPCA).- 2.2.3. Feature Extraction Using ICA.- 2.2.4. Linear Discriminant Analysis (LDA).- 2.2.5. Generalized Discriminant Analysis (GDA).- 2.3. Discussion.- 2.4. Conclusion.- References.- 3. Machine Learning.- 3.1 Shallow Machine Learning.- 3.1.1. Support Vector Machines.- vii.- 3.1.2. Random Forests.- 3.1.3. AdaBoost and Gradient Boosting.- 3.1.4. Nearest Neighbors .- 3.1.5. Examples.- 3.2. Deep Machine Learning.- 3.2.1. Deep Belief Networks (DBN).- 3.2.2. Convolutional Neural Network.- 3.2.3. Recurrent Neural Networks.- 3.2.4. Neural Structured Learning.- 3.2.4. Pre-trained deep learning models.- 3.3. Explainable AI (XAI).- 3.3.1. Local Explanations.- 3.3.2. Rule-based Explanations.- 3.3.3. Visual Explanations.- 3.3.4. Feature Relevance Explanations.- 3.4. Discussion.- 3.5. Conclusion.- References .- 4. Applications.- 4.1. Wearable Sensor-based Behavior Recognition.- 4.1.1. MHEALTH Dataset.- 4.1.2. Experimental Results on MHEALTH Dataset.- 4.1.3. PUC-Rio Dataset.- 4.1.4. Experimental Results on PUC-Rio Dataset.- 4.1.5. ARem Dataset.- 4.1.6. Experimental Results on AReM Dataset.- 4.3. Video Camera-based Behavior Recognition.- 4.3.1. Binary Silhouettes and Features.- 4.3.2. Depth Silhouettes and Features.- 4.3.3. 3-D Model-based HAR.- 4.4. Other Ambient Sensor-based Behavior Recognition.- 4.4.1. CASAS Dataset.- viii.- 4.4.2. Experimental Results.- 4.5. Conclusion.- References.