Data Mining: Modelle und Algorithmen intelligenter Datenanalyse: Computational Intelligence
Autor Thomas A. Runklerde Limba Germană Paperback – 31 iul 2015
Din seria Computational Intelligence
- Preț: 250.66 lei
- 20% Preț: 326.13 lei
- 20% Preț: 418.70 lei
- Preț: 487.48 lei
- Preț: 318.82 lei
- Preț: 416.54 lei
- 15% Preț: 524.79 lei
- Preț: 488.12 lei
- Preț: 267.86 lei
- Preț: 489.69 lei
- Preț: 463.19 lei
- 20% Preț: 253.37 lei
- Preț: 318.82 lei
- 20% Preț: 276.12 lei
- 15% Preț: 509.07 lei
- Preț: 324.43 lei
- Preț: 435.76 lei
- 15% Preț: 643.00 lei
- 20% Preț: 432.79 lei
- 20% Preț: 322.08 lei
- 20% Preț: 213.09 lei
- 20% Preț: 236.68 lei
- 20% Preț: 326.13 lei
Preț: 225.81 lei
Preț vechi: 282.26 lei
-20% Nou
Puncte Express: 339
Preț estimativ în valută:
43.22€ • 44.54$ • 36.49£
43.22€ • 44.54$ • 36.49£
Carte tipărită la comandă
Livrare economică 01-15 martie
Preluare comenzi: 021 569.72.76
Specificații
ISBN-13: 9783834816948
ISBN-10: 3834816949
Pagini: 165
Ilustrații: XII, 145 S. 72 Abb.
Dimensiuni: 168 x 240 x 15 mm
Greutate: 0.26 kg
Ediția:2., aktualisierte Aufl. 2015
Editura: Springer Fachmedien Wiesbaden
Colecția Springer Vieweg
Seria Computational Intelligence
Locul publicării:Wiesbaden, Germany
ISBN-10: 3834816949
Pagini: 165
Ilustrații: XII, 145 S. 72 Abb.
Dimensiuni: 168 x 240 x 15 mm
Greutate: 0.26 kg
Ediția:2., aktualisierte Aufl. 2015
Editura: Springer Fachmedien Wiesbaden
Colecția Springer Vieweg
Seria Computational Intelligence
Locul publicării:Wiesbaden, Germany
Public țintă
Upper undergraduateCuprins
Daten und Relationen.- Datenvorverarbeitung.-Datenvisualisierung.- Korrelation.- Regression.- Prognose.- Klassifikation.- Clustering
Recenzii
“... Im Anhang befinden sich eine Übersicht über Optimierungsverfahren, Lösungen der Übungsaufgaben und ein Sachverzeichnis. Die Beispiele sind gut gewählt und verständlich. Grundlegende Mathematikkenntnisse werden allerdings vorausgesetzt, erweiterte sind von Vorteil. Der Band kann sowohl Studierenden der Informatik und verwandter Gebiete als auch in der Praxis Stehenden als fundierte Übersicht empfohlen werden.” (in: thalia.de, 17. August 2016)
Notă biografică
Thomas A. Runkler ist Principal Research Scientist der Siemens AG in München und lehrt Data Mining an der Fakultät für Informatik der Technischen Universität München.
Textul de pe ultima copertă
Data Mining
Die wichtigsten Methoden zur Erkennung und Extraktion von „Wissen“ aus numerischen und nichtnumerischen Datenbanken in Technik und Wirtschaft werden in diesem Buch behandelt. Es vermittelt einen kompakten, fundierten Überblick über die verschiedenen Methoden sowie deren Motivation und versetzt den Leser in die Lage, Data Mining selbst praktisch einzusetzen.
Der Inhalt
Daten und Relationen
Datenvorverarbeitung
Datenvisualisierung
Korrelation
Regression
Prognose
Klassifikation
Clustering
Die Zielgruppen
Studierende der Informatik, Ingenieurwissenschaften und Mathematik
Informatiker, Ingenieure und Mathematiker in Forschung und Lehre
Praktiker, die mit großen Datenmengen arbeiten
Der Autor
Thomas A. Runkler ist Principal Research Scientist der Siemens AG in München und lehrt Data Mining an der Fakultät für Informatik der Technischen Universität München.
Die wichtigsten Methoden zur Erkennung und Extraktion von „Wissen“ aus numerischen und nichtnumerischen Datenbanken in Technik und Wirtschaft werden in diesem Buch behandelt. Es vermittelt einen kompakten, fundierten Überblick über die verschiedenen Methoden sowie deren Motivation und versetzt den Leser in die Lage, Data Mining selbst praktisch einzusetzen.
Der Inhalt
Daten und Relationen
Datenvorverarbeitung
Datenvisualisierung
Korrelation
Regression
Prognose
Klassifikation
Clustering
Die Zielgruppen
Studierende der Informatik, Ingenieurwissenschaften und Mathematik
Informatiker, Ingenieure und Mathematiker in Forschung und Lehre
Praktiker, die mit großen Datenmengen arbeiten
Der Autor
Thomas A. Runkler ist Principal Research Scientist der Siemens AG in München und lehrt Data Mining an der Fakultät für Informatik der Technischen Universität München.
Caracteristici
Solides Grundverständnis Motivation und Eigenschaften der verschiedenen Data Mining Methoden kompakter, fundierter Überblick Includes supplementary material: sn.pub/extras