Springer, Springer

Machine Learning Paradigms: Advances in Analytics (Intelligent Systems Reference Library, 158, Band 158)

Name: Machine Learning Paradigms: Advances in Analytics (Intelligent Systems Reference Library, 158, Band 158)
Brand: Springer, Springer
SKU: 6b4a42015e7fbb18bb5b13a03617949d

1/1

Abbildung von Machine Learning Paradigms: Advances in Analytics (Intelligent Systems Reference Library, 158, Band 158)

Amazon Marketplace

Preise von

106,99

Hervorgehoben

	106,99 €	Zum Shop
	140,16 €	Zum Shop
	156,39 €	Zum Shop
ALLE WEBSHOPS VERGLEICHEN (4)

Beschreibung

Kaufland Dieses zeitgemäße Buch stellt Anwendungen in Empfehlungssystemen vor, die Empfehlungen mit Hilfe von Algorithmen des maschinellen Lernens aussprechen, die anhand von Beispielen von Inhalten, die der Benutzer mag oder nicht mag, trainiert wurden. Empfehlungssysteme, die auf der Annahme beruhen, dass sowohl Positiv- als auch Negativbeispiele verfügbar sind, schneiden nicht gut ab, wenn Negativbeispiele selten sind. Genau diesem Problem widmen sich die Autoren in der vorliegenden Monographie. Der Ansatz des Buches basiert auf Einklassen-Klassifizierungsmethoden, die in der jüngsten Forschung zum maschinellen Lernen aufgetaucht sind. Die Verschmelzung von Empfehlungssystemen und Einklassen-Klassifikation bietet ein neues, sehr fruchtbares Feld für Forschung, Innovation und Entwicklung mit potenziellen Anwendungen sowohl für "Big Data"- als auch für "Sparse Data"-Probleme.Das Buch ist nützlich für Forscher, Praktiker und Studenten, die sich mit Problemen umfangreicher und komplexer Daten beschäftigen. Es richtet sich sowohl an Expe

Webshops vergleichen (4)

Gesponserte Links · Einige Shops zahlen uns eine Vergütung

Sortieren nach:

106,99 € Gratis Versand

140,16 € 1,90 € Versandkosten Gesamt 142,06 €

156,39 € Gratis Versand

Beschreibung (1)

Dieses zeitgemäße Buch stellt Anwendungen in Empfehlungssystemen vor, die Empfehlungen mit Hilfe von Algorithmen des maschinellen Lernens aussprechen, die anhand von Beispielen von Inhalten, die der Benutzer mag oder nicht mag, trainiert wurden. Empfehlungssysteme, die auf der Annahme beruhen, dass sowohl Positiv- als auch Negativbeispiele verfügbar sind, schneiden nicht gut ab, wenn Negativbeispiele selten sind. Genau diesem Problem widmen sich die Autoren in der vorliegenden Monographie. Der Ansatz des Buches basiert auf Einklassen-Klassifizierungsmethoden, die in der jüngsten Forschung zum maschinellen Lernen aufgetaucht sind. Die Verschmelzung von Empfehlungssystemen und Einklassen-Klassifikation bietet ein neues, sehr fruchtbares Feld für Forschung, Innovation und Entwicklung mit potenziellen Anwendungen sowohl für "Big Data"- als auch für "Sparse Data"-Probleme.Das Buch ist nützlich für Forscher, Praktiker und Studenten, die sich mit Problemen umfangreicher und komplexer Daten beschäftigen. Es richtet sich sowohl an Expe