標題: Titlebook: Data Mining; Modelle und Algorith Thomas A. Runkler Textbook 2015Latest edition Springer Fachmedien Wiesbaden 2015 Clustering.Data Mining.D [打印本頁] 作者: 空格 時間: 2025-3-21 16:50
書目名稱Data Mining影響因子(影響力)
書目名稱Data Mining影響因子(影響力)學科排名
書目名稱Data Mining網(wǎng)絡公開度
書目名稱Data Mining網(wǎng)絡公開度學科排名
書目名稱Data Mining被引頻次
書目名稱Data Mining被引頻次學科排名
書目名稱Data Mining年度引用
書目名稱Data Mining年度引用學科排名
書目名稱Data Mining讀者反饋
書目名稱Data Mining讀者反饋學科排名
作者: 轉(zhuǎn)向 時間: 2025-3-21 23:31 作者: 討好女人 時間: 2025-3-22 02:52
Polona Zalar,Nina Gunde-Cimermanung. Die einzelnen Kapitel dieses Buches behandeln die wichtigsten Methoden der Datenvorverarbeitung und -analyse: Daten und Relationen, Datenvorverarbeitung, Visualisierung, Korrelation, Regression, Prognose, Klassifikation und Clustering.作者: Benzodiazepines 時間: 2025-3-22 08:33
https://doi.org/10.1007/978-1-349-18085-1n. Es wird ein überblick über verschiedene Filtermethoden mit unterschiedlichen Eigenschaften und Komplexit?ten gegeben: gleitende Ma?e und diskrete lineare Filter mit endlicher oder unendlicher Impulsantwort. Merkmale mit unterschiedlichen Wertebereichen werden meist standardisiert oder transformiert.作者: acheon 時間: 2025-3-22 11:29
https://doi.org/10.1007/978-1-349-18085-1o-Assoziator) vorgestellt. Histogrammverfahren erlauben die Sch?tzung und Visualisierung von Datenverteilungen. Die Spektralanalyse (Kosinus- und Sinustransformation, Amplituden- und Phasenspektren) erm?glicht die Analyse und Visualisierung von periodischen Daten (z. B. Zeitreihen).作者: 千篇一律 時間: 2025-3-22 14:46 作者: 千篇一律 時間: 2025-3-22 19:53 作者: 來就得意 時間: 2025-3-22 22:56
Textbook 2015Latest editionin 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..作者: 沙發(fā) 時間: 2025-3-23 05:20 作者: arrhythmic 時間: 2025-3-23 06:01
https://doi.org/10.1007/978-1-349-18085-1erden. Stark korrelierte Merkmale stehen nicht unbedingt in kausalem Zusammenhang, sondern k?nnen auch durch Scheinkorrelationen bedingt sein. Die partielle Korrelationsanalyse erlaubt es, Effekte von Scheinkorrelationen herauszurechnen.作者: itinerary 時間: 2025-3-23 10:56 作者: pus840 時間: 2025-3-23 16:51
Korrelation,erden. Stark korrelierte Merkmale stehen nicht unbedingt in kausalem Zusammenhang, sondern k?nnen auch durch Scheinkorrelationen bedingt sein. Die partielle Korrelationsanalyse erlaubt es, Effekte von Scheinkorrelationen herauszurechnen.作者: outskirts 時間: 2025-3-23 20:17
,Einführung,ung. Die einzelnen Kapitel dieses Buches behandeln die wichtigsten Methoden der Datenvorverarbeitung und -analyse: Daten und Relationen, Datenvorverarbeitung, Visualisierung, Korrelation, Regression, Prognose, Klassifikation und Clustering.作者: Lignans 時間: 2025-3-23 23:04 作者: artifice 時間: 2025-3-24 04:10
Datenvisualisierung,o-Assoziator) vorgestellt. Histogrammverfahren erlauben die Sch?tzung und Visualisierung von Datenverteilungen. Die Spektralanalyse (Kosinus- und Sinustransformation, Amplituden- und Phasenspektren) erm?glicht die Analyse und Visualisierung von periodischen Daten (z. B. Zeitreihen).作者: 斗志 時間: 2025-3-24 06:30 作者: CURT 時間: 2025-3-24 12:41 作者: Chauvinistic 時間: 2025-3-24 17:46 作者: carotenoids 時間: 2025-3-24 21:24
Regression,e Trainingsfehler erreichen, aber für Modelle mit guter Generalisierungsf?higkeit werden geringe Validierungsfehler ben?tigt, die sich mit Kreuzvalidierungsverfahren bestimmen lassen. Durch Merkmalsselektion werden nur die relevanten Merkmale berücksichtigt, was zu einfacheren und oft genaueren Modellen führt.作者: 食道 時間: 2025-3-25 00:03 作者: BULLY 時間: 2025-3-25 04:48
978-3-8348-1694-8Springer Fachmedien Wiesbaden 2015作者: 不適 時間: 2025-3-25 08:03 作者: Dignant 時間: 2025-3-25 15:05 作者: CHIDE 時間: 2025-3-25 16:54
Thomas A. RunklerSolides Grundverst?ndnis.Motivation und Eigenschaften der verschiedenen Data Mining Methoden.kompakter, fundierter überblick.Includes supplementary material: 作者: 不整齊 時間: 2025-3-25 23:52 作者: miniature 時間: 2025-3-26 01:52
Polona Zalar,Nina Gunde-Cimermantrukturierte Daten, Bilddaten oder biomedizinische Daten. Es werden die Begriffe Datenanalyse, Data Mining, Knowledge Discovery sowie die KDD- und CRISP-DM-Prozesse eingeführt. Typische Datenanalyseprojekte lassen sich in mehrere Phasen gliedern: Vorbereitung, Vorverarbeitung, Analyse und Nachbereit作者: Coronation 時間: 2025-3-26 06:05 作者: 歡笑 時間: 2025-3-26 10:23
https://doi.org/10.1007/978-1-349-18085-1?glicherweise heterogenen Informationsquellen integriert werden. Fehler in Daten k?nnen systematischer oder zuf?lliger Natur sein. Systematische Fehler lassen sich oft korrigieren. Ausrei?er sollten erkannt, entfernt oder korrigiert werden. Ausrei?er und Rauschen k?nnen durch Filtern reduziert werde作者: Physiatrist 時間: 2025-3-26 16:21
https://doi.org/10.1007/978-1-349-18085-1hochdimensionaler Daten müssen Projektionen durchgeführt werden. Es werden lineare (Hauptkomponentenanalyse, Karhunen-Loève-Transformation, Singul?rwertzerlegung, Eigenvektorprojektion, Hotelling-Transformation, mehrdimensionale Skalierung) und nichtlineare Projektionsmethoden (Sammon-Abbildung, Aut作者: 怎樣才咆哮 時間: 2025-3-26 20:15 作者: AND 時間: 2025-3-26 22:02 作者: manifestation 時間: 2025-3-27 03:47
https://doi.org/10.1007/978-1-349-18085-1zeugt wurde. Solche Prozesse k?nnen mit Mealy- oder Moore-Maschinen modelliert werden, wodurch sich rekurrente oder auto-regressive Modelle entwickeln lassen. Die Bestimmung der eigentlichen Prognosemodelle ist eine Regressionsaufgabe, bei der die Trainingsdaten durch endliche Entfaltung der Zeitrei作者: 宿醉 時間: 2025-3-27 07:42
https://doi.org/10.1057/9780230295063h negative Fehler unterschieden und auf dieser Basis zahlreiche Klassifikationskriterien definiert. Oft werden Paare solcher Kriterien zur Bewertung von Klassifikatoren verwendet und z. B. in einem ROC- (engl. .) oder PR-Diagramm (engl. .) dargestellt. Unterschiedliche Klassifikatoren mit spezifisch作者: Harrowing 時間: 2025-3-27 12:33 作者: largesse 時間: 2025-3-27 17:18 作者: calumniate 時間: 2025-3-27 17:52 作者: TIA742 時間: 2025-3-27 21:58
Datenvorverarbeitung,?glicherweise heterogenen Informationsquellen integriert werden. Fehler in Daten k?nnen systematischer oder zuf?lliger Natur sein. Systematische Fehler lassen sich oft korrigieren. Ausrei?er sollten erkannt, entfernt oder korrigiert werden. Ausrei?er und Rauschen k?nnen durch Filtern reduziert werde作者: 學術討論會 時間: 2025-3-28 03:55 作者: oxidant 時間: 2025-3-28 07:57 作者: 親密 時間: 2025-3-28 14:28
Regression,ssionsmodelle k?nnen effizient aus den Kovarianzen berechnet werden, sind aber auf lineare Zusammenh?nge beschr?nkt. Durch Substitution lassen sich auch bestimmte nichtlineare Regressionsmodelle durch lineare Regression finden. Robuste Regression ist weniger empfindlich gegenüber Ausrei?ern. Eine wi作者: 結合 時間: 2025-3-28 18:04 作者: DAMP 時間: 2025-3-28 20:49
Klassifikation,h negative Fehler unterschieden und auf dieser Basis zahlreiche Klassifikationskriterien definiert. Oft werden Paare solcher Kriterien zur Bewertung von Klassifikatoren verwendet und z. B. in einem ROC- (engl. .) oder PR-Diagramm (engl. .) dargestellt. Unterschiedliche Klassifikatoren mit spezifisch作者: 生存環(huán)境 時間: 2025-3-29 00:27 作者: 啜泣 時間: 2025-3-29 06:48
Clustering, Formen). Relationale Clustermodelle finden Cluster in relationalen Daten. Dabei kann auch der Kernel-Trick angewendet werden. Die Clustertendenz gibt an, ob die Daten überhaupt Cluster enthalten. Clustervalidit?tsma?e quantifizieren die Güte des Clusterergebnisses und erm?glichen, die Anzahl der Cl
