書目名稱 | Hybride Optimierung für Dimensionsreduktion | 副標(biāo)題 | Unüberwachte Regress | 編輯 | Daniel Lückehe | 視頻video | http://file.papertrans.cn/431/430219/430219.mp4 | 概述 | Wissenschaftlich-technische Studie.Includes supplementary material: | 叢書名稱 | BestMasters | 圖書封面 |  | 描述 | In der Arbeit von Daniel Lückehe wird ein neues hybrides Verfahren zur Dimensionsreduktion methodisch erarbeitet, analysiert und durch experimentelle Tests mit vorhandenen Methoden verglichen. Hochdimensionale Daten, h?ufig zusammengefasst unter dem Begriff ?Big Data“, liegen heutzutage in vielen Bereichen vor. Darunter fallen beispielsweise visuell erfasste Informationen, in denen Muster erkannt werden sollen, Anwendungen im medizinischen Bereich sowie Daten aus dem Gebiet der Astronomie. Eine Dimensionsreduktion kann dabei helfen, Informationen aus gro?en, hochkomplexen Datens?tzen zu gewinnen und diese besser verarbeiten zu k?nnen. So k?nnen Daten beispielsweise auf einen zweidimensionalen Raum abgebildet und somit für den Menschen visuell erfassbar werden. | 出版日期 | Book 2015 | 關(guān)鍵詞 | Big Data; Computational Intelligence; Dimensionsreduktion; Maschinelles Lernen; Regressionsmodell | 版次 | 1 | doi | https://doi.org/10.1007/978-3-658-10738-3 | isbn_softcover | 978-3-658-10737-6 | isbn_ebook | 978-3-658-10738-3Series ISSN 2625-3577 Series E-ISSN 2625-3615 | issn_series | 2625-3577 | copyright | Springer Fachmedien Wiesbaden 2015 |
The information of publication is updating
|
|