Isbn: 9781461444565 - graph embedding for pattern analysis (3 Ergebnisse)

ISBN
Mit der Detailsuche verfeinern

Optimieren Sie Ihre Suche

  • Bücher (3)

  • Neu (3)

bis

Benutzerdefinierte Preisspanne (EUR)

bis

  • Sprache: Englisch

    Verlag: Springer, 2012

    146144456X / 9781461444565

    • Hardcover

    Anbieter: Ria Christie Collections, Uxbridge, Vereinigtes KönigreichRia Christie Collections

    Verkäufer/-in mit 5 Sternen
    Verkäufer/-in kontaktieren

    Zustand: Neu

    EUR 116,37

    EUR 13,17 Versand 
    Versand von Vereinigtes Königreich nach USA

    Anzahl: Mehr als 20 verfügbar

    Zustand: New. In English.

  • Sprache: Englisch

    Verlag: Springer, 2012

    146144456X / 9781461444565

    • Hardcover

    Anbieter: Revaluation Books, Exeter, Vereinigtes KönigreichRevaluation Books

    Verkäufer/-in mit 5 Sternen
    Verkäufer/-in kontaktieren

    Zustand: Neu

    EUR 154,69

    EUR 14,58 Versand 
    Versand von Vereinigtes Königreich nach USA

    Anzahl: 2 verfügbar

    Hardcover. Zustand: Brand New. 2013 edition. 268 pages. 9.20x6.10x0.80 inches. In Stock.

  • Sprache: Englisch

    Verlag: Springer, 2012

    146144456X / 9781461444565

    • Hardcover

    Anbieter: AHA-BUCH GmbH, Einbeck, DeutschlandAHA-BUCH GmbH

    Verkäufer/-in mit 5 Sternen
    Verkäufer/-in kontaktieren

    Zustand: Neu

    EUR 151,73

    EUR 30,50 Versand 
    Versand von Deutschland nach USA

    Anzahl: 1 verfügbar

    Buch. Zustand: Neu. Druck auf Anfrage Neuware - Printed after ordering - Graph Embedding for Pattern Analysis covers theory methods, computation, and applications widely used in statistics, machine learning, image processing, and computer vision. This book presents the latest advances in graph embedding theories, such as nonlinear manifold graph, linearization method, graph based subspace analysis, L1 graph, hypergraph, undirected graph, and graph in vector spaces. Real-world applications of these theories are spanned broadly in dimensionality reduction, subspace learning, manifold learning, clustering, classification, and feature selection. A selective group of experts contribute to different chapters of this book which provides a comprehensive perspective of this field.