Verwandte Artikel zu Hybride Optimierung für Dimensionsreduktion: Unüberwachte...
Hybride Optimierung für Dimensionsreduktion: Unüberwachte Regression mit Gradientenabstieg und evolutionären Algorithmen (BestMasters) - Softcover
Zu dieser ISBN ist aktuell kein Angebot verfügbar.
Alle Exemplare der Ausgabe mit dieser ISBN anzeigen:
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, HÄUFIG 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 GROSSEN, HOCHKOMPLEXEN DATENSÄTZEN ZU GEWINNEN UND DIESE BESSER VERARBEITEN ZU KÖNNEN. SO KÖNNEN DATEN BEISPIELSWEISE AUF EINEN ZWEIDIMENSIONALEN RAUM ABGEBILDET UND SOMIT FÜR DEN MENSCHEN VISUELL ERFASSBAR WERDEN.
Die Inhaltsangabe kann sich auf eine andere Ausgabe dieses Titels beziehen.
Reseña del editor:
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, häufig 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 großen, hochkomplexen Datensätzen zu gewinnen und diese besser verarbeiten zu können. So können Daten beispielsweise auf einen zweidimensionalen Raum abgebildet und somit für den Menschen visuell erfassbar werden.
Biografía del autor:
Daniel Lückehe hat nach seiner Ausbildung zum Fachinformatiker und seinem dualen Studium zum Bachelor of Engineering ein Masterstudium an der Universität Oldenburg absolviert. Aktuell arbeitet er an seiner Doktorarbeit im Promotionsprogramm „Systemintegration Erneuerbarer Energien“.
„Über diesen Titel“ kann sich auf eine andere Ausgabe dieses Titels beziehen.
- VerlagSpringer Vieweg
- Erscheinungsdatum2015
- ISBN 10 3658107375
- ISBN 13 9783658107376
- EinbandTapa blanda
- Auflage1
- Anzahl der Seiten108
Neu kaufen
Mehr zu diesem Angebot erfahren
EUR 49,99
Versand:
EUR 32,99
Von Deutschland nach USA
Beste Suchergebnisse beim ZVAB
Foto des Verkäufers
Hybride Optimierung für Dimensionsreduktion : Unüberwachte Regression mit Gradientenabstieg und evolutionären Algorithmen
Verlag:
Springer Fachmedien Wiesbaden
(2015)
ISBN 10: 3658107375
ISBN 13: 9783658107376
Neu
Taschenbuch
Anzahl: 1
Anbieter:
Bewertung
Buchbeschreibung Taschenbuch. Zustand: Neu. Druck auf Anfrage Neuware - Printed after ordering - 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, häufig 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 großen, hochkomplexen Datensätzen zu gewinnen und diese besser verarbeiten zu können. So können Daten beispielsweise auf einen zweidimensionalen Raum abgebildet und somit für den Menschen visuell erfassbar werden. Artikel-Nr. 9783658107376
Weitere Informationen zu diesem Verkäufer | Verkäufer kontaktieren
Neu kaufen
EUR 49,99
Währung umrechnen