Vor Ort
Merkzettel Warenkorb
Produktbild: Data Mining: Foundations and Practice
- 10%

Data Mining: Foundations and Practice

Aus der Reihe Studies in Computational Intelligence
10% sparen

191,99 € UVP 213,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

ISBN

978-3-642-09722-5

Auflage

Softcover reprint of hardcover 1st ed. 2008

Erscheinungsdatum

23.12.2010

Bundesländer

Baden-Württemberg + weitere

Unterrichtsfächer

Mathematik

Schulformen

Universitäten/Hochschulen

Einband

Taschenbuch

Herausgeber

Tsau Young Lin + weitere

Verlag

Springer Berlin

Seitenzahl

562

Maße (L/B/H)

23,7/15,9/2,8 cm

Gewicht

867 g

Sprache

Englisch

Beschreibung

Produktdetails

ISBN

978-3-642-09722-5

Auflage

Softcover reprint of hardcover 1st ed. 2008

Erscheinungsdatum

23.12.2010

Bundesländer

  • Baden-Württemberg
  • Bayern
  • Berlin
  • Brandenburg
  • Bremen
  • Hamburg
  • Hessen
  • Mecklenburg-Vorpommern
  • Niedersachsen
  • Nordrhein-Westfalen
  • Rheinland-Pfalz
  • Saarland
  • Sachsen
  • Sachsen-Anhalt
  • Schleswig-Holstein
  • Thüringen

Unterrichtsfächer

Mathematik

Schulformen

Universitäten/Hochschulen

Einband

Taschenbuch

Herausgeber

Verlag

Springer Berlin

Seitenzahl

562

Maße (L/B/H)

23,7/15,9/2,8 cm

Gewicht

867 g

Sprache

Englisch

Herstelleradresse

Springer Nature Customer Service Center GmbH
Europaplatz 3
69115 Heidelberg
DE
ProductSafety@springernature.com

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern

Weitere Artikel finden Sie in
  • Produktbild: Data Mining: Foundations and Practice
  • Compact Representations of Sequential Classification Rules.- An Algorithm for Mining Weighted Dense Maximal 1-Complete Regions.- Mining Linguistic Trends from Time Series.- Latent Semantic Space for Web Clustering.- A Logical Framework for Template Creation and Information Extraction.- A Bipolar Interpretation of Fuzzy Decision Trees.- A Probability Theory Perspective on the Zadeh Fuzzy System.- Three Approaches to Missing Attribute Values: A Rough Set Perspective.- MLEM2 Rule Induction Algorithms: With and Without Merging Intervals.- Towards a Methodology for Data Mining Project Development: The Importance of Abstraction.- Fining Active Membership Functions in Fuzzy Data Mining.- A Compressed Vertical Binary Algorithm for Mining Frequent Patterns.- Naïve Rules Do Not Consider Underlying Causality.- Inexact Multiple-Grained Causal Complexes.- Does Relevance Matter to Data Mining Research?.- E-Action Rules.- Mining E-Action Rules, System DEAR.- Definability of Association Rules and Tables of Critical Frequencies.- Classes of Association Rules: An Overview.- Knowledge Extraction from Microarray Datasets Using Combined Multiple Models to Predict Leukemia Types.- On the Complexity of the Privacy Problem in Databases.- Ensembles of Least Squares Classifiers with Randomized Kernels.- On Pseudo-Statistical Independence in a Contingency Table.- Role of Sample Size and Determinants in Granularity of Contingency Matrix.- Generating Concept Hierarchies from User Queries.- Mining Efficiently Significant Classification Association Rules.- Data Preprocessing and Data Mining as Generalization.- Capturing Concepts and Detecting Concept-Drift from Potential Unbounded, Ever-Evolving and High-Dimensional Data Streams.- A Conceptual Framework of Data Mining.- How to Prevent Private Data from being Disclosed to a Malicious Attacker.- Privacy-Preserving Naive Bayesian Classification over Horizontally Partitioned Data.- Using Association Rules for Classification from Databases Having Class Label Ambiguities: A Belief Theoretic Method.