Produktbild: Pattern Analysis of the Human Connectome

Pattern Analysis of the Human Connectome

145,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

20.11.2020

Abbildungen

VIII, 258 p. 86 illus., 81 illus. in color.

Verlag

Springer Singapore

Seitenzahl

258

Maße (L/B/H)

23,5/15,5/1,4 cm

Gewicht

468 g

Auflage

1st ed. 2019

Sprache

Englisch

ISBN

978-981-3295-25-4

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

20.11.2020

Abbildungen

VIII, 258 p. 86 illus., 81 illus. in color.

Verlag

Springer Singapore

Seitenzahl

258

Maße (L/B/H)

23,5/15,5/1,4 cm

Gewicht

468 g

Auflage

1st ed. 2019

Sprache

Englisch

ISBN

978-981-3295-25-4

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: ProductSafety@springernature.com

Ein neues Kapitel für Ihre Bücher

Ein neues Kapitel für Ihre Bücher

Schenken Sie Ihren alten Schätzen ein zweites Leben und erhalten dafür eine Thalia Geschenkkarte.

Jetzt verkaufen
Jetzt verkaufen

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

  • Produktbild: Pattern Analysis of the Human Connectome
  • Introduction.- Multivariate pattern analysis of whole-brain functional connectivity in major depression.- Discriminative analysis of nonlinear functional connectivity in schizophrenia.- Predicting individual brain maturity using window-based dynamic functional connectivity.- Locally linear embedding of functional connectivity for classification.- Locally linear embedding of anatomical connectivity for classification.- Locality preserving projection of functional connectivity for regression.- Intrinsic discriminant analysis of functional connectivity for multi-class classification.- Sparse representation of dynamic functional connectivity in depression.- Low-rank learning of functional connectivity reveals neural traits of individual differences.- Multi-task learning of structural MRI for multi-site classification.- Deep discriminant auto-encoder network for multi-site fMRI classification