Produktbild: Advanced Analytics and Learning on Temporal Data
Band 16255

Advanced Analytics and Learning on Temporal Data 10th ECML PKDD Workshop, AALTD 2025, Porto, Portugal, September 19, 2025, Revised Selected Papers

49,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

21.02.2026

Abbildungen

X, 61 illus., 51 illus. in color., schwarz-weiss Illustrationen, farbige Illustrationen

Herausgeber

Vincent Lemaire + weitere

Verlag

Springer

Seitenzahl

215

Maße (L/B/H)

23,5/15,5/1,3 cm

Gewicht

353 g

Sprache

Englisch

ISBN

978-3-032-15534-4

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

21.02.2026

Abbildungen

X, 61 illus., 51 illus. in color., schwarz-weiss Illustrationen, farbige Illustrationen

Herausgeber

Verlag

Springer

Seitenzahl

215

Maße (L/B/H)

23,5/15,5/1,3 cm

Gewicht

353 g

Sprache

Englisch

ISBN

978-3-032-15534-4

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: GPSR Kontakt

Ein neues Kapitel für Ihre Bücher

Ein neues Kapitel für Ihre Bücher

Schenken Sie Ihren alten Schätzen ein zweites Leben: Einfach Barcode scannen, Versandetikett ausdrucken, Bücher verschicken und Thalia Geschenkkarte erhalten.

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: Advanced Analytics and Learning on Temporal Data
  • e-SMOTE: a train set rebalancing algorithm for time series classification.- The Next Motif: Tapping into Recurrence Dynamics and Precursor Signals to Forecast Events of Interest.- Re-framing Time Series Augmentation Through the Lens of Generative Models.- FuelCast: Benchmarking Tabular and Temporal Models for Ship Fuel Consumption.- MoTM: Towards a Foundation Model for Time Series Imputation based on Continuous Modeling.- A Deep Dive into Alternatives to the Global Average Pooling for Time Series Classification.- Adaptive Fine-Tuning via Pattern Specialization for Deep Time Series Forecasting.- Unsupervised Feature Construction for Time Series Anomaly Detection - An Evaluation.- Multi-output Ensembles for Multi-step Forecasting.- Time series extrinsic regression algorithms for forecasting long time series with a short horizon.- Towards a Library for the Analysis of Temporal Sequences.- FiTEM: Fine-tuning Time-series Foundation Models for Selective Forecasting.- T3A-LLM: A Two-Stage Temporal Knowledge Graph Alignment Method Enhanced by LLM.