KI-Beratung Beta

Gutscheinbedingungen

**Gültig vom 05.10.2026 bis 07.10.2026 | Gültig für nicht preisgebundene fremdsprachige Bücher | Einzelne Artikel können ausgeschlossen sein | Online auf www.bücher.de einlösbar | Click & Collect nur mit Online-Zahlung (Paypal/Kreditkarte) vorab | Nicht kombinierbar mit anderen Gutscheinen oder Preisaktionen | Nur einmal pro Einkauf einlösbar | Gutschein wird auf max. 500€ Bestellwert angerechnet | Keine Barauszahlung | Nicht gültig für Versandkosten und Services

  • Produktbild: An Introduction to Machine Learning
  • Produktbild: An Introduction to Machine Learning
- 15%

An Introduction to Machine Learning

15% sparen

58,99 € UVP 69,54 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

27.09.2021

Abbildungen

XVIII, 458 p. 114 illus., 5 illus. in color.

Verlag

Springer

Seitenzahl

458

Maße (L/B/H)

24,1/16/3,1 cm

Gewicht

875 g

Auflage

Third Edition 2021

Sprache

Englisch

ISBN

978-3-030-81934-7

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

27.09.2021

Abbildungen

XVIII, 458 p. 114 illus., 5 illus. in color.

Verlag

Springer

Seitenzahl

458

Maße (L/B/H)

24,1/16/3,1 cm

Gewicht

875 g

Auflage

Third Edition 2021

Sprache

Englisch

ISBN

978-3-030-81934-7

Herstelleradresse

Springer-Verlag GmbH
Europaplatz 3
69115 Heidelberg
DE

Email: ProductSafety@springernature.com

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: An Introduction to Machine Learning
  • Produktbild: An Introduction to Machine Learning
  • 1. Ambitions and Goals of Machine Learning.- 2. Probabilities: Bayesian Classifiers.- 3. Similarities: Nearest-Neighbor Classifiers.- 4. Inter-Class Boundaries: Linear and Polynomial Classifiers.- 5. Decision Trees.- 6. Artificial Neural Networks.- 7. Computational Learning Theory.- 8. Experience from Historical Applications.- 9. Voting Assemblies and Boosting.- 10. Classifiers in the Form of Rule-Sets.- 11. Practical Issues to Know About.- 12. Performance Evaluation.- 13. Statistical Significance.- 14. Induction in Multi-Label Domains.- 15. Unsupervised Learning.- 16. Deep Learning.- 17. Reinforcement Learning: N-Armed Bandits and Episodes.- 18. Reinforcement Learning: From TD(0) to Deep-Q-Learning.- 19. Temporal Learning.- 20. Hidden Markov Models.- 21. Genetic Algorithm.- Bibliography.- Index.