Andere Kunden interessierten sich auch für
![Classification des maladies foliaires de la pomme de terre]( "Classification des maladies foliaires de la pomme de terre")
Classification des maladies foliaires de la pomme de terre29,99 €![APPROCHE D'APPRENTISSAGE AUTOMATIQUE POUR L'ANALYSE DES DONNÉES]( "APPROCHE D'APPRENTISSAGE AUTOMATIQUE POUR L'ANALYSE DES DONNÉES")
APPROCHE D'APPRENTISSAGE AUTOMATIQUE POUR L'ANALYSE DES DONNÉES36,99 €![Application de l'intelligence artificielle à la super résolution d'images]( "Application de l'intelligence artificielle à la super résolution d'images")
Application de l'intelligence artificielle à la super résolution d'images55,99 €![Principes de l'intelligence artificielle pour la sécurité de l'information]( "Principes de l'intelligence artificielle pour la sécurité de l'information")
Principes de l'intelligence artificielle pour la sécurité de l'information44,99 €![L'intelligence artificielle au service de l'industrie durable 4.0 et 5.0]( "L'intelligence artificielle au service de l'industrie durable 4.0 et 5.0")
L'intelligence artificielle au service de l'industrie durable 4.0 et 5.059,99 €![Principes des systèmes d'information sur la santé]( "Principes des systèmes d'information sur la santé")
Principes des systèmes d'information sur la santé26,99 €![Un port correct du masque facial grâce à l'apprentissage automatique pour lutter contre le virus Covid 19]( "Un port correct du masque facial grâce à l'apprentissage automatique pour lutter contre le virus Covid 19")
Un port correct du masque facial grâce à l'apprentissage automatique pour lutter contre le virus Covid 1929,99 €
Cet ouvrage a pour objectif de développer un modèle permettant de classer un certain site Web comme légitime ou malveillant à l'aide de méthodologies d'apprentissage automatique et de déterminer si l'augmentation du nombre de caractéristiques d'un modèle entraîne une augmentation de ses performances. Les auteurs ont utilisé trois cas distincts pour générer un modèle optimal, chaque cas différant par le nombre de caractéristiques utilisées dans l'ensemble de données. Le premier cas a utilisé la base ou l'ensemble de données original. Le deuxième cas a utilisé un ensemble de caractéristiques étendu. Un algorithme de sélection des caractéristiques a été utilisé dans l'ensemble de caractéristiques étendu pour créer un nouvel ensemble de données pour le troisième cas. Les classificateurs utilisés pour générer les modèles sont Random Forest, J48, C-SVC et kNN. Le résultat a montré une augmentation des performances en comparant les modèles du premier cas à ceux du deuxième cas. Aucun changement significatif n'a été observé lorsque les modèles du deuxième cas ont été comparés à ceux du troisième. L'étude a montré qu'il existe une relation directement proportionnelle entre le nombre de fonctionnalités d'un modèle et les performances de ce dernier. L'augmentation du nombre de caractéristiques de l'ensemble de données conduit à une augmentation de la performance de chaque modèle.