Andere Kunden interessierten sich auch für
![Coloración de imágenes mediante la técnica de coincidencia de parches a escala cruzada]( "Coloración de imágenes mediante la técnica de coincidencia de parches a escala cruzada")
Coloración de imágenes mediante la técnica de coincidencia de parches a escala cruzada27,99 €![RECUPERACIÓN DE IMÁGENES BASADA EN EL CONTENIDO CON TÉCNICA DE RETROALIMENTACIÓN]( "RECUPERACIÓN DE IMÁGENES BASADA EN EL CONTENIDO CON TÉCNICA DE RETROALIMENTACIÓN")
RECUPERACIÓN DE IMÁGENES BASADA EN EL CONTENIDO CON TÉCNICA DE RETROALIMENTACIÓN26,99 €![Agrupación de clientes basada en los registros de llamadas]( "Agrupación de clientes basada en los registros de llamadas")
Agrupación de clientes basada en los registros de llamadas36,99 €![RECUPERAÇÃO DE IMAGEM BASEADA EM CONTEÚDO COM TÉCNICA DE FEEDBACK]( "RECUPERAÇÃO DE IMAGEM BASEADA EM CONTEÚDO COM TÉCNICA DE FEEDBACK")
RECUPERAÇÃO DE IMAGEM BASEADA EM CONTEÚDO COM TÉCNICA DE FEEDBACK26,99 €![Análisis de datos COVID-19 para el Reino Unido]( "Análisis de datos COVID-19 para el Reino Unido")
Análisis de datos COVID-19 para el Reino Unido30,99 €![ENFOQUE DE APRENDIZAJE AUTOMÁTICO PARA EL ANÁLISIS DE DATOS]( "ENFOQUE DE APRENDIZAJE AUTOMÁTICO PARA EL ANÁLISIS DE DATOS")
ENFOQUE DE APRENDIZAJE AUTOMÁTICO PARA EL ANÁLISIS DE DATOS36,99 €![Modificación del conjunto de datos para mejorar el rendimiento y la velocidad del algoritmo de ML]( "Modificación del conjunto de datos para mejorar el rendimiento y la velocidad del algoritmo de ML")
Modificación del conjunto de datos para mejorar el rendimiento y la velocidad del algoritmo de ML27,99 €
En este libro se presenta una nueva técnica de clustering para datos categóricos. Esencialmente, la efectividad de una técnica de clustering está determinada significativamente por dos aspectos, el método de búsqueda y el criterio de proximidad. El algoritmo propuesto utiliza un algoritmo genético para el clustering que se muestra en los experimentos como un método eficiente de clustering para datos categóricos. Los criterios de proximidad adoptan una medida teórica de información basada en reglas llamada peso de la evidencia. Encuentra los patrones interesantes y mide el peso de estos patrones que apoyan la presencia de un par objetivo-valor para ser relevante para una etiqueta de cluster. Al sumar el peso total que adquieren los registros en los patrones debido a la presencia tanto del valor objetivo como de la etiqueta de clúster correspondiente, se mide la aptitud en el cromosoma y, por tanto, se ve cómo se agrupan mejor los registros.