4,99 €
4,99 €
inkl. MwSt.
Sofort per Download lieferbar
0 °P sammeln
4,99 €
Als Download kaufen
4,99 €
inkl. MwSt.
Sofort per Download lieferbar
0 °P sammeln
Jetzt verschenken
Alle Infos zum eBook verschenken
4,99 €
inkl. MwSt.
Sofort per Download lieferbar
Alle Infos zum eBook verschenken
0 °P sammeln
Andere Kunden interessierten sich auch für
1: Dogrusal olmayan boyut azaltma: Temel kavramlari ve daha kolay analiz için yüksek boyutlu verileri azaltmanin önemini kesfedin.
2: Dogrusal haritalama: Dogrusal haritalamanin temellerini ve makine ögreniminde veri boyut azaltmadaki rolünü tanitir.
3: Destek vektör makinesi: Destek vektör makinelerinin siniflandirma görevlerinde ve desen tanimada boyut azaltmayi nasil uyguladigini ögrenin.
4: Temel bilesen analizi: PCA'nin verileri dogrusal olarak iliskisiz degiskenler kümesine dönüstürme teknigini inceleyin.
5: Izometri: Izometrik tekniklerin veri boyutlarini azaltirken noktalar arasindaki mesafeleri nasil korudugunu inceleyin.
6: Boyut azaltma: Boyut azaltmanin daha genis kapsamini ve çesitli alanlardaki uygulamalarini anlayin.
7: Yari kesin yerlestirme: Yari kesin programlamayi ve boyut azaltma yöntemleriyle baglantisini inceleyin.
8: Çekirdek yöntemi: Veri azaltmada dogrusal olmayan iliskileri ele almada çekirdek yöntemlerinin gücünü kesfedin.
9: Çekirdek ana bilesen analizi: KPCA'nin yüksek boyutlu bir özellik alaninda boyut azaltma gerçeklestirme yetenegini kesfedin.
10: Sayisal devamlilik: Sayisal devamlilik tekniklerinin yüksek boyutlu sistemleri anlamada nasil yardimci oldugunu ögrenin.
11: Spektral kümeleme: Spektral kümelemenin benzer veri noktalarini gruplamak için boyut azaltmayi nasil kullandigini anlayin.
12: Izomap: Boyut azaltma için çok boyutlu ölçeklemeyi jeodezik mesafelerle birlestiren bir teknik olan Izomap'a bir bakis.
13: Johnson-Lindenstrauss lemmasi: Boyut azaltmanin geometrik özellikleri korumasini saglayan Johnson-Lindenstrauss lemmasinin matematigine dalin.
14: Dogrusal olmayan dogrusal Poisson kaskad modeli: Bu modelin boyut azaltmada dogrusal ve dogrusal olmayan yöntemleri nasil entegre ettigini inceleyin.
15: Çok katli hizalama: Çok katli hizalama ve boyut azaltmada farkli alanlardan gelen verileri hizalamadaki önemi hakkinda bilgi edinin.
16: Difüzyon haritasi: Difüzyon haritalarinin karmasik veri kümelerinde boyut azaltma için difüzyon sürecini nasil kullandigini anlayin.
17: T-dagitilmis stokastik komsu yerlestirme: tSNE'nin verilerdeki yerel yapilari korurken boyut azaltma yetenegini kesfedin.
18: Dagilimlarin çekirdek yerlestirmesi: Çekirdek yerlestirmenin yalnizca veri kümelerinde degil, dagilimlarda boyut azaltmaya nasil izin verdigini inceleyin.
19: Rastgele projeksiyon: Hizli hesaplama için rastgele projeksiyonlara dayanan boyut azaltmaya yönelik pratik bir yaklasim.
20: Çok katli düzenleme: Çok katli düzenleme teknikleri ve bunlarin yüksek boyutlu verilerden ögrenme üzerindeki etkileri hakkinda bilgi edinin.
21: Deneysel dinamik modelleme: Deneysel dinamik modellemenin zaman serisi veri analizi yoluyla boyut azaltmaya nasil yardimci oldugunu kesfedin.
2: Dogrusal haritalama: Dogrusal haritalamanin temellerini ve makine ögreniminde veri boyut azaltmadaki rolünü tanitir.
3: Destek vektör makinesi: Destek vektör makinelerinin siniflandirma görevlerinde ve desen tanimada boyut azaltmayi nasil uyguladigini ögrenin.
4: Temel bilesen analizi: PCA'nin verileri dogrusal olarak iliskisiz degiskenler kümesine dönüstürme teknigini inceleyin.
5: Izometri: Izometrik tekniklerin veri boyutlarini azaltirken noktalar arasindaki mesafeleri nasil korudugunu inceleyin.
6: Boyut azaltma: Boyut azaltmanin daha genis kapsamini ve çesitli alanlardaki uygulamalarini anlayin.
7: Yari kesin yerlestirme: Yari kesin programlamayi ve boyut azaltma yöntemleriyle baglantisini inceleyin.
8: Çekirdek yöntemi: Veri azaltmada dogrusal olmayan iliskileri ele almada çekirdek yöntemlerinin gücünü kesfedin.
9: Çekirdek ana bilesen analizi: KPCA'nin yüksek boyutlu bir özellik alaninda boyut azaltma gerçeklestirme yetenegini kesfedin.
10: Sayisal devamlilik: Sayisal devamlilik tekniklerinin yüksek boyutlu sistemleri anlamada nasil yardimci oldugunu ögrenin.
11: Spektral kümeleme: Spektral kümelemenin benzer veri noktalarini gruplamak için boyut azaltmayi nasil kullandigini anlayin.
12: Izomap: Boyut azaltma için çok boyutlu ölçeklemeyi jeodezik mesafelerle birlestiren bir teknik olan Izomap'a bir bakis.
13: Johnson-Lindenstrauss lemmasi: Boyut azaltmanin geometrik özellikleri korumasini saglayan Johnson-Lindenstrauss lemmasinin matematigine dalin.
14: Dogrusal olmayan dogrusal Poisson kaskad modeli: Bu modelin boyut azaltmada dogrusal ve dogrusal olmayan yöntemleri nasil entegre ettigini inceleyin.
15: Çok katli hizalama: Çok katli hizalama ve boyut azaltmada farkli alanlardan gelen verileri hizalamadaki önemi hakkinda bilgi edinin.
16: Difüzyon haritasi: Difüzyon haritalarinin karmasik veri kümelerinde boyut azaltma için difüzyon sürecini nasil kullandigini anlayin.
17: T-dagitilmis stokastik komsu yerlestirme: tSNE'nin verilerdeki yerel yapilari korurken boyut azaltma yetenegini kesfedin.
18: Dagilimlarin çekirdek yerlestirmesi: Çekirdek yerlestirmenin yalnizca veri kümelerinde degil, dagilimlarda boyut azaltmaya nasil izin verdigini inceleyin.
19: Rastgele projeksiyon: Hizli hesaplama için rastgele projeksiyonlara dayanan boyut azaltmaya yönelik pratik bir yaklasim.
20: Çok katli düzenleme: Çok katli düzenleme teknikleri ve bunlarin yüksek boyutlu verilerden ögrenme üzerindeki etkileri hakkinda bilgi edinin.
21: Deneysel dinamik modelleme: Deneysel dinamik modellemenin zaman serisi veri analizi yoluyla boyut azaltmaya nasil yardimci oldugunu kesfedin.
Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.