• Produktbild: Subspace, Latent Structure and Feature Selection
  • Produktbild: Subspace, Latent Structure and Feature Selection

Subspace, Latent Structure and Feature Selection Statistical and Optimization Perspectives Workshop, SLSFS 2005 Bohinj, Slovenia, February 23-25, 2005, Revised Selected Papers

49,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

16.05.2006

Herausgeber

Craig Saunders + weitere

Verlag

Springer Berlin

Seitenzahl

209

Maße (L/B/H)

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

Gewicht

347 g

Auflage

2006

Sprache

Englisch

ISBN

978-3-540-34137-6

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

16.05.2006

Herausgeber

Verlag

Springer Berlin

Seitenzahl

209

Maße (L/B/H)

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

Gewicht

347 g

Auflage

2006

Sprache

Englisch

ISBN

978-3-540-34137-6

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: GPSR Kontakt

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern

  • Produktbild: Subspace, Latent Structure and Feature Selection
  • Produktbild: Subspace, Latent Structure and Feature Selection
  • Invited Contributions.- Discrete Component Analysis.- Overview and Recent Advances in Partial Least Squares.- Random Projection, Margins, Kernels, and Feature-Selection.- Some Aspects of Latent Structure Analysis.- Feature Selection for Dimensionality Reduction.- Contributed Papers.- Auxiliary Variational Information Maximization for Dimensionality Reduction.- Constructing Visual Models with a Latent Space Approach.- Is Feature Selection Still Necessary?.- Class-Specific Subspace Discriminant Analysis for High-Dimensional Data.- Incorporating Constraints and Prior Knowledge into Factorization Algorithms – An Application to 3D Recovery.- A Simple Feature Extraction for High Dimensional Image Representations.- Identifying Feature Relevance Using a Random Forest.- Generalization Bounds for Subspace Selection and Hyperbolic PCA.- Less Biased Measurement of Feature Selection Benefits.