• Produktbild: Data Mining and Machine Learning
  • Produktbild: Data Mining and Machine Learning
- 23%

Data Mining and Machine Learning Fundamental Concepts and Algorithms

23% sparen

68,99 € UVP 90,40 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

21.07.2020

Verlag

Cambridge University Press

Seitenzahl

776

Maße (L/B/H)

26/18,3/4,6 cm

Gewicht

1600 g

Auflage

2. Auflage

Sprache

Englisch

ISBN

978-1-108-47398-9

Beschreibung

Rezension

'This book by Mohammed Zaki and Wagner Meira, Jr is a great option for teaching a course in data mining or data science. It covers both fundamental and advanced data mining topics, explains the mathematical foundations and the algorithms of data science, includes exercises for each chapter, and provides data, slides and other supplementary material on the companion website.' Gregory Piatetsky-Shapiro, Founder of the Association for Computing Machinery's Special Interest Group on Knowledge Discovery and Data Mining (ACM SIGKDD)

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

21.07.2020

Verlag

Cambridge University Press

Seitenzahl

776

Maße (L/B/H)

26/18,3/4,6 cm

Gewicht

1600 g

Auflage

2. Auflage

Sprache

Englisch

ISBN

978-1-108-47398-9

Herstelleradresse

Libri GmbH
Europaallee 1
36244 Bad Hersfeld
DE

Email: gpsr@libri.de

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)

Die Leseprobe wird geladen.
  • Produktbild: Data Mining and Machine Learning
  • Produktbild: Data Mining and Machine Learning
  • 1. Data mining and analysis; Part I. Data Analysis Foundations: 2. Numeric attributes; 3. Categorical attributes; 4. Graph data; 5. Kernel methods; 6. High-dimensional data; 7. Dimensionality reduction; Part II. Frequent Pattern Mining: 8. Itemset mining; 9. Summarizing itemsets; 10. Sequence mining; 11. Graph pattern mining; 12. Pattern and rule assessment; Part III. Clustering: 13. Representative-based clustering; 14. Hierarchical clustering; 15. Density-based clustering; 16. Spectral and graph clustering; 17. Clustering validation; Part IV. Classification: 18. Probabilistic classification; 19. Decision tree classifier; 20. Linear discriminant analysis; 21. Support vector machines; 22. Classification assessment; Part V. Regression: 23. Linear regression; 24. Logistic regression; 25. Neural networks; 26. Deep learning; 27. Regression evaluation.