Vor Ort
Merkzettel Warenkorb
Produktbild: Advanced Analytics and Learning on Temporal Data
Band 16255

Advanced Analytics and Learning on Temporal Data 10th ECML PKDD Workshop, AALTD 2025, Porto, Portugal, September 19, 2025, Revised Selected Papers

Aus der Reihe Lecture Notes in Artificial Intelligence

49,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

21.02.2026

Abbildungen

X, 61 illus., 51 illus. in color., schwarz-weiss Illustrationen, farbige Illustrationen

Herausgeber

Vincent Lemaire + weitere

Verlag

Springer

Seitenzahl

215

Maße (L/B/H)

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

Gewicht

353 g

Sprache

Englisch

ISBN

978-3-032-15534-4

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

21.02.2026

Abbildungen

X, 61 illus., 51 illus. in color., schwarz-weiss Illustrationen, farbige Illustrationen

Herausgeber

Verlag

Springer

Seitenzahl

215

Maße (L/B/H)

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

Gewicht

353 g

Sprache

Englisch

ISBN

978-3-032-15534-4

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: ProductSafety@springernature.com

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: Advanced Analytics and Learning on Temporal Data

  • e-SMOTE: a train set rebalancing algorithm for time series classification.- The Next Motif: Tapping into Recurrence Dynamics and Precursor Signals to Forecast Events of Interest.- Re-framing Time Series Augmentation Through the Lens of Generative Models.- FuelCast: Benchmarking Tabular and Temporal Models for Ship Fuel Consumption.- MoTM: Towards a Foundation Model for Time Series Imputation based on Continuous Modeling.- A Deep Dive into Alternatives to the Global Average Pooling for Time Series Classification.- Adaptive Fine-Tuning via Pattern Specialization for Deep Time Series Forecasting.- Unsupervised Feature Construction for Time Series Anomaly Detection - An Evaluation.- Multi-output Ensembles for Multi-step Forecasting.- Time series extrinsic regression algorithms for forecasting long time series with a short horizon.- Towards a Library for the Analysis of Temporal Sequences.- FiTEM: Fine-tuning Time-series Foundation Models for Selective Forecasting.- T3A-LLM: A Two-Stage Temporal Knowledge Graph Alignment Method Enhanced by LLM.