Produktbild: Rough Set Theory: A True Landmark in Data Analysis
Band 174

Rough Set Theory: A True Landmark in Data Analysis A True Landmark in Data Analysis

149,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

26.02.2009

Abbildungen

XVI, 28 schwarzweisse Abbildungen, 124 Tabellen, 20 Abbildungenton-Abb., 8 schwarzweisse Zeichnungen 235 mm

Herausgeber

Ajith Abraham + weitere

Verlag

Springer Berlin

Seitenzahl

324

Maße (L/B/H)

24,3/16,5/2,4 cm

Gewicht

634 g

Auflage

2009

Sprache

Englisch

ISBN

978-3-540-89920-4

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

26.02.2009

Abbildungen

XVI, 28 schwarzweisse Abbildungen, 124 Tabellen, 20 Abbildungenton-Abb., 8 schwarzweisse Zeichnungen 235 mm

Herausgeber

Verlag

Springer Berlin

Seitenzahl

324

Maße (L/B/H)

24,3/16,5/2,4 cm

Gewicht

634 g

Auflage

2009

Sprache

Englisch

ISBN

978-3-540-89920-4

Herstelleradresse

Springer Nature Customer Service Center GmbH
Europaplatz 3
69115 Heidelberg
DE
ProductSafety@springernature.com

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)

  • Produktbild: Rough Set Theory: A True Landmark in Data Analysis
  • Theoretical Contributions to Rough Set Theory.- Rough Sets on Fuzzy Approximation Spaces and Intuitionistic Fuzzy Approximation Spaces.- Categorical Innovations for Rough Sets.- Granular Structures and Approximations in Rough Sets and Knowledge Spaces.- On Approximation of Classifications, Rough Equalities and Rough Equivalences.- Rough Set Data Mining Activities.- Rough Clustering with Partial Supervision.- A Generic Scheme for Generating Prediction Rules Using Rough Sets.- Rough Web Caching.- Software Defect Classification: A Comparative Study of Rough-Neuro-fuzzy Hybrid Approaches with Linear and Non-linear SVMs.- Rough Hybrid Models to Classification and Attribute Reduction.- Rough Sets and Evolutionary Computation to Solve the Feature Selection Problem.- Nature Inspired Population-Based Heuristics for Rough Set Reduction.- Developing a Knowledge-Based System Using Rough Set Theory and Genetic Algorithms for Substation Fault Diagnosis.