• Produktbild: Data Management Technologies and Applications
  • Produktbild: Data Management Technologies and Applications
Band 862

Data Management Technologies and Applications 7th International Conference, DATA 2018, Porto, Portugal, July 26–28, 2018, Revised Selected Papers

52,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

20.07.2019

Abbildungen

XI, 211 p. 117 illus., 51 illus. in color.

Herausgeber

Christoph Quix + weitere

Verlag

Springer

Seitenzahl

211

Maße (L/B/H)

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

Gewicht

347 g

Auflage

19001 Auflage 1st edition 2019

Sprache

Englisch

ISBN

978-3-030-26635-6

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

20.07.2019

Abbildungen

XI, 211 p. 117 illus., 51 illus. in color.

Herausgeber

Verlag

Springer

Seitenzahl

211

Maße (L/B/H)

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

Gewicht

347 g

Auflage

19001 Auflage 1st edition 2019

Sprache

Englisch

ISBN

978-3-030-26635-6

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: 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: Data Management Technologies and Applications
  • Produktbild: Data Management Technologies and Applications
  • Constructing a Data Visualization Recommender System.- A Comprehensive Prediction Approach for Hardware Asset Management.- Linear vs. Symbolic Regression for Adaptive Parameter Setting in Manufacturing Process.- Graph Pattern Index for Neo4j Graph Databases.- Architectural Considerations for a Data Access Marketplace based Upon API Management.- FPGA vs. SIMD: Comparison for Main Memory-based Fast Column Scan.- Infectious Disease Prediction Modelling using Synthetic Optimization Approaches.- Concept Recognition with Convolutional Neural Networks to Optimize Keyphraze Extraction.- Deep Neural Trading: Comparative Study with Feed Forward, Recurrent and Autoencoder Networks.