Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig bis 25.06.2026 auf fremdsprachige Bücher online auf thalia.at und in der Thalia App. Einzelne Artikel können ausgeschlossen sein. Ausgenommen sind preisgebundene Artikel & eBooks. Pro Einkauf einmal einlösbar. Click & Collect nur bei Onlinevorabzahlung möglich. Keine Barauszahlung. Nicht kombinierbar mit anderen Aktionen und Gutscheinen. Gutschein wird auf max. 500€ Bestellwert angerechnet. Nicht gültig für Geschenkkarten, Versandkosten und Services.
  • Produktbild: Discovery Science
  • Produktbild: Discovery Science
Band 12323

Discovery Science 23rd International Conference, DS 2020, Thessaloniki, Greece, October 19–21, 2020, Proceedings

Aus der Reihe Lecture Notes in Artificial Intelligence

89,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

15.10.2020

Herausgeber

Annalisa Appice + weitere

Verlag

Springer

Seitenzahl

706

Maße (L/B/H)

23,5/15,5/3,9 cm

Gewicht

1083 g

Auflage

1st ed. 2020

Sprache

Englisch

ISBN

978-3-030-61526-0

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

15.10.2020

Herausgeber

Verlag

Springer

Seitenzahl

706

Maße (L/B/H)

23,5/15,5/3,9 cm

Gewicht

1083 g

Auflage

1st ed. 2020

Sprache

Englisch

ISBN

978-3-030-61526-0

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

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: Discovery Science
  • Produktbild: Discovery Science

  • Classification .- Evaluating Decision Makers over Selectively Labelled Data: A Causal Modelling Approach.- Mitigating Discrimination in Clinical Machine Learning Decision Support using Algorithmic Processing Techniques.- WeakAL: Combining Active Learning and Weak Supervision.- Clustering .- Constrained Clustering via Post-Processing.- Deep Convolutional Embedding for Painting Clustering: Case Study on Picasso's Artworks.- Dynamic Incremental Semi-Supervised Fuzzy Clustering for Bipolar Disorder Episode Prediction.- Iterative Multi-Mode Discretization: Applications to Co-Clustering.- Data and Knowledge Representation .- COVID-19 Therapy Target Discovery with Context-aware Literature Mining.- Semantic Annotation of Predictive Modelling Experiments.- Semantic Description of Data Mining Datasets: An Ontology-based Annotation Schema.- Data Streams .- FABBOO - Online Fairness-aware Learning under Class Imbalance.- FEAT: A Fairness-enhancing andConcept-adapting Decision Tree Classifer.- Unsupervised Concept Drift Detection using a Student{Teacher Approach.- Dimensionality Reduction and Feature Selection .- Assembled Feature Selection For Credit Scoring in Micro nance With Non-Traditional Features.- Learning Surrogates of a Radiative Transfer Model for the Sentinel 5P Satellite.- Nets versus Trees for Feature Ranking and Gene Network Inference.- Pathway Activity Score Learning Algorithm for Dimensionality Reduction of Gene Expression Data.- Machine learning for Modelling and Understanding in Earth Sciences.- Distributed Processing .- Balancing between Scalability and Accuracy in Time-Series Classification for Stream and Batch Settings.- DeCStor: A Framework for Privately and Securely Sharing Files Using a Public Blockchain.- Investigating Parallelization of MAML.- Ensembles .- Extreme Algorithm Selection with Dyadic Feature Representation.- Federated Ensemble Regression using Classification.- One-Class Ensembles for Rare Genomic Sequences Identification.- Explainable and Interpretable Machine Learning .- Explaining Sentiment Classi cation with Synthetic Exemplars and Counter-Exemplars.- Generating Explainable and Effective Data Descriptors Using Relational Learning: Application to Cancer Biology.- Interpretable Machine Learning with Bitonic Generalized Additive Models and Automatic Feature Construction.- Predicting and Explaining Privacy Risk Exposure in Mobility Data.- Graph and Network Mining .- Maximizing Network Coverage Under the Presence of Time Constraint by Injecting Most Effective k-Links.- On the Utilization of Structural and Textual Information of a Scientific Knowledge Graph to Discover Future Research Collaborations: a Link Prediction Perspective.- Simultaneous Process Drift Detection and Characterization with Pattern-based Change Detectors.- Multi-Target Models .- Extreme Gradient Boosted Multi-label Trees for Dynamic ClassifierChains.- Hierarchy Decomposition Pipeline: A Toolbox for Comparison of Model Induction Algorithms on Hierarchical Multi-label Classification Problems.- Missing Value Imputation with MERCS: a Faster Alternative to MissForest.- Multi-Directional Rule Set Learning.- On Aggregation in Ensembles of Multilabel Classifiers.- Neural Networks and Deep Learning .- Attention in Recurrent Neural Networks for Energy Disaggregation.- Enhanced Food Safety Through Deep Learning for Food Recalls Prediction.- Machine learning for Modelling and Understanding in Earth Sciences.- FairNN - Conjoint Learning of Fair Representations for Fair Decisions.- Improving Deep Unsupervised Anomaly Detection by Exploiting VAE Latent Space Distribution.- Spatial, Temporal and Spatiotemporal Data .- Detecting Temporal Anomalies in Business Processes using Distance-based Methods.- Mining Constrained Regions of Interest: An Optimization Approach.- Mining Disjoint Sequential Pattern Pairs from Tourist Trajectory Data.- Predicting the Health Condition of mHealth App Users with Large Differences in the Amount of Recorded Observations - Where to Learn from.- Spatiotemporal Traffic Anomaly Detection on Urban Road Network Using Tensor Decomposition Method.- Time Series Regression in Professional Road Cycling.