27,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 1-2 Wochen
payback
14 °P sammeln
  • Broschiertes Buch

Dit werk maakt deel uit van het statistisch leren van gegevens voor de ontwikkeling van modellen. Meer in het bijzonder is het gewijd aan de studie van random forests, een van de meest recente algoritmen in de familie van patroonclassificatiemethoden. Een groot voordeel van random forest is dat het kan worden gebruikt voor zowel classificatie- als regressieproblemen, die de meerderheid vormen van de huidige systemen voor machinaal leren. In dit werk gebruikten wij coronavirusgegevens om het voorgestelde model te genereren en te evalueren. Wij kozen voor random forests, die een uniforme…mehr

Produktbeschreibung
Dit werk maakt deel uit van het statistisch leren van gegevens voor de ontwikkeling van modellen. Meer in het bijzonder is het gewijd aan de studie van random forests, een van de meest recente algoritmen in de familie van patroonclassificatiemethoden. Een groot voordeel van random forest is dat het kan worden gebruikt voor zowel classificatie- als regressieproblemen, die de meerderheid vormen van de huidige systemen voor machinaal leren. In dit werk gebruikten wij coronavirusgegevens om het voorgestelde model te genereren en te evalueren. Wij kozen voor random forests, die een uniforme meerderheidsstemming van beslissingsbomen toepassen om een optimale voorspelling te produceren, om patiënten te classificeren die positief of negatief op coronavirus testten. De gegevens werden gebruikt als een trainingsmonster om een beslissingsmodel te ontwerpen.
Autorenporträt
Informático. Desde el punto de vista académico, tiene un máster en Ciencias Matemáticas por el Instituto Africano de Ciencias Matemáticas de Kigali (Ruanda) y una licenciatura en Ingeniería Informática por la Universidad de Mbujimayi. Actualmente enseña en la Universidad de Mbujimayi, la Universidad Oficial de Mbujimayi, la Universidad Franco-Americana,...