Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig vom 24.08.2026 bis 26.08.2026 | Gültig für nicht preisgebundene fremdsprachige Bücher | Einzelne Artikel können ausgeschlossen sein | Online auf www.bücher.de einlösbar | Click & Collect nur mit Online-Zahlung (Paypal/Kreditkarte) vorab | Nicht kombinierbar mit anderen Gutscheinen oder Preisaktionen | Nur einmal pro Einkauf einlösbar | Gutschein wird auf max. 500€ Bestellwert angerechnet | Keine Barauszahlung | Nicht gültig für Versandkosten und Services
Produktbild: New Frontiers in Mining Complex Patterns
Band 7765

New Frontiers in Mining Complex Patterns First International Workshop, NFMCP 2012, Held in Conjunction with ECML/PKDD 2012, Bristol, UK, September 24, 2012, Revised Selected Papers

Aus der Reihe Lecture Notes in Artificial Intelligence

46,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

09.04.2013

Abbildungen

X, 231 p. 57 illus.

Herausgeber

Annalisa Appice + weitere

Verlag

Springer Berlin

Seitenzahl

231

Maße (B/H)

15,5/23,5 cm

Gewicht

377 g

Sprache

Englisch

ISBN

978-3-642-37381-7

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

09.04.2013

Abbildungen

X, 231 p. 57 illus.

Herausgeber

Verlag

Springer Berlin

Seitenzahl

231

Maße (B/H)

15,5/23,5 cm

Gewicht

377 g

Sprache

Englisch

ISBN

978-3-642-37381-7

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: New Frontiers in Mining Complex Patterns

  • Learning with Configurable Operators and RL-Based Heuristics.- Reducing Examples in Relational Learning with Bounded-Treewidth Hypotheses.- Mining Complex Event Patterns in Computer Networks.- Learning in the Presence of Large Fluctuations: A Study of Aggregation and Correlation.- Machine Learning as an Objective Approach to Understanding Music.- Pair-Based Object-Driven Action Rules.- Effectively Grouping Trajectory Streams.- Healthcare Trajectory Mining by Combining Multidimensional Component and Itemsets.- Graph-Based Approaches to Clustering Network-Constrained Trajectory Data.- Finding the Most Descriptive Substructures in Graphs with Discrete and Numeric Labels.- Learning in Probabilistic Graphs Exploiting Language-Constrained Patterns.- Improving Robustness and Flexibility of Concept Taxonomy Learning from Text.- Discovering Evolution Chains in Dynamic Networks.- Supporting Information Spread in a Social  Internetworking Scenario.- Context-Aware Predictions on Business Processes: An Ensemble-Based Solution. 

    Reducing Examples in Relational Learning with Bounded-Treewidth Hypotheses.- Mining Complex Event Patterns in Computer Networks.- Learning in the Presence of Large Fluctuations: A Study of Aggregation and Correlation.- Machine Learning as an Objective Approach to Understanding Music.- Pair-Based Object-Driven Action Rules.- Effectively Grouping Trajectory Streams.- Healthcare Trajectory Mining by Combining Multidimensional Component and Itemsets.- Graph-Based Approaches to Clustering Network-Constrained Trajectory Data.- Finding the Most Descriptive Substructures in Graphs with Discrete and Numeric Labels.- Learning in Probabilistic Graphs Exploiting Language-ConstrainedPatterns.- Improving Robustness and Flexibility of Concept Taxonomy Learning from Text.- Discovering Evolution Chains in Dynamic Networks.- Supporting Information Spread in a Social  Internetworking Scenario.- Context-Aware Predictions on Business Processes: An Ensemble-Based Solution.