Data mining practical machine learning tools and techniques /
Αποθηκεύτηκε σε:
| Κύριος συγγραφέας: | |
|---|---|
| Συγγραφή απο Οργανισμό/Αρχή: | |
| Άλλοι συγγραφείς: | , |
| Μορφή: | Ηλεκτρονική πηγή Ηλ. βιβλίο |
| Γλώσσα: | Αγγλικά |
| Έκδοση: |
Amsterdam :
Elsevier/Morgan Kaufmann,
2011.
|
| Έκδοση: | 3rd ed. |
| Θέματα: | |
| Διαθέσιμο Online: | An electronic book accessible through the World Wide Web; click to view |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
Πίνακας περιεχομένων:
- Part I. Machine learning tools and techniques: 1. What's it all about?; 2. Input: concepts, instances, and attributes; 3. Output: knowledge representation; 4. Algorithms: the basic methods; 5. Credibility: evaluating what's been learned
- Part II. Advanced Data Mining: 6. Implementations: real machine learning schemes; 7. Data transformation; 8. Ensemble learning; 9. Moving on: applications and beyond
- Part III. The Weka Data MiningWorkbench: 10. Introduction to Weka; 11. The explorer
- 12. The knowledge flow interface; 13. The experimenter; 14 The command-line interface; 15. Embedded machine learning; 16. Writing new learning schemes; 17. Tutorial exercises for the weka explorer.