Doprava zdarma při nákupu nad 1 499 Kč přes Zásilkovnu nebo PPL Box.

Zjistit stav objednávky

Staňte se součástí komunity milovníků knih z celého světa a získejte hromadu výhod. Založit účet zdarma

Doprava zdarma se Zásilkovnou nad 1 499 Kč

Kurýr DPD 69 Kč PPL shop 49 Kč Balíkovna 69 Kč PPL kurýr 74 Kč PPL box 39 Kč Balíkovna 49 Kč Výdejní místo DPD 49 Kč Zásilkovna 39 Kč

Kontakt

Jak nakupovat

Pomoc

Můj účet

▸ Prázdný :-(

Doprava zdarma při nákupu nad 1 499 Kč přes Zásilkovnu nebo PPL Box.

Kernel Methods and Machine Learning

Name: Kernel Methods and Machine Learning
Brand: Cambridge University Press
SKU: 02050759
Price: 2780 CZK
Availability: InStock
Author: S. Y. Kung
ISBN: 9781107024960

S. Y. Kung

Jazyk

Angličtina

Kniha Pevná

Libristo kód: 02050759

Nakladatelství Cambridge University Press, duben 2014

Offering a fundamental basis in kernel-based learning theory, this book covers both statistical and... Celý popis

Libristo kód: 02050759

278 b

2 780 Kč

Skladem u dodavatele Odesíláme za 9-15 dnů

Až 30 dní na vrácení zboží

Zákazníci také koupili

Comment diagnostiquer la fievre catarrhale maligne et les points de vue des eleveurs George Chege Gitao

Brožovaná

1 115 Kč

Das geheime Wissen - Das wichtigste Buch für die Menschheit! Herausgeber

Pevná

1 319 Kč

libros de sudokus mas faciles para crear tu estrategia Mas de 240 juegos de logica de sudoku PUZZLE THERAPIST

Brožovaná

292 Kč

Hänsel und Gretel Engelbert Humperdinck

Noty

478 Kč

Analisis de Potencialidad de Cultivos Energeticos Lenosos Jean Collie

Brožovaná

671 Kč

Peter Bursch's Kinder-Liederbuch, m. Audio-CD Peter Bursch

Noty

516 Kč

Umgang mit Teamkonflikten in der Neuen Mittelschule Gerald Wahrlich

Brožovaná

915 Kč

Offering a fundamental basis in kernel-based learning theory, this book covers both statistical and algebraic principles. It provides over 30 major theorems for kernel-based supervised and unsupervised learning models. The first of the theorems establishes a condition, arguably necessary and sufficient, for the kernelization of learning models. In addition, several other theorems are devoted to proving mathematical equivalence between seemingly unrelated models. With over 25 closed-form and iterative algorithms, the book provides a step-by-step guide to algorithmic procedures and analysing which factors to consider in tackling a given problem, enabling readers to improve specifically designed learning algorithms, build models for new applications and develop efficient techniques suitable for green machine learning technologies. Numerous real-world examples and over 200 problems, several of which are Matlab-based simulation exercises, make this an essential resource for graduate students and professionals in computer science, electrical and biomedical engineering. Solutions to problems are provided online for instructors.