Data-Variant Kernel Analysis
2015. ápr. · John Wiley & Sons
E-könyv
256
Oldalak száma
reportAz értékelések és vélemények nincsenek ellenőrizve További információ
Információk az e-könyvről
Describes and discusses the variants of kernel analysis methods for data types that have been intensely studied in recent years
This book covers kernel analysis topics ranging from the fundamental theory of kernel functions to its applications. The book surveys the current status, popular trends, and developments in kernel analysis studies. The author discusses multiple kernel learning algorithms and how to choose the appropriate kernels during the learning phase. Data-Variant Kernel Analysis is a new pattern analysis framework for different types of data configurations. The chapters include data formations of offline, distributed, online, cloud, and longitudinal data, used for kernel analysis to classify and predict future state.
Data-Variant Kernel Analysis:
This book covers kernel analysis topics ranging from the fundamental theory of kernel functions to its applications. The book surveys the current status, popular trends, and developments in kernel analysis studies. The author discusses multiple kernel learning algorithms and how to choose the appropriate kernels during the learning phase. Data-Variant Kernel Analysis is a new pattern analysis framework for different types of data configurations. The chapters include data formations of offline, distributed, online, cloud, and longitudinal data, used for kernel analysis to classify and predict future state.
Data-Variant Kernel Analysis:
- Surveys the kernel analysis in the traditionally developed machine learning techniques, such as Neural Networks (NN), Support Vector Machines (SVM), and Principal Component Analysis (PCA)
- Develops group kernel analysis with the distributed databases to compare speed and memory usages
- Explores the possibility of real-time processes by synthesizing offline and online databases
- Applies the assembled databases to compare cloud computing environments
- Examines the prediction of longitudinal data with time-sequential configurations
Data-Variant Kernel Analysis is a detailed reference for graduate students as well as electrical and computer engineers interested in pattern analysis and its application in colon cancer detection.
A szerzőről
YUICHI MOTAI, Ph.D., is an Associate Professor of Electrical and Computer Engineering at the Virginia Commonwealth University, Richmond, Virginia. He received his Ph.D. with the Robot Vision Laboratory in the School of Electrical and Computer Engineering, Purdue University, West Lafayette, Indiana in 2002.
E-könyv értékelése
Mondd el a véleményedet.
Olvasási információk
Okostelefonok és táblagépek
Telepítsd a Google Play Könyvek alkalmazást Android- vagy iPad/iPhone eszközre. Az alkalmazás automatikusan szinkronizálódik a fiókoddal, így bárhol olvashatsz online és offline állapotban is.
Laptopok és számítógépek
A Google Playen vásárolt hangoskönyveidet a számítógép böngészőjében is meghallgathatod.
E-olvasók és más eszközök
E-tinta alapú eszközökön (például Kobo e-könyv-olvasón) való olvasáshoz le kell tölteni egy fájlt, és átvinni azt a készülékre. A Súgó részletes utasításait követve lehet átvinni a fájlokat a támogatott e-könyv-olvasókra.
