23,99 €
inkl. MwSt.
Versandfertig in 6-10 Tagen
12 °P sammeln
Andere Kunden interessierten sich auch für
![Miglioramento dell'algoritmo di ordinamento a bolle e di selezione]( "Miglioramento dell'algoritmo di ordinamento a bolle e di selezione")
Miglioramento dell'algoritmo di ordinamento a bolle e di selezione23,99 €![Algoritmi di apprendimento automatico nella classificazione delle pagine web]( "Algoritmi di apprendimento automatico nella classificazione delle pagine web")
Algoritmi di apprendimento automatico nella classificazione delle pagine web44,99 €![Approccio comparativo per gli algoritmi di apprendimento automatico]( "Approccio comparativo per gli algoritmi di apprendimento automatico")
Approccio comparativo per gli algoritmi di apprendimento automatico25,99 €![Un sistema di supporto alle decisioni per la selezione dei fornitori]( "Un sistema di supporto alle decisioni per la selezione dei fornitori")
Un sistema di supporto alle decisioni per la selezione dei fornitori29,99 €![Algoritmi di intelligenza artificiale per la classificazione e la previsione delle malattie delle piante di pomodoro]( "Algoritmi di intelligenza artificiale per la classificazione e la previsione delle malattie delle piante di pomodoro")
Algoritmi di intelligenza artificiale per la classificazione e la previsione delle malattie delle piante di pomodoro51,99 €![Modelli basati su Skyline per la selezione dei servizi web]( "Modelli basati su Skyline per la selezione dei servizi web")
Modelli basati su Skyline per la selezione dei servizi web44,99 €![Analisi delle prestazioni dei classificatori utilizzando uno strumento di data mining]( "Analisi delle prestazioni dei classificatori utilizzando uno strumento di data mining")
Analisi delle prestazioni dei classificatori utilizzando uno strumento di data mining23,99 €
La selezione del miglior algoritmo di scoperta causale per qualsiasi nuovo set di dati è un processo difficile e che richiede molto tempo, poiché richiede che il ricercatore abbia una conoscenza preliminare degli algoritmi di apprendimento strutturale standard esistenti. Questa ricerca ha proposto un nuovo approccio di meta-apprendimento a questo problema. Il meta-apprendimento si riferisce all'apprendimento di algoritmi di apprendimento in cui diversi tipi di meta-dati, come le proprietà del problema di apprendimento, le misure di performance di diversi algoritmi e i modelli precedenti derivati dai dati, vengono utilizzati per selezionare il migliore o una combinazione di algoritmi di apprendimento per risolvere efficacemente un dato problema di apprendimento. Diverse reti bayesiane presenti in letteratura sono state manipolate, campionate per generare migliaia di insiemi di dati e da ognuna sono state estratte caratteristiche specifiche per il meta-apprendimento. Tre algoritmi standard di apprendimento strutturale sono stati eseguiti su ciascuno dei set di dati generati per scoprire le reti causali sottostanti e sono state valutate le loro prestazioni. Con le nostre nuove tecniche, siamo stati in grado di implementare uno strumento per generare molti modelli causali, campionare molti set di dati da ciascun modello e successivamente determinare il migliore o una combinazione di algoritmi per nuovi set di dati attraverso il meta-apprendimento.