Articles liés à Ensemble Methods
Synopsis
Ensemble methods that train multiple learners and then combine them to use, with \textit{Boosting} and \textit{Bagging} as representatives, are well-known machine learning approaches. An ensemble is significantly more accurate than a single learner, and ensemble methods have already achieved great success in various real-world tasks.
Les informations fournies dans la section « Synopsis » peuvent faire référence à une autre édition de ce titre.
À propos de l?auteur
Zhi-Hua Zhou, Professor of Computer Science and Artificial Intelligence at Nanjing University, President of IJCAI trustee, Fellow of the ACM, AAAI, AAAS, IEEE, recipient of the IEEE Computer Society Edward J. McCluskey Technical Achievement Award, CCF-ACM Artificial Intelligence Award.
Les informations fournies dans la section « A propos du livre » peuvent faire référence à une autre édition de ce titre.
Acheter neuf
Afficher cet article
EUR 71,87
EUR 6,93 expédition depuis Royaume-Uni vers France
Destinations, frais et délaisRésultats de recherche pour Ensemble Methods
Image d'archives
ENSEMBLE METHODS
Edité par
Chapman and Hall/CRC, 2025
ISBN 10 : 1032960604
ISBN 13 : 9781032960609
Neuf
Couverture rigide
Vendeur : Speedyhen, London, Royaume-Uni
Évaluation du vendeur 5 sur 5 étoiles
Etat : NEW. N° de réf. du vendeur NW9781032960609
Quantité disponible : 2 disponible(s)
Image d'archives
Ensemble Methods (Chapman & Hall/CRC Machine Learning & Pattern Recognition)
Edité par
Chapman and Hall/CRC, 2025
ISBN 10 : 1032960604
ISBN 13 : 9781032960609
Neuf
Couverture rigide
Vendeur : Ria Christie Collections, Uxbridge, Royaume-Uni
Évaluation du vendeur 5 sur 5 étoiles
Etat : New. In. N° de réf. du vendeur ria9781032960609_new
Quantité disponible : Plus de 20 disponibles
Image d'archives
Ensemble Methods: Foundations and Algorithms (Chapman & Hall/CRC Machine Learning & Pattern Recognition)
Edité par
Chapman and Hall/CRC -, 2025
ISBN 10 : 1032960604
ISBN 13 : 9781032960609
Neuf
Couverture rigide
Vendeur : Chiron Media, Wallingford, Royaume-Uni
Évaluation du vendeur 4 sur 5 étoiles
hardcover. Etat : New. N° de réf. du vendeur 6666-GRD-9781032960609
Quantité disponible : 1 disponible(s)
Image d'archives
Ensemble Methods: Foundations and Algorithms
Edité par
Taylor & Francis Ltd, 2025
ISBN 10 : 1032960604
ISBN 13 : 9781032960609
Neuf
Couverture rigide
Vendeur : THE SAINT BOOKSTORE, Southport, Royaume-Uni
Évaluation du vendeur 5 sur 5 étoiles
Hardback. Etat : New. New copy - Usually dispatched within 4 working days. 830. N° de réf. du vendeur B9781032960609
Quantité disponible : 1 disponible(s)
Image d'archives
Ensemble Methods: Foundations and Algorithms
Edité par
Chapman and Hall/CRC, 2025
ISBN 10 : 1032960604
ISBN 13 : 9781032960609
Neuf
Couverture rigide
Vendeur : Majestic Books, Hounslow, Royaume-Uni
Évaluation du vendeur 5 sur 5 étoiles
Etat : New. N° de réf. du vendeur 410463306
Quantité disponible : 3 disponible(s)
Image d'archives
Ensemble Methods: Foundations and Algorithms
Edité par
Chapman and Hall/CRC, 2025
ISBN 10 : 1032960604
ISBN 13 : 9781032960609
Neuf
Couverture rigide
Vendeur : Books Puddle, New York, NY, Etats-Unis
Évaluation du vendeur 4 sur 5 étoiles
Etat : New. N° de réf. du vendeur 26402690965
Quantité disponible : 3 disponible(s)
Image d'archives
Ensemble Methods : Foundations and Algorithms
Edité par
Chapman and Hall/CRC, 2025
ISBN 10 : 1032960604
ISBN 13 : 9781032960609
Neuf
Couverture rigide
Vendeur : GreatBookPrices, Columbia, MD, Etats-Unis
Évaluation du vendeur 5 sur 5 étoiles
Etat : New. N° de réf. du vendeur 48281270-n
Quantité disponible : 3 disponible(s)
Image fournie par le vendeur
Ensemble Methods : Foundations and Algorithms
Edité par
Chapman And Hall/CRC, 2025
ISBN 10 : 1032960604
ISBN 13 : 9781032960609
Neuf
Couverture rigide
Vendeur : AHA-BUCH GmbH, Einbeck, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Buch. Etat : Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Ensemble methods that train multiple learners and then combine them to use, with extit{Boosting} and extit{Bagging} as representatives, are well-known machine learning approaches. An ensemble is significantly more accurate than a single learner, and ensemble methods have already achieved great success in various real-world tasks. N° de réf. du vendeur 9781032960609
Quantité disponible : 1 disponible(s)
Image d'archives
Ensemble Methods: Foundations and Algorithms
Edité par
Chapman and Hall/CRC, 2025
ISBN 10 : 1032960604
ISBN 13 : 9781032960609
Neuf
Couverture rigide
Vendeur : Biblios, Frankfurt am main, HESSE, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Etat : New. N° de réf. du vendeur 18402690975
Quantité disponible : 3 disponible(s)
Image d'archives
Ensemble Methods (Hardcover)
Edité par
Taylor & Francis Ltd, 2025
ISBN 10 : 1032960604
ISBN 13 : 9781032960609
Neuf
Couverture rigide
Vendeur : AussieBookSeller, Truganina, VIC, Australie
Évaluation du vendeur 5 sur 5 étoiles
Hardcover. Etat : new. Hardcover. Ensemble methods that train multiple learners and then combine them to use, with Boosting and Bagging as representatives, are well-known machine learning approaches. It has become common sense that an ensemble is usually significantly more accurate than a single learner, and ensemble methods have already achieved great success in various real-world tasks.Twelve years have passed since the publication of the first edition of the book in 2012 (Japanese and Chinese versions published in 2017 and 2020, respectively). Many significant advances in this field have been developed. First, many theoretical issues have been tackled, for example, the fundamental question of why AdaBoost seems resistant to overfitting gets addressed, so that now we understand much more about the essence of ensemble methods. Second, ensemble methods have been well developed in more machine learning fields, e.g., isolation forest in anomaly detection, so that now we have powerful ensemble methods for tasks beyond conventional supervised learning.Third, ensemble mechanisms have also been found helpful in emerging areas such as deep learning and online learning. This edition expands on the previous one with additional content to reflect the significant advances in the field, and is written in a concise but comprehensive style to be approachable to readers new to the subject. Ensemble methods that train multiple learners and then combine them to use, with \textit{Boosting} and \textit{Bagging} as representatives, are well-known machine learning approaches. An ensemble is significantly more accurate than a single learner, and ensemble methods have already achieved great success in various real-world tasks. Shipping may be from our Sydney, NSW warehouse or from our UK or US warehouse, depending on stock availability. N° de réf. du vendeur 9781032960609
Quantité disponible : 1 disponible(s)