Vendeur : PBShop.store US, Wood Dale, IL, Etats-Unis
PAP. Etat : New. New Book. Shipped from UK. THIS BOOK IS PRINTED ON DEMAND. Established seller since 2000. N° de réf. du vendeur L0-9786209291524
Quantité disponible : Plus de 20 disponibles
Vendeur : PBShop.store UK, Fairford, GLOS, Royaume-Uni
PAP. Etat : New. New Book. Delivered from our UK warehouse in 4 to 14 business days. THIS BOOK IS PRINTED ON DEMAND. Established seller since 2000. N° de réf. du vendeur L0-9786209291524
Quantité disponible : Plus de 20 disponibles
Vendeur : California Books, Miami, FL, Etats-Unis
Etat : New. N° de réf. du vendeur I-9786209291524
Quantité disponible : Plus de 20 disponibles
Vendeur : BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Allemagne
Taschenbuch. Etat : Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 76 pp. Deutsch. N° de réf. du vendeur 9786209291524
Quantité disponible : 2 disponible(s)
Vendeur : AHA-BUCH GmbH, Einbeck, Allemagne
Taschenbuch. Etat : Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Opinion Mining wird eingesetzt, um die Entscheidungsfindung neuer Nutzer in verschiedenen Bereichen wie Produkten, Filmen, Nachrichtenmedien, Beiträgen in sozialen Netzwerken usw. zu verbessern. Feature-basiertes Opinion Mining stützt sich in den meisten bestehenden Methoden nur auf einen einzigen Domänenkorpus. Feature-basiertes Opinion Mining in zwei verschiedenen Domänenkorpora ist komplex. Die Merkmale und Meinungswörter werden mit Hilfe des Part-of-Speech (PoS)-Tagging-Tools extrahiert. Die IDDR-Technik (Inter dependent domain relevance) nutzt die Entfernung redundanter Merkmale und das Ausdünnen irrelevanter Merkmale aus zwei verschiedenen Bereichen mit Hilfe des IDDR-Scores und des Schwellenwerts. Normalerweise verwenden Data Mining und maschinelles Lernen Trainings- und Testdaten aus derselben Domäne und haben dieselben Merkmale. Das oben genannte Konzept gilt jedoch aufgrund des Mangels an gekennzeichneten Datensätzen nicht für alle Domänen. Hier wird die vorgeschlagene Transfer-Lernmethode unter Verwendung des Exaggerate Instance weighted K nearest neighbor (EIWKNN)-Algorithmus verwendet, um das Wissen aus der Kameradomäne in die iPod-Domäne für die Meinungsklassifizierung zu übertragen. Es wird eine Zusammenfassung der Merkmale zweier verschiedener Domänen in Bezug auf ihre Meinung erstellt. N° de réf. du vendeur 9786209291524
Quantité disponible : 1 disponible(s)
Vendeur : Books Puddle, Woodside, NY, Etats-Unis
Etat : New. N° de réf. du vendeur 26405293465
Quantité disponible : 4 disponible(s)
Vendeur : Majestic Books, Hounslow, Royaume-Uni
Etat : New. Print on Demand. N° de réf. du vendeur 408942150
Quantité disponible : 4 disponible(s)
Vendeur : Biblios, Frankfurt am main, HESSE, Allemagne
Etat : New. PRINT ON DEMAND. N° de réf. du vendeur 18405293459
Quantité disponible : 4 disponible(s)
Vendeur : CitiRetail, Stevenage, Royaume-Uni
Paperback. Etat : new. Paperback. Opinion Mining wird eingesetzt, um die Entscheidungsfindung neuer Nutzer in verschiedenen Bereichen wie Produkten, Filmen, Nachrichtenmedien, Beitraegen in sozialen Netzwerken usw. zu verbessern. Feature-basiertes Opinion Mining stuetzt sich in den meisten bestehenden Methoden nur auf einen einzigen Domaenenkorpus. Feature-basiertes Opinion Mining in zwei verschiedenen Domaenenkorpora ist komplex. Die Merkmale und Meinungswoerter werden mit Hilfe des Part-of-Speech (PoS)-Tagging-Tools extrahiert. Die IDDR-Technik (Inter dependent domain relevance) nutzt die Entfernung redundanter Merkmale und das Ausduennen irrelevanter Merkmale aus zwei verschiedenen Bereichen mit Hilfe des IDDR-Scores und des Schwellenwerts. Normalerweise verwenden Data Mining und maschinelles Lernen Trainings- und Testdaten aus derselben Domaene und haben dieselben Merkmale. Das oben genannte Konzept gilt jedoch aufgrund des Mangels an gekennzeichneten Datensaetzen nicht fuer alle Domaenen. Hier wird die vorgeschlagene Transfer-Lernmethode unter Verwendung des Exaggerate Instance weighted K nearest neighbor (EIWKNN)-Algorithmus verwendet, um das Wissen aus der Kameradomaene in die iPod-Domaene fuer die Meinungsklassifizierung zu uebertragen. Es wird eine Zusammenfassung der Merkmale zweier verschiedener Domaenen in Bezug auf ihre Meinung erstellt. This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability. N° de réf. du vendeur 9786209291524
Quantité disponible : 1 disponible(s)
Vendeur : buchversandmimpf2000, Emtmannsberg, BAYE, Allemagne
Taschenbuch. Etat : Neu. This item is printed on demand - Print on Demand Titel. Neuware -Opinion Mining wird eingesetzt, um die Entscheidungsfindung neuer Nutzer in verschiedenen Bereichen wie Produkten, Filmen, Nachrichtenmedien, Beiträgen in sozialen Netzwerken usw. zu verbessern. Feature-basiertes Opinion Mining stützt sich in den meisten bestehenden Methoden nur auf einen einzigen Domänenkorpus. Feature-basiertes Opinion Mining in zwei verschiedenen Domänenkorpora ist komplex. Die Merkmale und Meinungswörter werden mit Hilfe des Part-of-Speech (PoS)-Tagging-Tools extrahiert. Die IDDR-Technik (Inter dependent domain relevance) nutzt die Entfernung redundanter Merkmale und das Ausdünnen irrelevanter Merkmale aus zwei verschiedenen Bereichen mit Hilfe des IDDR-Scores und des Schwellenwerts. Normalerweise verwenden Data Mining und maschinelles Lernen Trainings- und Testdaten aus derselben Domäne und haben dieselben Merkmale. Das oben genannte Konzept gilt jedoch aufgrund des Mangels an gekennzeichneten Datensätzen nicht für alle Domänen. Hier wird die vorgeschlagene Transfer-Lernmethode unter Verwendung des Exaggerate Instance weighted K nearest neighbor (EIWKNN)-Algorithmus verwendet, um das Wissen aus der Kameradomäne in die iPod-Domäne für die Meinungsklassifizierung zu übertragen. Es wird eine Zusammenfassung der Merkmale zweier verschiedener Domänen in Bezug auf ihre Meinung erstellt.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 76 pp. Deutsch. N° de réf. du vendeur 9786209291524
Quantité disponible : 1 disponible(s)