Machine Learning: ECML-93
European Conference on Machine Learning, Vienna, Austria, April 5-7, 1993. Proceedings
Sorozatcím: Lecture Notes in Computer Science; 667;
-
20% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 53.49
-
22 184 Ft (21 128 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 20% (cc. 4 437 Ft off)
- Kedvezményes ár 17 748 Ft (16 902 Ft + 5% áfa)
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
22 184 Ft
Beszerezhetőség
Becsült beszerzési idő: A Prosperónál jelenleg nincsen raktáron, de a kiadónál igen. Beszerzés kb. 3-5 hét..
A Prosperónál jelenleg nincsen raktáron.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadás sorszáma 1993
- Kiadó Springer Berlin Heidelberg
- Megjelenés dátuma 1993. március 23.
- Kötetek száma 1 pieces, Book
- ISBN 9783540566021
- Kötéstípus Puhakötés
- Terjedelem480 oldal
- Méret 234x156 mm
- Súly 1520 g
- Nyelv angol
- Illusztrációk XII, 480 p. 0
Kategóriák
Hosszú leírás:
This volume contains the proceedings of the Eurpoean Conference on Machine Learning (ECML-93), continuing the tradition of the five earlier EWSLs (European Working Sessions on Learning). The aim of these conferences is to provide a platform for presenting the latest results in the area of machine learning. The ECML-93 programme included invited talks, selected papers, and the presentation of ongoing work in poster sessions. The programme was completed by several workshops on specific topics. The volume contains papers related to all these activities. The first chapter of the proceedings contains two invited papers, one by Ross Quinlan and one by Stephen Muggleton on inductive logic programming. The second chapter contains 18 scientific papers accepted for the main sessions of the conference. The third chapter contains 18 shorter position papers. The final chapter includesthree overview papers related to the ECML-93 workshops.
TöbbTartalomjegyzék:
FOIL: A midterm report.- Inductive logic programming: Derivations, successes and shortcomings.- Two methods for improving inductive logic programming systems.- Generalization under implication by using or-introduction.- On the proper definition of minimality in specialization and theory revision.- Predicate invention in inductive data engineering.- Subsumption and refinement in model inference.- Some lower bounds for the computational complexity of inductive logic programming.- Improving example-guided unfolding.- Bayes and pseudo-Bayes estimates of conditional probabilities and their reliability.- Induction of recursive Bayesian classifiers.- Decision tree pruning as a search in the state space.- Controlled redundancy in incremental rule learning.- Getting order independence in incremental learning.- Feature selection using rough sets theory.- Effective learning in dynamic environments by explicit context tracking.- COBBIT—A control procedure for COBWEB in the presence of concept drift.- Genetic algorithms for protein tertiary structure prediction.- SIA: A supervised inductive algorithm with genetic search for learning attributes based concepts.- SAMIA: A bottom-up learning method using a simulated annealing algorithm.- Predicate invention in ILP — an overview.- Functional inductive logic programming with queries to the user.- A note on refinement operators.- An iterative and bottom-up procedure for proving-by-example.- Learnability of constrained logic programs.- Complexity dimensions and learnability.- Can complexity theory benefit from Learning Theory?.- Learning domain theories using abstract background knowledge.- Discovering patterns in EEG-signals: Comparative study of a few methods.- Learning to control dynamic systems with automatic quantization.- Refinement of rule sets with JoJo.- Rule combination in inductive learning.- Using heuristics to speed up induction on continuous-valued attributes.- Integrating models of knowledge and Machine Learning.- Exploiting context when learning to classify.- IDDD: An inductive, domain dependent decision algorithm.- An application of machine learning in the domain of loan analysis.- Extraction of knowledge from data using constrained neural networks.- Integrated learning architectures.- An overview of evolutionary computation.- ML techniques and text analysis.
Több
