Transportation Big Data
Theory and Methods
-
10% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 126.99
-
53 869 Ft (51 303 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) 10% (cc. 5 387 Ft off)
- Discounted price 48 481 Ft (46 173 Ft + 5% áfa)
53 869 Ft
Beszerezhetőség
Megrendelésre a kiadó utánnyomja a könyvet. Rendelhető, de a szokásosnál kicsit lassabban érkezik meg.
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:
- Kiadó Elsevier
- Megjelenés dátuma 2024. december 5.
- ISBN 9780443338915
- Kötéstípus Puhakötés
- Terjedelem454 oldal
- Méret 228x152 mm
- Súly 450 g
- Nyelv angol 668
Kategóriák
Hosszú leírás:
Transportation Big Data: Theory and Methods is centered on the big data theory and methods. Big data is now a key topic in transportation, simply because the volume of data has increased exponentially due to the growth in the amount of traffic (all modes) and detectors. This book provides a structured analysis of the commonly used methods for handling transportation big data; it is supported by a wealth of transportation engineering examples, together with codes. It offers a concise, yet comprehensive, description of the key techniques and important tools in transportation big data analysis.
TöbbTartalomjegyzék:
1. Introduction
2. Data analysis in Python
3.Data preprocessing and exploratory data analysis
4. Data visualization
5. Machine learning basics
6. Linear model
7. Support vector machine
8. Decision tree
9. Clustering analysis
10. Ensemble learning
11. Artificial neural network
12. Deep learning
