Support-Vektor-Maschinen und statistische neuronale Netze im Data Mining und Datenqualitätsmanagement
6 Angebote vergleichen
Preise | 2013 | 2014 | 2015 | 2017 | 2023 |
---|---|---|---|---|---|
Schnitt | € 70,50 | € 63,00 | € 63,00 | € 63,00 | € 63,00 |
Nachfrage |
1
Support-Vektor-Maschinen und statistische neuronale Netze im Data Mining und Datenqualitätsmanagement
DE NW
ISBN: 9783899367560 bzw. 3899367561, in Deutsch, Josef Eul Verlag, neu.
Mit der zunehmenden Leistungsfähigkeit und Verfügbarkeit der Informationstechnologie wurden in den letzten Jahren, insbesondere in der Informatik und der künstlichen Intelligenz, rechnerbasierte quantitative Methoden entwickelt, die das traditionelle statistische Instrumentarium ergänzen und zum Teil auch ersetzen. Hierzu zählen vor allem die Verfahren der Support-Vektor-Maschinen und der künstlichen neuronalen Netze. Diese Methoden der sogenannten maschinellen Lerntheorie sind durch eine möglichst geringe Anzahl von a-priori-Annahmen bzw. -Modellspezifikationen gekennzeichnet, so dass die Möglichkeiten der Abbildung und Erklärung ökonomischer Zusammenhänge gegenüber den klassischen (parametrischen) statistischen und ökonometrischen Methoden beträchtlich erweitert werden. Das vorliegende Buch greift die Methodik der maschinellen Lerntheorie auf und beschreibt sie in einer einheitlichen konventionellen Notation klassischer statistischer und ökonometrischer Verfahren. Die Leistungsfähigkeit der Methoden wird anhand einer praktischen Anwendung im Bereich der Solvenz- bzw. Risikobewertung von Unternehmen beurteilt und verglichen, was vor dem Hintergrund der Kapitalmarktrichtlinien von ''Basel II'' sowie einer globalen finanzwirtschaftlichen Verflechtung von risikobehafteten Kreditgeschäften aktuelle betriebswirtschaftliche und wirtschaftspolitische Relevanz besitzt. Einen weiteren Aspekt im Rahmen des Erfolges eines praktischen Data Mining stellt die Qualität der für die Analyse zur Verfügung stehenden Daten dar. In dem vorliegenden Buch wird ein Konzept für ein statistisches Datenqualitätsmanagement entwickelt und mit Methoden der klassischen Statistik sowie der statistischen Lerntheorie verbunden. Es wird untersucht, ob die in großen Datenmengen vorhandenen Strukturen durch ein möglichst automatisiertes Datenqualitätsmanagement erfolgreicher analysiert, bereinigt und anschließend modelliert werden können. Ronald Franken, 21.0 x 14.8 x 2.2 cm, Buch.
2
Symbolbild
Support-Vektor-Maschinen und statistische neuronale Netze im Data Mining und Datenqualitätsmanagement (2008)
DE PB NW RP
ISBN: 9783899367560 bzw. 3899367561, in Deutsch, Josef Eul Verlag Gmbh Dez 2008, Taschenbuch, neu, Nachdruck.
Von Händler/Antiquariat, AHA-BUCH GmbH [51283250], Einbeck, NDS, Germany.
This item is printed on demand - Print on Demand Titel. - Mit der zunehmenden Leistungsfähigkeit und Verfügbarkeit der Informationstechnologie wurden in den letzten Jahren, insbesondere in der Informatik und der künstlichen Intelligenz, rechnerbasierte quantitative Methoden entwickelt, die das traditionelle statistische Instrumentarium ergänzen und zum Teil auch ersetzen. Hierzu zählen vor allem die Verfahren der Support-Vektor-Maschinen und der künstlichen neuronalen Netze. Diese Methoden der sogenannten maschinellen Lerntheorie sind durch eine möglichst geringe Anzahl von a-priori-Annahmen bzw. -Modellspezifikationen gekennzeichnet, so dass die Möglichkeiten der Abbildung und Erklärung ökonomischer Zusammenhänge gegenüber den klassischen (parametrischen) statistischen und ökonometrischen Methoden beträchtlich erweitert werden. Das vorliegende Buch greift die Methodik der maschinellen Lerntheorie auf und beschreibt sie in einer einheitlichen konventionellen Notation klassischer statistischer und ökonometrischer Verfahren. Die Leistungsfähigkeit der Methoden wird anhand einer praktischen Anwendung im Bereich der Solvenz- bzw. Risikobewertung von Unternehmen beurteilt und verglichen, was vor dem Hintergrund der Kapitalmarktrichtlinien von ''Basel II'' sowie einer globalen finanzwirtschaftlichen Verflechtung von risikobehafteten Kreditgeschäften aktuelle betriebswirtschaftliche und wirtschaftspolitische Relevanz besitzt. Einen weiteren Aspekt im Rahmen des Erfolges eines praktischen Data Mining stellt die Qualität der für die Analyse zur Verfügung stehenden Daten dar. In dem vorliegenden Buch wird ein Konzept für ein statistisches Datenqualitätsmanagement entwickelt und mit Methoden der klassischen Statistik sowie der statistischen Lerntheorie verbunden. Es wird untersucht, ob die in großen Datenmengen vorhandenen Strukturen durch ein möglichst automatisiertes Datenqualitätsmanagement erfolgreicher analysiert, bereinigt und anschließend modelliert werden können. 348 pp. Deutsch.
This item is printed on demand - Print on Demand Titel. - Mit der zunehmenden Leistungsfähigkeit und Verfügbarkeit der Informationstechnologie wurden in den letzten Jahren, insbesondere in der Informatik und der künstlichen Intelligenz, rechnerbasierte quantitative Methoden entwickelt, die das traditionelle statistische Instrumentarium ergänzen und zum Teil auch ersetzen. Hierzu zählen vor allem die Verfahren der Support-Vektor-Maschinen und der künstlichen neuronalen Netze. Diese Methoden der sogenannten maschinellen Lerntheorie sind durch eine möglichst geringe Anzahl von a-priori-Annahmen bzw. -Modellspezifikationen gekennzeichnet, so dass die Möglichkeiten der Abbildung und Erklärung ökonomischer Zusammenhänge gegenüber den klassischen (parametrischen) statistischen und ökonometrischen Methoden beträchtlich erweitert werden. Das vorliegende Buch greift die Methodik der maschinellen Lerntheorie auf und beschreibt sie in einer einheitlichen konventionellen Notation klassischer statistischer und ökonometrischer Verfahren. Die Leistungsfähigkeit der Methoden wird anhand einer praktischen Anwendung im Bereich der Solvenz- bzw. Risikobewertung von Unternehmen beurteilt und verglichen, was vor dem Hintergrund der Kapitalmarktrichtlinien von ''Basel II'' sowie einer globalen finanzwirtschaftlichen Verflechtung von risikobehafteten Kreditgeschäften aktuelle betriebswirtschaftliche und wirtschaftspolitische Relevanz besitzt. Einen weiteren Aspekt im Rahmen des Erfolges eines praktischen Data Mining stellt die Qualität der für die Analyse zur Verfügung stehenden Daten dar. In dem vorliegenden Buch wird ein Konzept für ein statistisches Datenqualitätsmanagement entwickelt und mit Methoden der klassischen Statistik sowie der statistischen Lerntheorie verbunden. Es wird untersucht, ob die in großen Datenmengen vorhandenen Strukturen durch ein möglichst automatisiertes Datenqualitätsmanagement erfolgreicher analysiert, bereinigt und anschließend modelliert werden können. 348 pp. Deutsch.
3
Symbolbild
Support-Vektor-Maschinen und statistische neuronale Netze im Data Mining und Datenqualitätsmanagement (2008)
DE PB NW RP
ISBN: 9783899367560 bzw. 3899367561, in Deutsch, Josef Eul Verlag Gmbh Dez 2008, Taschenbuch, neu, Nachdruck.
Von Händler/Antiquariat, AHA-BUCH GmbH [51283250], Einbeck, Germany.
This item is printed on demand - Print on Demand Titel. Neuware - Mit der zunehmenden Leistungsfähigkeit und Verfügbarkeit der Informationstechnologie wurden in den letzten Jahren, insbesondere in der Informatik und der künstlichen Intelligenz, rechnerbasierte quantitative Methoden entwickelt, die das traditionelle statistische Instrumentarium ergänzen und zum Teil auch ersetzen. Hierzu zählen vor allem die Verfahren der Support-Vektor-Maschinen und der künstlichen neuronalen Netze. Diese Methoden der sogenannten maschinellen Lerntheorie sind durch eine möglichst geringe Anzahl von a-priori-Annahmen bzw. -Modellspezifikationen gekennzeichnet, so dass die Möglichkeiten der Abbildung und Erklärung ökonomischer Zusammenhänge gegenüber den klassischen (parametrischen) statistischen und ökonometrischen Methoden beträchtlich erweitert werden. Das vorliegende Buch greift die Methodik der maschinellen Lerntheorie auf und beschreibt sie in einer einheitlichen konventionellen Notation klassischer statistischer und ökonometrischer Verfahren. Die Leistungsfähigkeit der Methoden wird anhand einer praktischen Anwendung im Bereich der Solvenz- bzw. Risikobewertung von Unternehmen beurteilt und verglichen, was vor dem Hintergrund der Kapitalmarktrichtlinien von ''Basel II'' sowie einer globalen finanzwirtschaftlichen Verflechtung von risikobehafteten Kreditgeschäften aktuelle betriebswirtschaftliche und wirtschaftspolitische Relevanz besitzt. Einen weiteren Aspekt im Rahmen des Erfolges eines praktischen Data Mining stellt die Qualität der für die Analyse zur Verfügung stehenden Daten dar. In dem vorliegenden Buch wird ein Konzept für ein statistisches Datenqualitätsmanagement entwickelt und mit Methoden der klassischen Statistik sowie der statistischen Lerntheorie verbunden. Es wird untersucht, ob die in großen Datenmengen vorhandenen Strukturen durch ein möglichst automatisiertes Datenqualitätsmanagement erfolgreicher analysiert, bereinigt und anschließend modelliert werden können. 316 pp. Deutsch.
This item is printed on demand - Print on Demand Titel. Neuware - Mit der zunehmenden Leistungsfähigkeit und Verfügbarkeit der Informationstechnologie wurden in den letzten Jahren, insbesondere in der Informatik und der künstlichen Intelligenz, rechnerbasierte quantitative Methoden entwickelt, die das traditionelle statistische Instrumentarium ergänzen und zum Teil auch ersetzen. Hierzu zählen vor allem die Verfahren der Support-Vektor-Maschinen und der künstlichen neuronalen Netze. Diese Methoden der sogenannten maschinellen Lerntheorie sind durch eine möglichst geringe Anzahl von a-priori-Annahmen bzw. -Modellspezifikationen gekennzeichnet, so dass die Möglichkeiten der Abbildung und Erklärung ökonomischer Zusammenhänge gegenüber den klassischen (parametrischen) statistischen und ökonometrischen Methoden beträchtlich erweitert werden. Das vorliegende Buch greift die Methodik der maschinellen Lerntheorie auf und beschreibt sie in einer einheitlichen konventionellen Notation klassischer statistischer und ökonometrischer Verfahren. Die Leistungsfähigkeit der Methoden wird anhand einer praktischen Anwendung im Bereich der Solvenz- bzw. Risikobewertung von Unternehmen beurteilt und verglichen, was vor dem Hintergrund der Kapitalmarktrichtlinien von ''Basel II'' sowie einer globalen finanzwirtschaftlichen Verflechtung von risikobehafteten Kreditgeschäften aktuelle betriebswirtschaftliche und wirtschaftspolitische Relevanz besitzt. Einen weiteren Aspekt im Rahmen des Erfolges eines praktischen Data Mining stellt die Qualität der für die Analyse zur Verfügung stehenden Daten dar. In dem vorliegenden Buch wird ein Konzept für ein statistisches Datenqualitätsmanagement entwickelt und mit Methoden der klassischen Statistik sowie der statistischen Lerntheorie verbunden. Es wird untersucht, ob die in großen Datenmengen vorhandenen Strukturen durch ein möglichst automatisiertes Datenqualitätsmanagement erfolgreicher analysiert, bereinigt und anschließend modelliert werden können. 316 pp. Deutsch.
4
Support-Vektor-Maschinen und statistische neuronale Netze im Data Mining und Datenqualitätsmanagement: Eine empirische Analyse am Beispiel der Unternehmenssolvenz (Quantitative Ökonomie) (2008)
DE PB NW FE
ISBN: 9783899367560 bzw. 3899367561, in Deutsch, 316 Seiten, Eul, J, Taschenbuch, neu, Erstausgabe.
Lieferung aus: Deutschland, Gewöhnlich versandfertig in 24 Stunden.
Von Händler/Antiquariat, Amazon.de.
Die Beschreibung dieses Angebotes ist von geringer Qualität oder in einer Fremdsprache. Trotzdem anzeigen
Von Händler/Antiquariat, Amazon.de.
Die Beschreibung dieses Angebotes ist von geringer Qualität oder in einer Fremdsprache. Trotzdem anzeigen
5
Support-Vektor-Maschinen und statistische neuronale Netze im Data Mining und Datenqualitätsmanagement - Eine empirische Analyse am Beispiel der Unternehmenssolvenz (2008)
DE PB NW
ISBN: 9783899367560 bzw. 3899367561, in Deutsch, Eul, J, Taschenbuch, neu.
Lieferung aus: Deutschland, Versandkostenfrei.
verschiedene Anbieter.
Taschenbuch.
verschiedene Anbieter.
Taschenbuch.
6
Support-Vektor-Maschinen und statistische neuronale Netze im Data Mining und Datenqualitätsmanagement als von
DE HC NW
ISBN: 9783899367560 bzw. 3899367561, in Deutsch, Josef Eul Verlag GmbH, gebundenes Buch, neu.
Die Beschreibung dieses Angebotes ist von geringer Qualität oder in einer Fremdsprache. Trotzdem anzeigen
Lade…