Name: Construção de modelos avançados de aprendizagem automática para o tráfego aéreo (en Portugués)
SKU: 66343092
Price: 1277.41 MXN
Availability: InStock
Author: Mounika, Panjala; Bhatracharyulu, Nallani Ch
ISBN: 9786209137969

portada Construção de modelos avançados de aprendizagem automática para o tráfego aéreo (en Portugués)

Construção de modelos avançados de aprendizagem automática para o tráfego aéreo (en Portugués)

Formato

Libro Físico

Editorial

Edicoes Nosso Conhecimento

Autor

Mounika, Panjala; Bhatracharyulu, Nallani Ch

Idioma

Portugués

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9x15.2x0.5 cm

ISBN13

9786209137969

Construção de modelos avançados de aprendizagem automática para o tráfego aéreo (en Portugués)

Mounika, Panjala; Bhatracharyulu, Nallani Ch (Autor) · Edicoes Nosso Conhecimento · Tapa Blanda

Libro Nuevo Importado

Envío: 22 a 27 días háb.

$ 2,554.81$ 1,277.41

-50%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 1,277.41

¡Envío Gratis! Llega entre el 02 Oct y el 12 Oct a CUAUHTÉMOC, Ciudad de México. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Construção de modelos avançados de aprendizagem automática para o tráfego aéreo (en Portugués)"

Este livro explora a aplicação de várias séries cronológicas e técnicas de aprendizagem automática para modelar e prever o tráfego aéreo doméstico. Fornece um estudo abrangente das abordagens de previsão tradicionais e modernas. Apresenta uma extensa revisão da literatura sobre a modelação do tráfego aéreo, abrangendo métodos tradicionais de séries temporais (Holt's Winter, ARIMA, SARIMA) juntamente com técnicas avançadas de aprendizagem automática (FFNN, MLP, LSTM). Inclui também uma análise comparativa destes métodos, salientando os seus pontos fortes e limitações. Além disso, explora a estimativa Bayesiana dos parâmetros do modelo SARIMA. Os parâmetros estimados e as previsões são comparados com a abordagem tradicional de máxima verosimilhança. A investigação é alargada com a introdução de modelos mistos, abordagens híbridas e técnicas simples de cálculo de médias para aumentar a precisão das previsões. A eficácia destes modelos é avaliada através de uma análise comparativa.