Name: Graphique de Connaissances Pour le Moteur de Décision (en Francés)
SKU: 62443256
Price: 965.36 MXN
Availability: InStock
Author: Sridhar Nomula
ISBN: 9786207696062

portada Graphique de Connaissances Pour le Moteur de Décision (en Francés)

Graphique de Connaissances Pour le Moteur de Décision (en Francés)

Formato

Libro Físico

Editorial

Ks Omniscriptum Publishing

Autor

Sridhar Nomula

Idioma

Francés

Encuadernación

Tapa Blanda

ISBN13

9786207696062

Graphique de Connaissances Pour le Moteur de Décision (en Francés)

Sridhar Nomula (Autor) · Ks Omniscriptum Publishing · Tapa Blanda

Libro Nuevo Importado

Envío: 23 a 28 días háb.

$ 1,755.19$ 965.36

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 965.36

¡Envío Gratis! Llega entre el 20 Oct y el 28 Oct a CUAUHTÉMOC, Ciudad de México. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Graphique de Connaissances Pour le Moteur de Décision (en Francés)"

Avec l'avènement des technologies Bigdata, les données de santé sont capturées et stockées à de multiples niveaux de granularité et dans de multiples formats. Dans le domaine des soins de santé, les hôpitaux, les sociétés pharmaceutiques et les compagnies d'assurance disposent d'une énorme quantité de données dans des tableaux structurés. Cependant, des quantités importantes de ces données restent sous-utilisées en raison de l'isolement, de la distribution et de l'hétérogénéité des données. Malgré l'interconnexion des données tabulaires reliées d'une certaine manière pour l'entrée de l'apprentissage automatique, les défis sont les suivants: augmentation de la dimensionnalité, normalisation des données qui ne sont pas des représentations naturelles, répétition des données lors de la fusion de différentes données agrégées dans les tableaux. Les modèles d'apprentissage automatique supposent que les observations ne sont pas dépendantes, mais les informations du monde réel sont interconnectées. Les graphes de connaissances et l'apprentissage automatique sont deux outils importants pour comprendre et modéliser des concepts complexes, tandis que l'apprentissage automatique est un processus par lequel les ordinateurs apprennent à partir de données, sans être explicitement programmés.