Książki na temat „DYNAMIC MACHINE LEARNING METHODOLOGY”
Utwórz poprawne odniesienie w stylach APA, MLA, Chicago, Harvard i wielu innych
Sprawdź 50 najlepszych książek naukowych na temat „DYNAMIC MACHINE LEARNING METHODOLOGY”.
Przycisk „Dodaj do bibliografii” jest dostępny obok każdej pracy w bibliografii. Użyj go – a my automatycznie utworzymy odniesienie bibliograficzne do wybranej pracy w stylu cytowania, którego potrzebujesz: APA, MLA, Harvard, Chicago, Vancouver itp.
Możesz również pobrać pełny tekst publikacji naukowej w formacie „.pdf” i przeczytać adnotację do pracy online, jeśli odpowiednie parametry są dostępne w metadanych.
Przeglądaj książki z różnych dziedzin i twórz odpowiednie bibliografie.
Russell, David W. The BOXES Methodology: Black Box Dynamic Control. London: Springer London, 2012.
Znajdź pełny tekst źródłaGultekin, San. Dynamic Machine Learning with Least Square Objectives. [New York, N.Y.?]: [publisher not identified], 2019.
Znajdź pełny tekst źródłaBennaceur, Amel, Reiner Hähnle i Karl Meinke, red. Machine Learning for Dynamic Software Analysis: Potentials and Limits. Cham: Springer International Publishing, 2018. http://dx.doi.org/10.1007/978-3-319-96562-8.
Pełny tekst źródłaHinders, Mark K. Intelligent Feature Selection for Machine Learning Using the Dynamic Wavelet Fingerprint. Cham: Springer International Publishing, 2020. http://dx.doi.org/10.1007/978-3-030-49395-0.
Pełny tekst źródłaIEEE, International Symposium on Approximate Dynamic Programming and Reinforcement Learning (1st 2007 Honolulu Hawaii). 2007 IEEE Symposium on Approximate Dynamic Programming and Reinforcement Learning: Honolulu, HI, 1-5 April 2007. Piscataway, NJ: IEEE, 2007.
Znajdź pełny tekst źródłaKelly, Michael A. A methodology for software cost estimation using machine learning techniques. Monterey, Calif: Naval Postgraduate School, 1993.
Znajdź pełny tekst źródłaMaximize the teaching/learning dynamic: A developmental approach for educators. Wyd. 3. Denver, Colo: Higher Level, 2013.
Znajdź pełny tekst źródłaSlater, Stanley F. Information search style and business performance in dynamic and stable environments: An exploratory study. Cambridge, Mass: Marketing Science Institute, 1997.
Znajdź pełny tekst źródłaEhramikar, Soheila. The enhancement of credit card fraud detection systems using machine learning methodology. Ottawa: National Library of Canada, 2000.
Znajdź pełny tekst źródłaIEEE International Symposium on Approximate Dynamic Programming and Reinforcement Learning (1st 2007 Honolulu, Hawaii). 2007 IEEE Symposium on Approximate Dynamic Programming and Reinforcement Learning: Honolulu, HI, 1-5 April 2007. Piscataway, NJ: IEEE, 2007.
Znajdź pełny tekst źródłaIEEE International Symposium on Approximate Dynamic Programming and Reinforcement Learning (1st 2007 Honolulu, Hawaii). 2007 IEEE Symposium on Approximate Dynamic Programming and Reinforcement Learning: Honolulu, HI, 1-5 April 2007. Piscataway, NJ: IEEE, 2007.
Znajdź pełny tekst źródłaBuilding intelligent agents: An apprenticeship multistrategy learning theory, methodology, tool and case studies. San Diego: Academic Press, 1998.
Znajdź pełny tekst źródłaBarbakh, Wesam Ashour. Non-standard parameter adaptation for exploratory data analysis. Berlin: Springer, 2009.
Znajdź pełny tekst źródłaTrevor, Hastie, Tibshirani Robert i SpringerLink (Online service), red. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. New York, NY: Springer-Verlag New York, 2009.
Znajdź pełny tekst źródłaAchmad, Widodo, red. Introduction of intelligent machine fault diagnosis and prognosis. New York: Nova Science Publishers, 2009.
Znajdź pełny tekst źródłaRieser, Verena. Reinforcement Learning for Adaptive Dialogue Systems: A Data-driven Methodology for Dialogue Management and Natural Language Generation. Berlin, Heidelberg: Springer-Verlag Berlin Heidelberg, 2011.
Znajdź pełny tekst źródłaHayes-Roth, Barbara. An architecture for adaptive intelligent systems. Stanford, Calif: Stanford University, Dept. of Computer Science, 1993.
Znajdź pełny tekst źródłaRussell, David W. The BOXES Methodology: Black Box Dynamic Control. Springer, 2014.
Znajdź pełny tekst źródłaThe BOXES Methodology: Black Box Dynamic Control. Springer, 2012.
Znajdź pełny tekst źródłaLi, Fanzhang, Li Zhang i Zhao Zhang. Dynamic Fuzzy Machine Learning. de Gruyter GmbH, Walter, 2017.
Znajdź pełny tekst źródłaLi, Fanzhang, Li Zhang i Zhao Zhang. Dynamic Fuzzy Machine Learning. de Gruyter GmbH, Walter, 2017.
Znajdź pełny tekst źródłaLi, Fanzhang, Li Zhang i Zhao Zhang. Dynamic Fuzzy Machine Learning. de Gruyter GmbH, Walter, 2017.
Znajdź pełny tekst źródłaRussell, David W. BOXES Methodology Second Edition: Black Box Control of Ill-Defined Systems. Springer International Publishing AG, 2022.
Znajdź pełny tekst źródłaMuneesawang, Paisarn, Ling Guan, Matthew Kyan i Kambiz Jarrah. Unsupervised Learning: A Dynamic Approach. Wiley & Sons, Incorporated, John, 2014.
Znajdź pełny tekst źródłaMuneesawang, Paisarn, Ling Guan, Matthew Kyan i Kambiz Jarrah. Unsupervised Learning: A Dynamic Approach. Wiley & Sons, Incorporated, John, 2014.
Znajdź pełny tekst źródłaMuneesawang, Paisarn, Ling Guan, Matthew Kyan i Kambiz Jarrah. Unervised Learning Via Self-Organization: A Dynamic Approach. Wiley & Sons, Incorporated, John, 2014.
Znajdź pełny tekst źródłaZeng, Tao, Tao Huang i Chuan Lu, red. Machine Learning Advanced Dynamic Omics Data Analysis for Precision Medicine. Frontiers Media SA, 2020. http://dx.doi.org/10.3389/978-2-88963-554-2.
Pełny tekst źródłaJ, Walsh Thomas, Jonathan P. How, Alborz Geramifard, Stefanie Tellex i Girish Chowdhary. Tutorial on Linear Function Approximators for Dynamic Programming and Reinforcement Learning. Now Publishers, 2013.
Znajdź pełny tekst źródłaPowell, Warren B., Andrew G. Barto, Don Wunsch i Jennie Si. Handbook of Learning and Approximate Dynamic Programming. Wiley & Sons, Incorporated, John, 2012.
Znajdź pełny tekst źródłaJennie, Si, red. Handbook of learning and approximate dynamic programming. Hoboken, NJ: IEEE Press, 2004.
Znajdź pełny tekst źródłaHinders, Mark K. Intelligent Feature Selection for Machine Learning Using the Dynamic Wavelet Fingerprint. Springer International Publishing AG, 2020.
Znajdź pełny tekst źródłaHinders, Mark K. Intelligent Feature Selection for Machine Learning Using the Dynamic Wavelet Fingerprint. Springer International Publishing AG, 2021.
Znajdź pełny tekst źródłaMachine Learning for Dynamic Software Analysis : Potentials and Limits: International Dagstuhl Seminar 16172, Dagstuhl Castle, Germany, April 24-27, ... Papers. Springer, 2018.
Znajdź pełny tekst źródłaEngles, Robert. The Methodology of Applying Machine Learning: Papers from the AAAI Workshop. AAAI Press, 1998.
Znajdź pełny tekst źródłaHeo, Wookjae. Demand for Life Insurance: Dynamic Ecological Systemic Theory Using Machine Learning Techniques. Springer International Publishing AG, 2020.
Znajdź pełny tekst źródłaHeo, Wookjae. Demand for Life Insurance: Dynamic Ecological Systemic Theory Using Machine Learning Techniques. Springer International Publishing AG, 2019.
Znajdź pełny tekst źródłaLewis, Frank L., i Derong Liu. Reinforcement Learning and Approximate Dynamic Programming for Feedback Control. Wiley & Sons, Incorporated, John, 2013.
Znajdź pełny tekst źródłaLewis, Frank L., i Derong Liu. Reinforcement Learning and Approximate Dynamic Programming for Feedback Control. Wiley & Sons, Incorporated, John, 2013.
Znajdź pełny tekst źródłaReinforcement learning and approximate dynamic programming for feedback control. IEEE Press, 2012.
Znajdź pełny tekst źródłaLewis, Frank L., i Derong Liu. Reinforcement Learning and Approximate Dynamic Programming for Feedback Control. Wiley & Sons, Incorporated, John, 2013.
Znajdź pełny tekst źródłaSen, Shampa, Leonid Datta i Sayak Mitra. Machine Learning and IoT: A Biological Perspective. Taylor & Francis Group, 2018.
Znajdź pełny tekst źródłaSen, Shampa, Leonid Datta i Sayak Mitra. Machine Learning and IoT: A Biological Perspective. Taylor & Francis Group, 2018.
Znajdź pełny tekst źródłaSen, Shampa, Leonid Datta i Sayak Mitra. Machine Learning and IoT: A Biological Perspective. Taylor & Francis Group, 2018.
Znajdź pełny tekst źródłaMachine Learning and IoT: A Biological Perspective. Taylor & Francis Group, 2018.
Znajdź pełny tekst źródłaSen, Shampa, Leonid Datta i Sayak Mitra. Machine Learning and IoT: A Biological Perspective. Taylor & Francis Group, 2018.
Znajdź pełny tekst źródłaLanguage and Chronology: Text Dating by Machine Learning. BRILL, 2019.
Znajdź pełny tekst źródłaRauf, Ijaz A. Physics of Data Science and Machine Learning. Taylor & Francis Group, 2021.
Znajdź pełny tekst źródłaRauf, Ijaz A. Physics of Data Science and Machine Learning. Taylor & Francis Group, 2021.
Znajdź pełny tekst źródłaRauf, Ijaz A. Physics of Data Science and Machine Learning. Taylor & Francis Group, 2021.
Znajdź pełny tekst źródłaBuilding Intelligent Agents: An Apprenticeship, Multistrategy Learning Theory, Methodology, Tool and Case Studies. Elsevier Science & Technology Books, 1998.
Znajdź pełny tekst źródła