Name: Density Clustering Framework in dati non supervisionati (en Italiano)
SKU: 57813835
Price: 61.67 USD
Availability: InStock
Author: Subhasheni, A.
ISBN: 9786203238501

portada Density Clustering Framework in dati non supervisionati (en Italiano)

Density Clustering Framework in dati non supervisionati (en Italiano)

Formato

Libro Físico

Autor

A. Subhasheni

Editorial

Edizioni Sapienza

Idioma

Italiano

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9x15.2x0.5 cm

Peso

0.12 kg.

ISBN13

9786203238501

Categorías

Empresa y gestión

Density Clustering Framework in dati non supervisionati (en Italiano)

A. Subhasheni (Autor) · Edizioni Sapienza · Tapa Blanda

Libro Nuevo Importado

Envío: 25 a 32 días háb.

$ 102.78$ 61.67

-40%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 61.67

Llega entre el 05 Nov y el 18 Nov a Quito, Pichincha. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Density Clustering Framework in dati non supervisionati (en Italiano)"

Il rilevamento delle anomalie è un problema fondamentale nel data mining, in particolare è stato utilizzato per rilevare e rimuovere oggetti anomali dai dati. I casi anomali sono dovuti a guasti meccanici, cambiamenti nel comportamento del sistema, comportamenti fraudolenti, intrusioni nella rete o errori umani. Un efficiente rilevamento di outlier e capacità di clustering dei dati in presenza di outlier e basato sul filtraggio dei dati dopo il processo di clustering. L'algoritmo proposto rileva gli esperimenti outlier in tre fasi: (i) Saliency Detection in Images; (ii) Abnormal Event Detection in Video Streams; e (iii) Real-world UCI benchmark datasets.L'obiettivo principale di questo studio è una rimozione iterativa degli oggetti, che sono lontani dai loro centriidi del cluster. La rimozione avviene in base ad una scelta tra le soglie predefinite.Il quadro formale in cui possono essere date definizioni accurate di combinazioni sparse e la logica Fuzzy è proposta per scoprire relazioni non lineari può essere rigorosamente analizzata.