Name: Tecniche statistiche applicate al data mining (en Italiano)
Price: 161460.00 CLP
Availability: InStock
Author: Pandya, Darshanaben ; Jadeja, Abhijeetsinh ; Degadwala, Sheshang
ISBN: 9786205969748

portada Tecniche statistiche applicate al data mining (en Italiano)

Formato

Libro Físico

Autor

Editorial

Idioma

Italiano

N° páginas

164

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 1.0 cm

Peso

0.25 kg.

ISBN13

9786205969748

Categorías

Tecnología de la información: cuestiones generales

Tecniche statistiche applicate al data mining (en Italiano)

Sheshang Degadwala (Autor) · Darshanaben Pandya (Autor) · Abhijeetsinh Jadeja (Autor) · Edizioni Sapienza · Tapa Blanda

Libro Nuevo

$ 161.460

$ 224.250

Ahorras: $ 62.790

28% descuento

Envío normal

Origen: Estados Unidos (Costos de importación incluídos en el precio)

Se enviará desde nuestra bodega entre el Miércoles 07 de Agosto y el Lunes 19 de Agosto.

Lo recibirás en cualquier lugar de Chile entre 1 y 3 días hábiles luego del envío.

Reseña del libro "Tecniche statistiche applicate al data mining (en Italiano)"

La pulizia dei dati è una fase cruciale della preparazione dei dati. I valori persi nel database sono un problema comune per gli analisti di dati. I valori mancanti nel data mining sono un problema continuo che può causare errori nell'analisi dei dati. Gli elementi casualmente mancanti negli attributi/dataset complicano l'analisi dei dati e confondono i risultati consolidati. Ciò influisce sull'accuratezza dei risultati e delle query intermedie. Utilizzando metodi statistici e numerici, è possibile recuperare i dati mancanti e diminuire la diffidenza nel database. La presente ricerca fornisce un approccio applicato al metodo Newton Forward Interpolation (NFI) per recuperare i valori mancanti e altri metodi diversi. I dati del dataset rimangono sempre gli elementi di base per qualsiasi interrogazione e per ulteriori attività e decisioni. Se i dati di base sono incompleti o se il set di dati presenta valori mancanti, non è possibile ipotizzare rapporti finali ben aggiornati. Nel data mining il riconoscimento e il recupero dei valori mancanti è ancora un problema importante per i dati irregolari. Per ovviare a questa situazione è necessario ricorrere a tecniche statistiche o numeriche per recuperare i valori mancanti nel set di dati.