Atjaunināt sīkdatņu piekrišanu

E-grāmata: ECML PKDD 2018 Workshops: MIDAS 2018 and PAP 2018, Dublin, Ireland, September 10-14, 2018, Proceedings

Edited by , Edited by , Edited by , Edited by , Edited by , Edited by , Edited by , Edited by , Edited by , Edited by
  • Formāts - EPUB+DRM
  • Cena: 53,52 €*
  • * ši ir gala cena, t.i., netiek piemērotas nekādas papildus atlaides
  • Ielikt grozā
  • Pievienot vēlmju sarakstam
  • Šī e-grāmata paredzēta tikai personīgai lietošanai. E-grāmatas nav iespējams atgriezt un nauda par iegādātajām e-grāmatām netiek atmaksāta.

DRM restrictions

  • Kopēšana (kopēt/ievietot):

    nav atļauts

  • Drukāšana:

    nav atļauts

  • Lietošana:

    Digitālo tiesību pārvaldība (Digital Rights Management (DRM))
    Izdevējs ir piegādājis šo grāmatu šifrētā veidā, kas nozīmē, ka jums ir jāinstalē bezmaksas programmatūra, lai to atbloķētu un lasītu. Lai lasītu šo e-grāmatu, jums ir jāizveido Adobe ID. Vairāk informācijas šeit. E-grāmatu var lasīt un lejupielādēt līdz 6 ierīcēm (vienam lietotājam ar vienu un to pašu Adobe ID).

    Nepieciešamā programmatūra
    Lai lasītu šo e-grāmatu mobilajā ierīcē (tālrunī vai planšetdatorā), jums būs jāinstalē šī bezmaksas lietotne: PocketBook Reader (iOS / Android)

    Lai lejupielādētu un lasītu šo e-grāmatu datorā vai Mac datorā, jums ir nepieciešamid Adobe Digital Editions (šī ir bezmaksas lietotne, kas īpaši izstrādāta e-grāmatām. Tā nav tas pats, kas Adobe Reader, kas, iespējams, jau ir jūsu datorā.)

    Jūs nevarat lasīt šo e-grāmatu, izmantojot Amazon Kindle.

This book constitutes revised selected papers from two workshops held at the 18th European Conference on Machine Learning and Knowledge Discovery in Databases, ECML PKDD 2018, in Dublin, Ireland, in September 2018, namely:





MIDAS 2018 Third Workshop on Mining Data for Financial Applications and PAP 2018 Second International Workshop on Personal Analytics and Privacy.





The 12 papers presented in this volume were carefully reviewed and selected from a total of 17 submissions.







 
A Multivariate and Multi-step ahead Machine Learning Approach to
Traditional and Cryptocurrencies Volatility Forecasting.- Calibrating the
Mean-reversion Parameter in the Hull-White Model Using NeuralNetworks.- Deep
Factor ModelExplaining Deep Learning Decisions for Forecasting Stock Returns
with Layer-wise Relevance Propagation.- A Comparison of Neural Network
Methods for Accurate Sentiment Analysis of Stock Market Tweets.- A
Progressive Resampling Algorithm for Finding Very Sparse Investment
Portfolios.- ICIE 1.0: A Novel Tool for Interactive Contextual Interaction
Explanations.- Testing for Self-excitation in Financial Events: A Bayesian
Approach.-  A Web Crawling Environment to Support Financial Strategies and
Trend Correlation.- A differential privacy workflow for inference of
parameters in the Rasch model.- Privacy Preserving Client/Vertical-Servers
Classification.- Privacy Risk for Individual Basket Patterns.- Exploring
Students Eating Habits through Individual Profiling and Clustering Analysis.