Name: Big Data Cybersicherheit durch maschinelles Lernen (en Alemán)
SKU: 59232953
Price: 202619.00 COP
Availability: InStock
Author: Arun Kumar, Kandru ; Chinta, Anuradha ; Little Flower, Kunchala
ISBN: 9786206503439

portada Big Data Cybersicherheit durch maschinelles Lernen (en Alemán)

Big Data Cybersicherheit durch maschinelles Lernen (en Alemán)

Formato

Libro Físico

Autor

Kandru Arun Kumar

Anuradha Chinta

Kunchala Little Flower

Editorial

Verlag Unser Wissen

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9x15.2x0.4 cm

Peso

0.10 kg.

ISBN13

9786206503439

Categorías

Redes y comunicaciones informáticas

Big Data Cybersicherheit durch maschinelles Lernen (en Alemán)

Kandru Arun Kumar (Autor) · Anuradha Chinta (Autor) · Kunchala Little Flower (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo Importado

Envío: 20 a 24 días háb.

$ 337.699$ 202.619

-40%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 202.619

¡Envío Gratis! Llega entre el 09 Dic y el 16 Dic a Bogota, Cundinamarca. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Big Data Cybersicherheit durch maschinelles Lernen (en Alemán)"

Cybersicherheit im Zusammenhang mit Big Data ist bekannterma en ein kritisches Problem und stellt eine gro e Herausforderung für die Forschungsgemeinschaft dar. Algorithmen des maschinellen Lernens wurden als Kandidaten für die Behandlung von Big-Data-Sicherheitsproblemen vorgeschlagen. Unter diesen Algorithmen haben Support-Vektor-Maschinen (SVMs) bemerkenswerte Erfolge bei verschiedenen Klassifizierungsproblemen erzielt. Um eine effektive SVM einzurichten, muss der Benutzer jedoch im Voraus die richtige SVM-Konfiguration festlegen, was eine schwierige Aufgabe ist, die Expertenwissen und einen hohen manuellen Aufwand für Versuch und Irrtum erfordert. Hier formulieren wir den SVM-Konfigurationsprozess als ein bi-objektives Optimierungsproblem, bei dem Genauigkeit und Modellkomplexität als zwei widersprüchliche Ziele betrachtet werden. Wir schlagen ein neuartiges hyperheuristisches Rahmenwerk für die Zwei-Ziel-Optimierung vor, das unabhängig von der Problemdomäne ist. Dies ist das erste Mal, dass eine Hyperheuristik für dieses Problem entwickelt wurde. Der vorgeschlagene hyperheuristische Rahmen besteht aus einer High-Level-Strategie und Low-Level-Heuristiken.