iPhoneAlle anzeigen
iPhone 11iPhone 11 ProiPhone 11 Pro MaxiPhone 12iPhone 12 ProiPhone 12 Pro MaxiPhone 12 miniiPhone 13iPhone 13 ProiPhone 13 Pro MaxiPhone 13 miniiPhone 14iPhone 14 PlusiPhone 14 ProiPhone 14 Pro MaxiPhone 15iPhone 15 PlusiPhone 15 ProiPhone 15 Pro MaxiPhone 16iPhone 16 PlusiPhone 16 ProiPhone 16 Pro MaxiPhone 16eiPhone 8iPhone 8 PlusiPhone SE 2020iPhone SE 2022iPhone XiPhone XRiPhone XSiPhone XS Max
Galaxy A-SerieAlle anzeigen
Galaxy A12Galaxy A13Galaxy A13 5GGalaxy A14Galaxy A15Galaxy A16Galaxy A17Galaxy A17 5GGalaxy A20eGalaxy A21Galaxy A22Galaxy A23Galaxy A24Galaxy A25Galaxy A26 5GGalaxy A27 5GGalaxy A32Galaxy A33Galaxy A34Galaxy A35Galaxy A36 5GGalaxy A37Galaxy A40Galaxy A41Galaxy A42Galaxy A50Galaxy A51Galaxy A52Galaxy A53Galaxy A54Galaxy A55Galaxy A56 5GGalaxy A57 5GGalaxy A70Galaxy A71Galaxy A72
Redmi SeriesAlle anzeigen
Redmi 10Redmi 13CRedmi 15 5GRedmi Note 10Redmi Note 10 ProRedmi Note 11Redmi Note 11 ProRedmi Note 11 Pro Plus 5GRedmi Note 11sRedmi Note 12Redmi Note 12 5GRedmi Note 12 ProRedmi Note 12 Pro 5GRedmi Note 12 Pro PlusRedmi Note 13Redmi Note 13 5GRedmi Note 13 ProRedmi Note 13 Pro PlusRedmi Note 14Redmi Note 14 Pro PlusRedmi Note 15Redmi Note 15 5GRedmi Note 15 ProRedmi Note 15 Pro 5GRedmi Note 15 Pro Plus 5GRedmi Note 8 ProRedmi Note 9
- Startseite
Bücher Englische Bücher Wissen & Bildung Naturwissenschaft, Medizin, Informatik, Technik Mathematik Wahrscheinlichkeitstheorie & Statistik Space-Filling Design and Kernels
Derzeit nicht verfügbar
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
21 Tage Widerrufsrecht
Space-Filling Design and Kernels
Toni S. Karvonen, Luc Pronzato, Anatoly Zhigljavsky (Gebundene Ausgabe, Englisch)
Optischer Zustand
Beschreibung
This book provides a unified and comprehensive treatment of space-filling design and kernel methods, bringing together theoretical foundations, practical algorithms, and extensive numerical studies. It examines how finite point sets can be distributed efficiently over bounded domains and offers a systematic account of the principal criteria used to assess their quality, including packing and… covering radii, quantization error, discrepancy, and model-based prediction and integration errors. A distinctive feature of the book is its use of kernels to formulate, analyse, and relax classical space-filling criteria. It develops insightful connections between energy, potential theory, maximum mean discrepancy, reproducing kernel Hilbert spaces, and kernel-based approximation and integration. Particular attention is given to nested designs, in which points are added sequentially while preserving good space-filling properties—an important requirement in applications where observations are expensive or collected progressively. The presentation combines rigorous mathematical results on optimal distribution of points, convergence, and approximation with implementable greedy algorithms and clear practical recommendations. Extensive numerical comparisons reveal the strengths and limitations of competing criteria and construction methods. The book also addresses the substantial geometric and computational challenges arising in high-dimensional cubes and proposes specialized approaches for high and very high dimensions. By connecting ideas from approximation theory, potential theory, statistics, machine learning, numerical analysis, and experimental design, the book offers both a valuable reference and a practical guide. It will be useful to researchers, graduate students, and practitioners working with kernel methods, computer experiments, uncertainty quantification, numerical integration, sequential sampling, and efficient design construction. Dieses Produkt haben wir gerade leider nicht auf Lager.
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
21 Tage Widerrufsrecht
Technische Daten
Erscheinungsdatum
18.03.2027
Sprache
Englisch
EAN
9783032438737
Herausgeber
Springer International Publishing
Serien- oder Bandtitel
Springer Series in Statistics
Sonderedition
Nein
Autor
Toni S. Karvonen, Luc Pronzato, Anatoly Zhigljavsky
Einbandart
Gebundene Ausgabe
Buch Untertitel
Theory and Algorithms
Schlagwörter
maximum mean discrepancy, Space-filling design, Kernel methods, Nested designs, Packing radius, Covering radius, Quantization error, Maximum mean discrepancy, Energy minimization, Potential theory, Reproducing kernel Hilbert spaces, Experimental design, Gaussian processes, Greedy algorithms, High-dimensional design, Kernel approximation, Low-discrepancy sequences, Numerical integration, Random designs, Sequential sampling
Thema-Inhalt
PBT - Wahrscheinlichkeitsrechnung und Statistik
UYQM - Maschinelles Lernen
Höhe
235 mm
Breite
15.5 cm
Auf gebrauchten Artikeln oder Originalverpackungen sichtbare Umwelt-, Nachhaltigkeits- oder Zertifizierungsangaben stammen aus der ursprünglichen Herstellerkennzeichnung. Sie stellen keine eigene aktuelle Umwelt- oder Nachhaltigkeitsaussage von rebuy dar. Maßgeblich für das Angebot sind ausschließlich die von rebuy in der Artikelbeschreibung angegebenen Produkteigenschaften.
Transparenz & Sicherheit
Hersteller: Springer Nature Customer Service Center GmbH, Europaplatz 3, Heidelberg, Deutschland, 69115, ProductSafety@springernature.com
-.-
★★★★★
☆☆☆☆☆ Leider noch keine Bewertungen
Leider noch keine Bewertungen
Sicher bei rebuy kaufen
Schreib die erste Bewertung für dieses Produkt!
Wenn du eine Bewertung für dieses Produkt schreibst, hilfst du allen Kund:innen, die noch überlegen, ob sie das Produkt kaufen wollen. Vielen Dank, dass du mitmachst!
Sicher bei rebuy kaufen