Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Towards Designing Conceptual Data Models for Big Data Warehouses: The Genomics Case Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Towards the Machine Learning Algorithms in Telecommunications Business Environment

verfasst von : Moisés Loma-Osorio de Andrés, Aneta Poniszewska-Marańda, Luis Alfonso Hernández Gómez

Erschienen in: Information Systems

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We live in times where companies and individuals are dealing with extremely large amounts of data coming from all different kind of sources. This data includes a lot of very valuable information, which, most of the time, cannot be inferred at first sight. Therefore, in today’s businesses there is a growing necessity of discovering efficient and useful information out of the data that has been gathered. This is the reason why Machine Learning, a technology that has been developed since mid-20th century, is one of the biggest growing technologies in this last decade, being one of its most popular applications in the field of data. The paper presents an analysis what techniques are available for starting with a Data Science project, how easy they are to implement, and how they can be applied in a real world case. The data that was worked with for this project was gathered from a telecommunications company.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel DECIDE: A New Decisional Big Data Methodology for a Better Data Governance
Nächstes Kapitel Blockchain Technology for Hospitality Industry
Literatur
1.
Alpaydin, E.: Introduction to Machine Learning. 4th edn. MIT Press, Cambridge (2020). ISBN 978-0-262-01243-0
2.
Russell, S., Norvig, P.: Artificial Intelligence – A Modern Approach. Pearson, London (2009). ISBN 9789332543515
3.
Urbanowicz, R.J., Moore, J.H.: Learning classifier systems: a complete introduction, review, and roadmap. J. Artif. Evol. Appl. 2009(1), 1–25 (2009). ISSN 1687-6229
4.
Zhang, J., Zhan, Z.-H., Lin, Y., Chen, N., Gong, Y.-J., Zhong, J.-H. et al.: Evolutionary computation meets machine learning: a survey. Comput. Intell. Mag. 6(4), 68–75 (2011)
5.
Allahyari, M., Pouriyeh, S., Assefi, M., Safaei, S., Trippe, E., Gutierrez, J.B., et al.: A Brief Survey of Text Mining: Classification, Clustering and Extraction Techniques, University of Georgia, Athens (2017)
6.
Rokach, L., Maimon, O.: Data Mining with Decision Trees: Theory and Applications. World Scientific Pub Co Inc., Singapore (2008). ISBN 978-981277171
7.
Shalev-Shwartz, S., Ben-David, S.: 18. Decision Trees. Understanding Machine Learning. Cambridge University Press, Cambridge (2014)
8.
Rodriguez, J.J., Kuncheva, L.I., Alonso, C.J.: Rotation forest: a new classifier ensemble method. IEEE Trans. Pattern Anal. Mach. Intell. 28(10), 1619–1630 (2006)CrossRef
9.
Cover, T.M., Hart, P.E.: Nearest neighbor pattern classification. IEEE Trans. Inf. Theory 13(1), 21–27 (1967)CrossRef
10.
Mason, L., Baxter, J., Bartlett, P.L., Frean, M.: Boosting algorithms as gradient descent. In: Solla, S.A., Leen, T.K., Müller, K. (eds.). Advances in Neural Information Processing Systems, vol. 12, pp. 512–518. MIT Press, Cambridge (1999)
11.
Hastie, T., Tibshirani, R., Friedman, J.H.: 10. Boosting and Additive Trees. The Elements of Statistical Learning, 2nd edn., pp. 337–384. Springer, New York (2009). ISBN 978-0-387-84857-0
12.
Hosmer, D.: Applied Logistic Regression. Wiley, New Jersey (2013). ISBN 978-0470582473
13.
Harrell, F.E.: Regression Modeling Strategies: With Applications to Linear Models, Logistic Regression, and Survival Analysis. Springer, New York (2010). ISBN 978-1-4419-2918-1
14.
15.
16.
17.
18.
Metadaten
Titel
Towards the Machine Learning Algorithms in Telecommunications Business Environment
verfasst von
Moisés Loma-Osorio de Andrés
Aneta Poniszewska-Marańda
Luis Alfonso Hernández Gómez
Copyright-Jahr
2020
Buch
Information Systems

Print ISBN: 978-3-030-63395-0

Electronic ISBN: 978-3-030-63396-7

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-63396-7_6