Suraj yadav (42 resultados)

Condición: As New. Unread book in perfect condition.

Condición: New.

Condición: New.

Condición: New. 1st edition NO-PA16APR2015-KAP.

Condición: New.

Condición: New. pp. 32.

Condición: New. pp. 32.

Condición: New. In English.

Condición: New. pp. 32.

Condición: New.

Condición: As New. Unread book in perfect condition.

PAP. Condición: New. New Book. Shipped from UK. Established seller since 2000.

PAP. Condición: New. New Book. Shipped from UK. Established seller since 2000.

Condición: New. Print on Demand.

PAP. Condición: New. New Book. Shipped from UK. THIS BOOK IS PRINTED ON DEMAND. Established seller since 2000.

HRD. Condición: New. New Book. Shipped from UK. Established seller since 2000.

HRD. Condición: New. New Book. Shipped from UK. Established seller since 2000.

PAP. Condición: New. New Book. Delivered from our UK warehouse in 4 to 14 business days. THIS BOOK IS PRINTED ON DEMAND. Established seller since 2000.

Paperback. Condición: new. Paperback. "Dive into the world of Python mastery with a comprehensive guide that seamlessly blends the intricate art of programming with the cutting-edge domain of Machine Learning. 'Masters in Python: Exploring Concepts in Machine Learning' is your definitive roadmap to mastering both Python programming and the foundational principles of ML.This book is meticulously crafted for enthusiasts, practitioners, and aspiring data scientists alike, offering a holistic approach to learning. Beginning with the fundamentals of Python programming, it gradually immerses you into the realm of Machine Learning, unraveling its concepts and techniques with clarity and precision.Through practical examples, hands-on exercises, and real-world applications, you'll traverse the Python landscape, gaining proficiency in its syntax, data structures, and libraries. From essential Python constructs to advanced ML algorithms, this book equips you with the tools and knowledge needed to build robust ML models, analyze data, and derive meaningful insights.Whether you're a novice seeking a solid foundation or a seasoned developer aiming to expand your skill set, 'Masters in Python: Exploring Concepts in Machine Learning' offers a comprehensive journey towards expertise. Embark on this transformative learning experience and unlock the full potential of Python programming in the realm of Machine Learning." This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…

Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 56 pp. Englisch.

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - This book proposes a Semi-Supervised Graph Learning framework for Drug-Drug Interaction Prediction, designed to overcome the limitations of traditional supervised learning methods that require large quantities of labelled interaction data. The proposed approach effectively integrates both labelled and unlabeled drug information, enabling the model to learn meaningful patterns even when only a limited number of known interactions are available. Each drug is represented using comprehensive feature information, including molecular structures, chemical descriptors, pharmacological properties, and existing interaction networks. These features are incorporated into a graph-based representation that preserves the intrinsic relationships among drugs. A Graph Neural Network is then employed to perform message passing and neighborhood aggregation, generating low-dimensional embedding vectors that capture both the structural and semantic characteristics of each drug within the interaction network. These learned embeddings are subsequently used to predict previously unknown or potential drug-drug interactions with improved accuracy.…

Taschenbuch. Condición: Neu. This item is printed on demand - Print on Demand Titel. Neuware 56 pp. Englisch.

Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 64 pp. Französisch.

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - At first, he thought love had died. Then he realized-it wasn't love that had died; it was the gods he had worshipped in its name.Utran is not a love story. Here, there is a lover who wants to prove himself innocent. There is an accused who keeps changing his face, again and again. And there is a writer who is writing the testimony of both.Sprawled across poetry, prose, and confessions, this book ultimately arrives at a single question-do we truly love people, or do we love the story we have created around them.…

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Ce projet propose un cadre d'apprentissage semi-supervisé sur les graphes pour la prédiction des interactions médicamenteuses, conçu pour pallier les limites des méthodes traditionnelles d'apprentissage supervisé qui nécessitent de grandes quantités de données d'interactions étiquetées. L'approche proposée intègre efficacement à la fois des informations étiquetées et non étiquetées sur les médicaments, ce qui permet au modèle d'apprendre des modèles significatifs même lorsqu'un nombre limité d'interactions connues est disponible. Chaque médicament est représenté à l'aide d'informations complètes sur ses caractéristiques, notamment ses structures moléculaires, ses descripteurs chimiques, ses propriétés pharmacologiques et les réseaux d'interactions existants. Ces caractéristiques sont intégrées dans une représentation sous forme de graphe qui préserve les relations intrinsèques entre les médicaments. Un réseau neuronal sur graphe est ensuite utilisé pour effectuer la transmission de messages et l'agrégation de voisinage, générant ainsi des vecteurs d'embedding de faible dimension qui capturent à la fois les caractéristiques structurelles et sémantiques de chaque médicament au sein du réseau d'interactions. Ces embeddings appris sont ensuite utilisés pour prédire, avec une précision accrue, des interactions médicamenteuses jusqu'alors inconnues ou potentielles.…

Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 64 pp. Deutsch.

Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 64 pp. Portugiesisch.

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Dieses Projekt schlägt einen Rahmen für halbüberwachtes Graph-Learning zur Vorhersage von Arzneimittelwechselwirkungen vor, der darauf ausgelegt ist, die Einschränkungen herkömmlicher überwachter Lernverfahren zu überwinden, für die große Mengen an beschrifteten Wechselwirkungsdaten erforderlich sind. Der vorgeschlagene Ansatz integriert sowohl beschriftete als auch unbeschriftete Arzneimittelinformationen auf effektive Weise, sodass das Modell auch dann aussagekräftige Muster erlernen kann, wenn nur eine begrenzte Anzahl bekannter Wechselwirkungen vorliegt. Jedes Medikament wird anhand umfassender Merkmalsinformationen dargestellt, darunter Molekülstrukturen, chemische Deskriptoren, pharmakologische Eigenschaften und bestehende Wechselwirkungsnetzwerke. Diese Merkmale werden in eine graphbasierte Darstellung integriert, die die intrinsischen Beziehungen zwischen den Medikamenten bewahrt. Anschließend wird ein graphneuraler Netzwerk eingesetzt, um Nachrichtenübertragung und Nachbarschaftsaggregation durchzuführen, wodurch niedrigdimensionale Einbettungsvektoren erzeugt werden, die sowohl die strukturellen als auch die semantischen Eigenschaften jedes Arzneimittels innerhalb des Wechselwirkungsnetzwerks erfassen. Diese gelernten Einbettungen werden anschließend verwendet, um bisher unbekannte oder potenzielle Arzneimittel-Wechselwirkungen mit verbesserter Genauigkeit vorherzusagen.…

Taschenbuch. Condición: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Ce projet propose un cadre d'apprentissage semi-supervisé sur les graphes pour la prédiction des interactions médicamenteuses, conçu pour pallier les limites des méthodes traditionnelles d'apprentissage supervisé qui nécessitent de grandes quantités de données d'interactions étiquetées. L'approche proposée intègre efficacement à la fois des informations étiquetées et non étiquetées sur les médicaments, ce qui permet au modèle d'apprendre des modèles significatifs même lorsqu'un nombre limité d'interactions connues est disponible. Chaque médicament est représenté à l'aide d'informations complètes sur ses caractéristiques, notamment ses structures moléculaires, ses descripteurs chimiques, ses propriétés pharmacologiques et les réseaux d'interactions existants. Ces caractéristiques sont intégrées dans une représentation sous forme de graphe qui préserve les relations intrinsèques entre les médicaments. Un réseau neuronal sur graphe est ensuite utilisé pour effectuer la transmission de messages et l'agrégation de voisinage, générant ainsi des vecteurs d'embedding de faible dimension qui capturent à la fois les caractéristiques structurelles et sémantiques de chaque médicament au sein du réseau d'interactions. Ces embeddings appris sont ensuite utilisés pour prédire, avec une précision accrue, des interactions médicamenteuses jusqu'alors inconnues ou potentielles. 64 pp. Französisch.…

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Este projeto propõe um quadro de aprendizagem de grafos semi-supervisionada para a previsão de interações medicamentosas, concebido para superar as limitações dos métodos tradicionais de aprendizagem supervisionada, que exigem grandes quantidades de dados de interações rotulados. A abordagem proposta integra eficazmente tanto informações rotuladas como não rotuladas sobre os medicamentos, permitindo que o modelo aprenda padrões significativos mesmo quando apenas está disponível um número limitado de interações conhecidas. Cada medicamento é representado através de informação abrangente sobre as suas características, incluindo estruturas moleculares, descritores químicos, propriedades farmacológicas e redes de interação existentes. Estas características são incorporadas numa representação baseada em grafos que preserva as relações intrínsecas entre os medicamentos. Em seguida, é utilizada uma rede neural de grafos para efetuar a passagem de mensagens e a agregação de vizinhança, gerando vetores de incorporação de baixa dimensão que captam tanto as características estruturais como semânticas de cada medicamento dentro da rede de interações. Estas incorporações aprendidas são posteriormente utilizadas para prever interações medicamento-medicamento anteriormente desconhecidas ou potenciais com maior precisão.…