Waghela mohit (18 resultados)

Condición: New.

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.

Condición: New.

Condición: New.

Condición: New.

Condición: New.

Condición: New.

Condición: New.

Condición: New.

Condición: New.

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Fuel efficiency plays a crucial role in automotive design, environmental sustainability, and performance analysis. This project presents a Machine Learning approach for predicting Miles Per Gallon (MPG) using vehicle features from the well-known Auto MPG dataset available at the UCI Machine Learning Repository.The dataset undergoes pre-processing steps including handling missing values, converting data types, and selecting key numerical attributes. Two predictive models-Linear Regression and Random Forest Regressor-are implemented and evaluated using standard regression metrics such as Mean Absolute Error (MAE), Mean Squared Error (MSE), and R score. The Random Forest model performs significantly better, indicating its strength in capturing nonlinear patterns in vehicle characteristics.The study highlights the potential of Machine Learning to support automobile efficiency analysis and fuel consumption forecasting. Future enhancements may include model tuning, advanced algorithms, real-time prediction systems, and deployment through a web interface. …

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - La eficiencia del combustible desempeña un papel crucial en el diseño de automóviles, la sostenibilidad medioambiental y el análisis del rendimiento. Este proyecto presenta un enfoque de aprendizaje automático para predecir las millas por galón (MPG) utilizando características de vehículos del conocido conjunto de datos Auto MPG disponible en el repositorio de aprendizaje automático de la UCI.El conjunto de datos se somete a pasos de preprocesamiento que incluyen el tratamiento de valores perdidos, la conversión de tipos de datos y la selección de atributos numéricos clave. Se implementan y evalúan dos modelos predictivos (regresión lineal y regresor de Random Forest) utilizando métricas de regresión estándar como el error medio absoluto (MAE), el error medio cuadrático (MSE) y la puntuación R . El modelo Random Forest obtiene resultados significativamente mejores, lo que indica su capacidad para captar patrones no lineales en las características de los vehículos.El estudio destaca el potencial del aprendizaje automático para apoyar el análisis de la eficiencia de los automóviles y la previsión del consumo de combustible. Las mejoras futuras pueden incluir el ajuste del modelo, algoritmos avanzados, sistemas de predicción en tiempo real y despliegue a través de una interfaz web.…

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Le rendement énergétique joue un rôle crucial dans la conception automobile, la durabilité environnementale et l'analyse des performances. Ce projet présente une approche d'apprentissage automatique pour prédire les kilomètres par gallon (MPG) en utilisant les caractéristiques des véhicules à partir de l'ensemble de données bien connu Auto MPG disponible dans le référentiel d'apprentissage automatique de l'Université de Californie du Sud (UCI).L'ensemble de données est soumis à des étapes de prétraitement, notamment le traitement des valeurs manquantes, la conversion des types de données et la sélection des principaux attributs numériques. Deux modèles prédictifs - régression linéaire et régresseur Random Forest - sont mis en oeuvre et évalués à l'aide de mesures de régression standard telles que l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (MSE) et le score R . Le modèle Random Forest est nettement plus performant, ce qui indique qu'il est capable de capturer des modèles non linéaires dans les caractéristiques des véhicules.L'étude met en évidence le potentiel de l'apprentissage automatique pour soutenir l'analyse de l'efficacité des automobiles et la prévision de la consommation de carburant. Les améliorations futures pourraient inclure le réglage du modèle, des algorithmes avancés, des systèmes de prédiction en temps réel et le déploiement par le biais d'une interface web.…

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Efektywno¿¿ paliwowa odgrywa kluczow¿ rol¿ w projektowaniu samochodów, zrównowäeniu ¿rodowiskowym i analizie wydajno¿ci. Niniejszy projekt przedstawia podej¿cie oparte na uczeniu maszynowym do przewidywania mil na galon (MPG) przy u¿yciu cech pojazdu z dobrze znanego zbioru danych Auto MPG dost¿pnego w repozytorium uczenia maszynowego UCI.Zbiór danych przechodzi etapy wst¿pnego przetwarzania, w tym obs¿ug¿ brakuj¿cych warto¿ci, konwersj¿ typów danych i wybór kluczowych atrybutów numerycznych. Dwa modele predykcyjne - regresja liniowa i regresor Random Forest - s¿ implementowane i oceniane przy u¿yciu standardowych wskäników regresji, takich jak ¿redni b¿¿d bezwzgl¿dny (MAE), ¿redni b¿¿d kwadratowy (MSE) i wynik R . Model Random Forest wypada znacznie lepiej, co wskazuje na jego si¿¿ w wychwytywaniu nieliniowych wzorców w charakterystyce pojazdu.Badanie podkre¿la potencjä uczenia maszynowego do wspierania analizy wydajno¿ci samochodów i prognozowania zu¿ycia paliwa. Przysz¿e ulepszenia mog¿ obejmowä dostrajanie modeli, zaawansowane algorytmy, systemy przewidywania w czasie rzeczywistym i wdräanie za po¿rednictwem interfejsu internetowego.…

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - L'efficienza dei consumi gioca un ruolo cruciale nella progettazione automobilistica, nella sostenibilità ambientale e nell'analisi delle prestazioni. Questo progetto presenta un approccio di apprendimento automatico per prevedere le miglia per gallone (MPG) utilizzando le caratteristiche del veicolo dal noto set di dati Auto MPG disponibile presso l'UCI Machine Learning Repository.Il set di dati viene sottoposto a fasi di pre-elaborazione, tra cui la gestione dei valori mancanti, la conversione dei tipi di dati e la selezione degli attributi numerici chiave. Due modelli predittivi - Regressione lineare e Regressore Random Forest - sono stati implementati e valutati utilizzando metriche di regressione standard come l'errore assoluto medio (MAE), l'errore quadratico medio (MSE) e il punteggio R . Il modello Random Forest ottiene risultati significativamente migliori, indicando la sua forza nel catturare modelli non lineari nelle caratteristiche del veicolo.Lo studio evidenzia il potenziale del Machine Learning per supportare l'analisi dell'efficienza automobilistica e la previsione del consumo di carburante. I miglioramenti futuri potrebbero includere la messa a punto del modello, algoritmi avanzati, sistemi di previsione in tempo reale e la distribuzione attraverso un'interfaccia web.…

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - A eficiência do combustível desempenha um papel crucial no design automóvel, na sustentabilidade ambiental e na análise do desempenho. Este projeto apresenta uma abordagem de Aprendizagem Automática para prever Milhas por Galão (MPG) utilizando caraterísticas de veículos do conhecido conjunto de dados Auto MPG disponível no Repositório de Aprendizagem Automática da UCI.O conjunto de dados é submetido a etapas de pré-processamento, incluindo o tratamento de valores em falta, a conversão de tipos de dados e a seleção de atributos numéricos chave. Dois modelos preditivos - Regressão Linear e Regressor Random Forest - são implementados e avaliados utilizando métricas de regressão padrão, como o Erro Absoluto Médio (MAE), o Erro Quadrático Médio (MSE) e a pontuação R . O modelo Random Forest tem um desempenho significativamente melhor, indicando a sua força na captura de padrões não lineares nas caraterísticas do veículo.O estudo destaca o potencial da aprendizagem automática para apoiar a análise da eficiência automóvel e a previsão do consumo de combustível. As melhorias futuras podem incluir a afinação de modelos, algoritmos avançados, sistemas de previsão em tempo real e a implementação através de uma interface Web.…