• Part of
    Ubiquity Network logo
    Interesse beim KIT-Verlag zu publizieren? Informationen für Autorinnen und Autoren

    Lesen sie das Kapitel
  • No readable formats available

    • Ensemble-based Uncertainty Quantification: Bayesian versus Credal Inference

    Mohammad Hossein Shaker, Eyke Hüllermeier

    Kapitel/Beitrag aus dem Buch: Schulte, H et al. 2021. Proceedings – 31. Workshop Computational Intelligence : Berlin, 25. – 26. November 2021.

     Zurück zum Buch
     Download
    Buch kaufen

    Fächer:

    Mechanical and process engineering 

    Schlagwörter:

    Maschinelles Lernen Deep Learning Computational Intelligence Künstliche Intelligenz Neuronale Netze Maschine Learning Artificial Intelligence Neural Networks 

    :

    Empfohlene Zitierweise für das Kapitel/den Beitrag
    Shaker M. & Hüllermeier E. 2021. Ensemble-based Uncertainty Quantification: Bayesian versus Credal Inference. In: Schulte, H et al (eds.), Proceedings – 31. Workshop Computational Intelligence : Berlin, 25. – 26. November 2021. Karlsruhe: KIT Scientific Publishing. DOI: https://doi.org/10.58895/ksp/1000138532-5
    Lizenz

    This chapter distributed under the terms of the Creative Commons Attribution + ShareAlike 4.0 license. Copyright is retained by the author(s)

    Peer Review Informationen

    Dieses Buch ist Peer reviewed. Informationen dazu Hier finden Sie mehr Informationen zur wissenschaftlichen Qualitätssicherung der MAP-Publikationen.

    Weitere Informationen

    Veröffentlicht am 20. November 2021

    DOI
    https://doi.org/10.58895/ksp/1000138532-5