Advances in Partitioning Techniques
A Prospective towards Artificial Intelligence
-
10% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár GBP 160.00
-
80 976 Ft (77 120 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 10% (cc. 8 098 Ft off)
- Kedvezményes ár 72 878 Ft (69 408 Ft + 5% áfa)
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
80 976 Ft
Beszerezhetőség
Becsült beszerzési idő: A Prosperónál jelenleg nincsen raktáron, de a kiadónál igen. Beszerzés kb. 3-5 hét..
A Prosperónál jelenleg nincsen raktáron.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadás sorszáma 1
- Kiadó Chapman and Hall
- Megjelenés dátuma 2025. június 1.
- ISBN 9781032750019
- Kötéstípus Keménykötés
- Terjedelem134 oldal
- Méret 234x156 mm
- Súly 410 g
- Nyelv angol
- Illusztrációk 6 Illustrations, black & white; 6 Line drawings, black & white 700
Kategóriák
Rövid leírás:
The book discusses various partitioning strategies tailored for traditional machine learning algorithms. This book is a vital resource, illuminating the path towards unlocking the full potential of partitioning in shaping the future of AI technologies.
TöbbHosszú leírás:
This book discusses various partitioning strategies tailored for traditional machine learning algorithms. It examines how data can be divided efficiently to enhance the performance and scalability of classic machine learning models. It explores how partitioning methods can be applied to neural networks and other deep learning architectures and describes various ways to accelerate training, reduce memory consumption, and enhance overall efficiency.
Graphs are prevalent in various AI domains. This book is specifically designed for graph data structures using partitioning techniques and also explores insights into optimizing graph algorithms and analytics. With the explosion of data, efficient partitioning becomes crucial for processing large datasets. This book discusses various partitioning techniques that enable effective management and analysis of big data, enhancing speed and resource utilization. Edge computing demands resource-efficient strategies. It examines partitioning methods tailored for edge devices, enabling AI capabilities at the edge while addressing resource. This book showcases how partitioning techniques have been successfully applied across various AI domains. It demonstrates real-world scenarios where partitioning optimizes AI algorithms and systems.
By bridging the gap between theory and practical applications, this book intends to equip researchers, practitioners, and students with invaluable insights into harnessing partitioning for optimizing AI-driven systems, data processing, and problem-solving strategies. It describes the various advantages and disadvantages of partitioning techniques. This book is a vital resource, illuminating the path towards unlocking the full potential of partitioning in shaping the future of AI technologies.
TöbbTartalomjegyzék:
1. Introduction to partitioning techniques 2. Partitioning techniques for deep learning techniques 3. Graph-based partitioning techniques 4. Partitioning techniques for Big Data 5. Partitioning techniques for edge computing
Több
