Alternating Direction Method of Multipliers for Machine Learning
-
20% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 149.79
-
62 125 Ft (59 167 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) 20% (cc. 12 425 Ft off)
- Kedvezményes ár 49 700 Ft (47 334 Ft + 5% áfa)
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
62 125 Ft
Beszerezhetőség
Megrendelésre a kiadó utánnyomja a könyvet. Rendelhető, de a szokásosnál kicsit lassabban érkezik meg.
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 1st ed. 2022
- Kiadó Springer Nature Singapore
- Megjelenés dátuma 2023. június 17.
- Kötetek száma 1 pieces, Book
- ISBN 9789811698422
- Kötéstípus Puhakötés
- Lásd még 9789811698392
- Terjedelem263 oldal
- Méret 235x155 mm
- Súly 444 g
- Nyelv angol
- Illusztrációk XXIII, 263 p. 1 illus. Illustrations, black & white 471
Kategóriák
Hosszú leírás:
Machine learning heavily relies on optimization algorithms to solve its learning models. Constrained problems constitute a major type of optimization problem, and the alternating direction method of multipliers (ADMM) is a commonly used algorithm to solve constrained problems, especially linearly constrained ones. Written by experts in machine learning and optimization, this is the first book providing a state-of-the-art review on ADMM under various scenarios, including deterministic and convex optimization, nonconvex optimization, stochastic optimization, and distributed optimization. Offering a rich blend of ideas, theories and proofs, the book is up-to-date and self-contained. It is an excellent reference book for users who are seeking a relatively universal algorithm for constrained problems. Graduate students or researchers can read it to grasp the frontiers of ADMM in machine learning in a short period of time.
TöbbTartalomjegyzék:
Chapter 1. Introduction.- Chapter 2. Derivations of ADMM.- Chapter 3. ADMM for Deterministic and Convex Optimization.- Chapter 4. ADMM for Nonconvex Optimization.- Chapter 5. ADMM for Stochastic Optimization.- Chapter 6. ADMM for Distributed Optimization.- Chapter 7. Practical Issues and Conclusions.
Több
Pursuing Power and Light – Technology and Physics from James Watt to Albert Einstein: Technology and Physics from James Watt to Albert Einstein
10 032 Ft
9 029 Ft
