Federated and Transfer Learning by Razavi-Far, Roozbeh; Wang, Boyu; Taylor, Matthew E.; Yang, Qiang;

Sorozatcím: Adaptation, Learning, and Optimization; 27;

20% KEDVEZMÉNY?
A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.

Kiadói listaár EUR 160.49
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.

66 563 Ft (63 393 Ft + 5% áfa)
Kedvezmény(ek) 20% (cc. 13 313 Ft off)
Kedvezményes ár 53 250 Ft (50 714 Ft + 5% áfa)

66 563 Ft

Beszerezhetőség

Megrendelésre a kiadó utánnyomja a könyvet. Rendelhető, de a szokásosnál kicsit lassabban érkezik meg.

A termék adatai:

Kiadás sorszáma 1st ed. 2023
Kiadó Springer International Publishing
Megjelenés dátuma 2023. október 2.
Kötetek száma 1 pieces, Book

ISBN 9783031117503
Kötéstípus Puhakötés
Lásd még 9783031117473
Terjedelem371 oldal
Méret 235x155 mm
Súly 581 g
Nyelv angol
Illusztrációk VIII, 371 p. 90 illus., 80 illus. in color. Illustrations, black & white

Kategóriák

Valószínűségelmélet és matematikai statisztika A mérnöki tudományok általános kérdései Operációs rendszerek és grafikus felhasználói felületek Mesterséges intelligencia Valószínűségelmélet és matematikai statisztika (karitatív célú kampány) A mérnöki tudományok általános kérdései (karitatív célú kampány) Operációs rendszerek és grafikus felhasználói felületek (karitatív célú kampány) Mesterséges intelligencia (karitatív célú kampány)

Hosszú leírás:

This book provides a collection of recent research works on learning from decentralized data, transferring information from one domain to another, and addressing theoretical issues on improving the privacy and incentive factors of federated learning as well as its connection with transfer learning and reinforcement learning. Over the last few years, the machine learning community has become fascinated by federated and transfer learning. Transfer and federated learning have achieved great success and popularity in many different fields of application. The intended audience of this book is students and academics aiming to apply federated and transfer learning to solve different kinds of real-world problems, as well as scientists, researchers, and practitioners in AI industries, autonomous vehicles, and cyber-physical systems who wish to pursue new scientific innovations and update their knowledge on federated and transfer learning and their applications.

Több

Tartalomjegyzék:

An Introduction to Federated and Transfer Learning.- Federated Learning for Resource-Constrained IoT Devices: Panoramas and State of the Art.- Federated and Transfer Learning: A Survey on Adversaries and Defense Mechanisms.- Cross-silo Federated Neural Architecture Search for Heterogeneous and Cooperative Systems.- A Unifying Framework for Federated Learning.- A Contract Theory based Incentive Mechanism for Federated Learning.- A Study of Blockchain-based Federated Learning.- Swarm Meta Learning.- Rethinking Importance Weighting for Transfer Learning.- Transfer Learning via Representation Learning.- Modeling Individual Humans via a Secondary Task Transfer Learning Method.- From Theoretical to Practical Transfer Learning: The Adapt Library.- Lyapunov Robust Constrained-MDPs for Sim2Real Transfer Learning.- A Study on Efficient Reinforcement Learning Through Knowledge Transfer.- Federated Transfer Reinforcement Learning for Autonomous Driving.

Több

Mostanában megtekintett