Federated Learning by Yang, Qiang; Liu, Yang; Cheng, Yong;

Sorozatcím: Synthesis Lectures on Artificial Intelligence and Machine Learning;

8% KEDVEZMÉNY?
A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.

Kiadói listaár EUR 87.00
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.

36 083 Ft (34 365 Ft + 5% áfa)
Kedvezmény(ek) 8% (cc. 2 887 Ft off)
Kedvezményes ár 33 197 Ft (31 616 Ft + 5% áfa)

36 083 Ft

Beszerezhetőség

Bizonytalan a beszerezhetőség. Érdemes még egyszer keresni szerzővel és címmel. Ha nem talál másik, kapható kiadást, forduljon ügyfélszolgálatunkhoz!

A termék adatai:

Kiadó Morgan & Claypool Publishers
Megjelenés dátuma 2019. december 30.
Kötetek száma Paperback

ISBN 9781681736976
Kötéstípus Puhakötés
Terjedelem207 oldal
Méret 235x191 mm
Súly 405 g
Nyelv angol

Kategóriák

A számítástudomány elmélete, a számítástechnika általában Operációs rendszerek és grafikus felhasználói felületek Mesterséges intelligencia

Rövid leírás:

Explains different types of privacy-preserving machine learning solutions and their technological backgrounds, and highlight some representative practical use cases. The book shows how federated learning can become the foundation of next-generation machine learning that caters to technological and societal needs.

Több

Hosszú leírás:

This book shows how federated machine learning allows multiple data owners to collaboratively train and use a shared prediction model while keeping all the local training data private. Traditional machine learning approaches need to combine all data at one location, typically a data center, which may very well violate the laws on user privacy and data confidentiality. Today, many parts of the world demand that technology companies treat user data carefully according to user-privacy laws. The European Union&&&39;s General Data Protection Regulation (GDPR) is a prime example.

In this book, we describe how federated machine learning addresses this problem with novel solutions combining distributed machine learning, cryptography and security, and incentive mechanism design based on economic principles and game theory. We explain different types of privacy-preserving machine learning solutions and their technological backgrounds, and highlight some representative practical use cases. We show how federated learning can become the foundation of next-generation machine learning that caters to technological and societal needs for responsible AI development and application.

Több

Mostanában megtekintett