Scaling Laws of Network Value
From Communication to Learning
-
20% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 213.99
-
83 584 Ft (79 604 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. 16 717 Ft off)
- Kedvezményes ár 66 867 Ft (63 683 Ft + 5% áfa)
- A kedvezmény érvényes eddig: 2026. június 30.
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
73 554 Ft
Beszerezhetőség
Még nem jelent meg, de rendelhető. A megjelenéstől számított néhány héten belül megérkezik.
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:
- Kiadó Springer Nature Singapore
- Megjelenés dátuma 2026. július 12.
- ISBN 9789819581092
- Kötéstípus Keménykötés
- Terjedelem184 oldal
- Méret 235x155 mm
- Nyelv angol
- Illusztrációk XII, 184 p. 37 illus., 35 illus. in color. 700
Kategóriák
Hosszú leírás:
"
This book bridges two seemingly distinct worlds—network theory and machine learning—to reveal the universal laws of scalability that underlie both. It examines how value, capacity, and performance evolve as systems expand, offering a unified framework that connects Metcalfe’s Law with neural scaling laws.
By comparing network growth and model scaling, the book uncovers striking parallels: the diminishing throughput of densely connected networks mirrors the saturation of model generalization in large AI systems. Through rigorous analytical models, it explains when performance scales sublinearly, linearly, or even superlinearly—and why these transitions matter for the future of communication infrastructure and intelligent computation.
Designed for researchers and advanced practitioners in computer networks, information theory, and artificial intelligence, this work delivers both conceptual insight and practical guidance. It helps readers recognize the structural forces that shape scalability, the mathematical trade-offs between capacity and efficiency, and the design principles that can transfer between large-scale networks and learning systems.
Readers with backgrounds in probability, linear algebra, and algorithmic modeling will find this book a compelling synthesis of theory and application—a guide to understanding how scaling behavior defines the limits and possibilities of modern computational systems.
" TöbbTartalomjegyzék:
"
Chapter 1: Introduction and Overview.- Chapter 2: Scaling Laws of Self-Organized Communication Networks: Throughput Capacity.- Chapter 3: Scaling Laws of Self-Organized Communication Networks: Transport Complexity.- Chapter 4: Scaling Laws of Deep-Learning Neural Networks: Taxonomy and Survey.- Chapter 5: Scaling Laws of Deep-Learning Neural Networks: Expressive Power.- Chapter 6: Scaling Laws of Deep-Learning Neural Networks: Information Loss.
" Több
