KI-Beratung Beta

Produktbild: Interpretable Artificial Intelligence: A Perspective of Granular Computing
Band 937

Interpretable Artificial Intelligence: A Perspective of Granular Computing

155,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

27.03.2021

Abbildungen

VIII, 429 p. 170 illus., 138 illus. in color.

Herausgeber

Witold Pedrycz + weitere

Verlag

Springer

Seitenzahl

429

Maße (L/B/H)

24,1/16/3 cm

Gewicht

771 g

Auflage

21001 Auflage 1st edition 2021

Sprache

Englisch

ISBN

978-3-030-64948-7

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

27.03.2021

Abbildungen

VIII, 429 p. 170 illus., 138 illus. in color.

Herausgeber

Verlag

Springer

Seitenzahl

429

Maße (L/B/H)

24,1/16/3 cm

Gewicht

771 g

Auflage

21001 Auflage 1st edition 2021

Sprache

Englisch

ISBN

978-3-030-64948-7

Herstelleradresse

Springer-Verlag GmbH
Europaplatz 3
69115 Heidelberg
DE

Email: ProductSafety@springernature.com

Ein neues Kapitel für Ihre Bücher

Ein neues Kapitel für Ihre Bücher

Schenken Sie Ihren alten Schätzen ein zweites Leben und erhalten Sie dafür eine Thalia Geschenkkarte.

Jetzt verkaufen
Jetzt verkaufen

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

  • Produktbild: Interpretable Artificial Intelligence: A Perspective of Granular Computing
  • Visualizing the Behavior of Convolutional Neural Networks for Time Series Forecasting.- Beyond Deep Event Prediction: Deep Event Understanding based on Explainable Artificial Intelligence.- Interpretation of SVM to build an Explainable AI via Granular Computing.- Factual and Counterfactual Explanation of Fuzzy Information Granules.- Survey of Explainable Machine Learning with Visual and Granular Methods beyond Quasi-explanations.- MiBeX: Malware-inserted Benign Datasets for Explainable Machine Learning.- A Generative Model Based Approach for Zero-shot Breast Cancer Segmentation Explaining Pixels’ Contribution to the Model’s Prediction.