Produktbild: Federated and Transfer Learning
Band 27 - 10%

Federated and Transfer Learning

10% sparen

152,99 € UVP 171,19 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

02.10.2023

Herausgeber

Roozbeh Razavi-Far + weitere

Verlag

Springer

Seitenzahl

371

Maße (L/B/H)

23,5/15,5/2,1 cm

Gewicht

575 g

Auflage

1st edition 2023

Sprache

Englisch

ISBN

978-3-031-11750-3

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

02.10.2023

Herausgeber

Verlag

Springer

Seitenzahl

371

Maße (L/B/H)

23,5/15,5/2,1 cm

Gewicht

575 g

Auflage

1st edition 2023

Sprache

Englisch

ISBN

978-3-031-11750-3

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: GPSR Kontakt

Ein neues Kapitel für Ihre Bücher

Ein neues Kapitel für Ihre Bücher

Schenken Sie Ihren alten Schätzen ein zweites Leben und erhalten 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: Federated and Transfer Learning
  • 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.