Federated and Transfer Learning
Roozbeh Razavi-Far · Boyu Wang · Matthew E. Taylor · Qiang Yang
2022. szept. · Adaptation, Learning, and Optimization 27. kötet · Springer Nature
E-könyv
371
Oldalak száma
reportAz értékelések és vélemények nincsenek ellenőrizve További információ
Információk az e-könyvről
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.
E-könyv értékelése
Mondd el a véleményedet.
Olvasási információk
Okostelefonok és táblagépek
Telepítsd a Google Play Könyvek alkalmazást Android- vagy iPad/iPhone eszközre. Az alkalmazás automatikusan szinkronizálódik a fiókoddal, így bárhol olvashatsz online és offline állapotban is.
Laptopok és számítógépek
A Google Playen vásárolt hangoskönyveidet a számítógép böngészőjében is meghallgathatod.
E-olvasók és más eszközök
E-tinta alapú eszközökön (például Kobo e-könyv-olvasón) való olvasáshoz le kell tölteni egy fájlt, és átvinni azt a készülékre. A Súgó részletes utasításait követve lehet átvinni a fájlokat a támogatott e-könyv-olvasókra.
