دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.] نویسندگان: Rajiv Pandey (editor), Sunil Kumar Khatri (editor), Neeraj Kumar Singh (editor), Parul Verma (editor) سری: ISBN (شابک) : 0128240547, 9780128240540 ناشر: Academic Press سال نشر: 2022 تعداد صفحات: 516 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 92 Mb
در صورت تبدیل فایل کتاب Artificial Intelligence and Machine Learning for EDGE Computing به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هوش مصنوعی و یادگیری ماشین برای محاسبات EDGE نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
هوش مصنوعی و یادگیری ماشین برای رندر پیشبینی و تحلیلی در محاسبات لبه بر نقش هوش مصنوعی و یادگیری ماشینی تمرکز میکند که در کنار رایانش لبه تأثیر میگذارد و کار میکند. بخشها تعداد فزایندهای از دستگاهها و برنامههای کاربردی در حوزههای متنوع صنعت، از جمله بازی، تشخیص گفتار، تشخیص پزشکی، روباتیک و بینایی رایانه و نحوه هدایت آنها توسط دادههای بزرگ، هوش مصنوعی، یادگیری ماشینی و محاسبات توزیعشده را پوشش میدهند. Cloud Computing یا الگوهای در حال تکامل Fog و Edge Computing.
چالشهای تحت پوشش عبارتند از ذخیرهسازی و محاسبات از راه دور، اضافه بار پهنای باند به دلیل انتقال دادهها از گرههای پایانی به Cloud که منجر به مشکلات تأخیر میشود. مسائل امنیتی در انتقال اطلاعات حساس پزشکی و مالی در میان شکاف های بزرگتر در نقاط تولید داده و محاسبات، و همچنین ویژگی های طراحی گره های Edge برای ذخیره و اجرای الگوریتم های AI/ML برای ارائه موثر.
Artificial Intelligence and Machine Learning for Predictive and Analytical Rendering in Edge Computing focuses on the role of AI and machine learning as it impacts and works alongside Edge Computing. Sections cover the growing number of devices and applications in diversified domains of industry, including gaming, speech recognition, medical diagnostics, robotics and computer vision and how they are being driven by Big Data, Artificial Intelligence, Machine Learning and distributed computing, may it be Cloud Computing or the evolving Fog and Edge Computing paradigms.
Challenges covered include remote storage and computing, bandwidth overload due to transportation of data from End nodes to Cloud leading in latency issues, security issues in transporting sensitive medical and financial information across larger gaps in points of data generation and computing, as well as design features of Edge nodes to store and run AI/ML algorithms for effective rendering.