دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Edge Learning for Distributed Big Data Analytics: Theory, Algorithms, and System Design
دانلود کتاب یادگیری لبه برای تجزیه و تحلیل داده های بزرگ توزیع شده: نظریه، الگوریتم ها و طراحی سیستم
مشخصات کتاب
Edge Learning for Distributed Big Data Analytics: Theory, Algorithms, and System Design
ویرایش:
نویسندگان: Song Guo. Zhihao Qu
سری:
ISBN (شابک) : 1108832377, 9781108832373
ناشر: Cambridge University Press
سال نشر: 2022
تعداد صفحات: 225
[231]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 Mb
قیمت کتاب (تومان) : 49,000
در صورت تبدیل فایل کتاب Edge Learning for Distributed Big Data Analytics: Theory, Algorithms, and System Design 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 یادگیری لبه برای تجزیه و تحلیل داده های بزرگ توزیع شده: نظریه، الگوریتم ها و طراحی سیستم 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.
توضیحاتی در مورد کتاب یادگیری لبه برای تجزیه و تحلیل داده های بزرگ توزیع شده: نظریه، الگوریتم ها و طراحی سیستم
این کار چند رشته ای و روشنگری را که یادگیری ماشین، محاسبات لبه و کلان داده را ادغام می کند، کشف کنید. اصول اولیه آموزش مدل‌های یادگیری ماشین، چالش‌ها و مسائل کلیدی، و همچنین تکنیک‌های جامع از جمله الگوریتم‌های یادگیری لبه، و مسائل طراحی سیستم را ارائه می‌دهد. معماری ها، چارچوب ها و فن آوری های کلیدی برای یادگیری عملکرد، امنیت و حریم خصوصی و همچنین مسائل انگیزشی در آموزش/استنتاج در لبه شبکه را شرح می دهد. در نظر گرفته شده برای تحریک بحث های پربار، الهام بخشیدن به ایده های تحقیقاتی بیشتر، و اطلاع خوانندگان از هر دو زمینه دانشگاهی و صنعتی. خواندن ضروری برای محققان و توسعه دهندگان با تجربه، یا برای کسانی که به تازگی وارد این حوزه شده اند.
توضیحاتی درمورد کتاب به خارجی
Discover this multi-disciplinary and insightful work, which integrates machine learning, edge computing, and big data. Presents the basics of training machine learning models, key challenges and issues, as well as comprehensive techniques including edge learning algorithms, and system design issues. Describes architectures, frameworks, and key technologies for learning performance, security, and privacy, as well as incentive issues in training/inference at the network edge. Intended to stimulate fruitful discussions, inspire further research ideas, and inform readers from both academia and industry backgrounds. Essential reading for experienced researchers and developers, or for those who are just entering the field.
