دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Federated Learning: Fundamentals and Advances
دانلود کتاب یادگیری فدرال: مبانی و پیشرفت ها
مشخصات کتاب
Federated Learning: Fundamentals and Advances
ویرایش: نویسندگان: Yaochu Jin, Hangyu Zhu, Jinjin Xu, Yang Chen سری: Machine Learning: Foundations, Methodologies, and Applications ISBN (شابک) : 9811970823, 9789811970825 ناشر: Springer سال نشر: 2022 تعداد صفحات: 226 [227] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 Mb
قیمت کتاب (تومان) : 36,000
در صورت تبدیل فایل کتاب Federated Learning: Fundamentals and Advances 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 فدرال: مبانی و پیشرفت ها 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 فدرال: مبانی و پیشرفت ها
این کتاب خوانندگان را با مبانی و پیشرفت‌های اخیر در یادگیری فدرال، تمرکز بر کاهش هزینه‌های ارتباطی، بهبود کارایی محاسباتی و افزایش سطح امنیت آشنا می‌کند. یادگیری فدرال یک پارادایم یادگیری ماشینی توزیع شده است که آموزش مدل را روی حجم وسیعی از داده های غیرمتمرکز امکان پذیر می کند. هدف آن استفاده کامل از داده‌ها در سازمان‌ها یا دستگاه‌ها در حین رعایت الزامات نظارتی، حریم خصوصی و امنیتی است.
کتاب با مقدمه‌ای مستقل بر شبکه‌های عصبی مصنوعی، مدل‌های یادگیری عمیق، الگوریتم‌های یادگیری تحت نظارت، الگوریتم‌های تکاملی و یادگیری تکاملی شروع می‌شود. سپس اطلاعات مختصری در مورد محاسبات ایمن چند جانبه، حریم خصوصی دیفرانسیل، و رمزگذاری همومورف ارائه می‌شود و به دنبال آن شرح مفصلی از یادگیری فدرال ارائه می‌شود. به نوبه خود، این کتاب به آخرین پیشرفت‌ها در تحقیقات یادگیری فدرال، به‌ویژه از دیدگاه کارآمدی ارتباطات، یادگیری تکاملی و حفظ حریم خصوصی می‌پردازد. این کتاب به‌ویژه برای این کتاب مناسب است دانشجویان فارغ التحصیل، محققان دانشگاهی و متخصصان صنعتی در زمینه یادگیری ماشین و هوش مصنوعی. همچنین می تواند به عنوان یک منبع خودآموز برای خوانندگان با پیشینه علمی یا مهندسی یا به عنوان متن مرجع برای دوره های تحصیلات تکمیلی استفاده شود.توضیحاتی درمورد کتاب به خارجی
This book introduces readers to the fundamentals of and recent advances in federated learning, focusing on reducing communication costs, improving computational efficiency, and enhancing the security level. Federated learning is a distributed machine learning paradigm which enables model training on a large body of decentralized data. Its goal is to make full use of data across organizations or devices while meeting regulatory, privacy, and security requirements.
The book starts with a self-contained introduction to artificial neural networks, deep learning models, supervised learning algorithms, evolutionary algorithms, and evolutionary learning. Concise information is then presented on multi-party secure computation, differential privacy, and homomorphic encryption, followed by a detailed description of federated learning. In turn, the book addresses the latest advances in federate learning research, especially from the perspectives of communication efficiency, evolutionary learning, and privacy preservation. The book is particularly well suited for graduate students, academic researchers, and industrial practitioners in the field of machine learning and artificial intelligence. It can also be used as a self-learning resource for readers with a science or engineering background, or as a reference text for graduate courses.نظرات کاربران
کتاب های تصادفی
دانلود کتاب The True Founder of Christianity and the Hellenistic Philosophy
دانلود کتاب Real Kids Reader: Three Books (I Like to Win - Mud - Wash Day) Level 1
دانلود کتاب Mastering predictive analytics with R
دانلود کتاب Die Garantenstellung aus vorangegangenem Tun
