دانلود کتاب Federated Learning for IoT Applications
49,000 تومان
آموزش فدرال برای کاربردهای اینترنت اشیا
| موضوع اصلی | کامپیوترها |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| ناشر | Springer |
| تعداد صفحه | 273 / 269 |
| حجم فایل | 7.58 مگابایت |
| کد کتاب | 3030855589 , 9783030855581 |
| نویسنده | Bhoopesh Singh Bhati, Dharmendra Prasad Mahato, Sachin Kumar, Satya Prakash Yadav |
|---|---|
| زبان | انگلیسی |
| فرمت | |
| سال انتشار | 2022 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
ترجمه فارسی (ترجمه ماشینی)
این کتاب نشان میدهد که چگونه یادگیری فدرال به درک و یادگیری از فعالیت کاربر در برنامههای اینترنت اشیا (IoT) و در عین حال محافظت از حریم خصوصی کاربر کمک میکند. نویسندگان ابتدا نشان میدهند که چگونه یادگیری فدرال راهی منحصر به فرد برای ساخت مدلهای شخصی شده با استفاده از دادهها بدون دخالت در حریم خصوصی کاربران فراهم میکند. سپس نویسندگان یک بررسی جامع از تحقیقات پیشرفته در زمینه یادگیری فدرال ارائه میکنند و به خواننده یک دید کلی از این زمینه ارائه میدهند. این کتاب همچنین بررسی می کند که چگونه یک چارچوب یادگیری فدرال شخصی سازی شده در معماری لبه ابری و همچنین در معماری لبه بی سیم برای برنامه های هوشمند IoT مورد نیاز است. برای مقابله با مسائل ناهمگونی در محیطهای IoT، این کتاب روشهای یادگیری فدرال شخصیسازیشده در حال ظهور را بررسی میکند که میتوانند اثرات منفی ناشی از ناهمگونیها را در جنبههای مختلف کاهش دهند. این کتاب مطالعات موردی شناسایی فعالیتهای انسانی مبتنی بر اینترنت اشیا را برای نشان دادن اثربخشی یادگیری فدرال شخصیشده برای برنامههای هوشمند اینترنت اشیاء و همچنین طراحی کنترلکنندههای متعدد و ابزارهای تحلیل سیستم از جمله کنترل پیشبینی مدل، نابرابریهای ماتریس خطی، کنترل بهینه و غیره ارائه میکند. و چارچوب کامل طراحی مشترک به نفع محققان، دانشجویان فارغ التحصیل و مهندسان در زمینه های تئوری کنترل و مهندسی خواهد بود.
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.