Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig bis 14.09.2026 auf Spielzeug, Schreibwaren, Filme, Geschenke & Trends, Musik, tolino eReader & Zubehör, Hörbücher, nicht preisgebundene Bücher und Kalender in der Thalia App. Einzelne Artikel können ausgeschlossen sein. Aufgrund der Buchpreisbindung sind deutschsprachige Bücher und eBooks ausgenommen. Zusätzlich ausgenommen sind Abos & Flatrates, Games, Geschenkkarten/-boxen, Shelfies, Software, Zeitschriften sowie einzelne Artikel von tonies®. Pro Einkauf einmal einlösbar. Nur gültig mit im Onlineshop hinterlegter Bonuscard. Click & Collect nur bei Onlinevorabzahlung möglich. Keine Barauszahlung. Nicht kombinierbar mit anderen Aktionen und Gutscheinen. Gutschein wird auf max. 500€ Bestellwert angerechnet. Nicht gültig für Versandkosten und Services.
Produktbild: Deep Learning Theory and Applications
Band 2172 - 15%

Deep Learning Theory and Applications 5th International Conference, DeLTA 2024, Dijon, France, July 10–11, 2024, Proceedings, Part II

Aus der Reihe Communications in Computer and Information Science
15% sparen

73,99 € UVP 87,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

21.08.2024

Abbildungen

XVII, 389 p. 125 illus., 115 illus. in color.

Herausgeber

Ana Fred + weitere

Verlag

Springer

Seitenzahl

389

Maße (L/B/H)

23,5/15,5/2,3 cm

Gewicht

616 g

Auflage

2024

Sprache

Englisch

ISBN

978-3-031-66704-6

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

21.08.2024

Abbildungen

XVII, 389 p. 125 illus., 115 illus. in color.

Herausgeber

Verlag

Springer

Seitenzahl

389

Maße (L/B/H)

23,5/15,5/2,3 cm

Gewicht

616 g

Auflage

2024

Sprache

Englisch

ISBN

978-3-031-66704-6

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: ProductSafety@springernature.com

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
  • Produktbild: Deep Learning Theory and Applications

  • Geometrical Realization for Time Series Forecasting.- Brains over Brawn: Small AI Labs in the Age of Datacenter-Scale Compute.- Time Series Prediction for Anomalies Detection in Concentrating Solar Power Plants Using Long Short-Term Memory N Networks.- Bayes Classification Using an Approximation to the Joint Probability Distribution of the Attributes.- Pollutant Source Localization Based on Siamese Neural Network Similarity Measure.- Automatic Emotion Analysis in Movies: Matteo Garrone’s Dogman as a Case Study.- Empowering Cybersecurity: CyberShield AI Advanced Integration of Machine Learning and Deep Learning for Dynamic Ransomware Detection.- Empirical Performance of Deep Learning Models with Class Imbalance for Crop Disease Classification.- Automating the Conducting of Surveys Using Large Language Models.- Computer Vision Based Monitoring System for Flotation in Mining Industry 4.0.- Self-Supervised Learning for Robust Surface Defect Detection.- Efficient Deep Neural Network Verification with QAP-Based zkSNARK.- Version 8 of YOLO for Wildfire Detection.- Investigating a Semantic Similarity Loss Function for the Parallel Training of Abstractive and Extractive Scientific Document Summarizers.- Deep Learning-Based Preprocessing Tools for Turkish Natural Language Processing.- Skin Cancer Classification: A Comparison of CNN-Backbones for Feature-Extraction.- Multilingual Detection of Cyberbullying on Social Networks Using a Fine-Tuned GPT-3.5 Model.- Detecting Big-5 Personality Dimensions from Text Based on Large Language Models.- ME-ODAL: Mixture-of-Experts Ensemble of CNN Models for 3D Object Detection from Automotive LiDAR Point Clouds.- BitNet b1.58 Reloaded: State-of-the-Art Performance Also on Smaller Networks.- Deep Learning for Cattle Face Identification.- OBBabyFace: Oriented Bounding Box for Infant Face Detection.- EEG-Based Patient Independent Epileptic Seizure Detection Using GCN-BRF.- Predicting Components of a Target Value Versus Predicting the Target Value Directly.