Produktbild: Artificial Intelligence for Materials Informatics
- 19%

Artificial Intelligence for Materials Informatics

19% sparen

195,99 € UVP 241,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

30.07.2025

Abbildungen

XII, 152 illus., 146 illus. in color., schwarz-weiss Illustrationen, farbige Illustrationen

Herausgeber

S. Sachin Kumar + weitere

Verlag

Springer

Seitenzahl

247

Maße (L/B/H)

24,1/16/2 cm

Gewicht

557 g

Sprache

Englisch

ISBN

978-3-031-89982-9

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

30.07.2025

Abbildungen

XII, 152 illus., 146 illus. in color., schwarz-weiss Illustrationen, farbige Illustrationen

Herausgeber

Verlag

Springer

Seitenzahl

247

Maße (L/B/H)

24,1/16/2 cm

Gewicht

557 g

Sprache

Englisch

ISBN

978-3-031-89982-9

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: GPSR Kontakt

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: Artificial Intelligence for Materials Informatics
  • Topological indices-based vector representation of graphs.- Toxicity Prediction Using Convolutional Neural Networks: A Study of Deep Learning Approach.- AI and ML in Polymer Science: Enhancing Material Informatics through Predictive Modelling.- Transforming Carbon-Based Material: The Role of AI and ML Regression Techniques in Material Science.- Physics Informed Neural Networks: Fundamentals & Application to Phase Field Models.- Application of AI to help leverage Density Functional Theory computations in Materials Informatics.- XAI Approaches in Genetic Biomaterial Analysis.- AI-Driven Robotic Solutions in Material Engineering.- Implications of high-entropy energy materials in healthcare, environment and agriculture, along with the applications of artificial intelligence.- Advancements in Agricultural Materials: Machine Learning Models for Precision Fertilizer Prediction.