Doprava zdarma při nákupu nad 1 499 Kč přes Zásilkovnu nebo PPL Box.

Zjistit stav objednávky

Staňte se součástí komunity milovníků knih z celého světa a získejte hromadu výhod. Založit účet zdarma

Doprava zdarma se Zásilkovnou nad 1 499 Kč

Kurýr DPD 69 Kč Balíkovna 69 Kč PPL kurýr 74 Kč PPL box 39 Kč Zásilkovna 39 Kč Výdejní místo DPD 49 Kč PPL shop 49 Kč Balíkovna 49 Kč

Kontakt

Jak nakupovat

Pomoc

Můj účet

▸ Prázdný

Doprava zdarma při nákupu nad 1 499 Kč přes Zásilkovnu nebo PPL Box.

Distributed Machine Learning and Gradient Optimization

Name: Distributed Machine Learning and Gradient Optimization
Brand: Springer Verlag, Singapore
SKU: 36337706
Price: 3532 CZK
Availability: InStock
Author: Bin Cui
ISBN: 9789811634192

Bin Cui

Ce Zhang

Jazyk

Angličtina

Kniha Pevná

Libristo kód: 36337706

Nakladatelství Springer Verlag, Singapore, únor 2022

This book presents the state of the art in distributed machine learning algorithms that are based on... Celý popis

Libristo kód: 36337706

353 b

3 532 Kč

Skladem u dodavatele Odesíláme za 10-13 dnů

Až 30 dní na vrácení zboží

Zákazníci také koupili

Výchova k občanství pro 7. ročník Štěrba Radim. Svobodová Monia

Brožovaná

137 Kč

JUEGOS PARA UN TALLER DE TEATRO MANTOVANI

Brožovaná

650 Kč

Goethe Georg Simmel

Brožovaná

307 Kč

HuMan ???????? ?????? Hans-Jurgen Klaussner AR

Adobe ePub DRM

213 Kč

This book presents the state of the art in distributed machine learning algorithms that are based on gradient optimization methods. In the big data era, large-scale datasets pose enormous challenges for the existing machine learning systems. As such, implementing machine learning algorithms in a distributed environment has become a key technology, and recent research has shown gradient-based iterative optimization to be an effective solution. Focusing on methods that can speed up large-scale gradient optimization through both algorithm optimizations and careful system implementations, the book introduces three essential techniques in designing a gradient optimization algorithm to train a distributed machine learning model: parallel strategy, data compression and synchronization protocol.Written in a tutorial style, it covers a range of topics, from fundamental knowledge to a number of carefully designed algorithms and systems of distributed machine learning. It will appeal to a broad audience in the field of machine learning, artificial intelligence, big data and database management.