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

Kontakt

Jak nakupovat

Pomoc

Můj účet

▸ Prázdný :-(

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

Embedded Machine Learning for Cyber-Physical, IoT, and Edge Computing

Name: Embedded Machine Learning for Cyber-Physical, IoT, and Edge Computing
Brand: Springer, Berlin
SKU: 46636742
Price: 1958 CZK
Availability: InStock
Author: Sudeep Pasricha
ISBN: 9783031195709

Hardware Architectures

Sudeep Pasricha

Muhammad Shafique

Jazyk

Angličtina

Kniha Brožovaná

Libristo kód: 46636742

Nakladatelství Springer, Berlin, listopad 2023

This book presents recent advances towards the goal of enabling efficient implementation of machine... Celý popis

Libristo kód: 46636742

196 b

1 958 Kč

Skladem u dodavatele Odesíláme za 5-8 dnů

30 dní na vrácení zboží

Zákazníci také koupili

Die Rede an die Tiere Val?re Novarina

Brožovaná

312 Kč

Arriba Santurce, Corazon Rumbero de Puerto Rico! Tierra de Grandes Percusionistas, Vol. 1 Miguel Mickeylopez Ortiz

Pevná

925 Kč

Matematické kolečko Násobení a dělení Petr Kupka

Karty

44 Kč

You Are the Light: The Short Lives of Saints and Devotees of Recent Times. Svetlana S Deviatova

Brožovaná

445 Kč

Meine Märchen Oscar Wilde

Brožovaná

181 Kč

Stop výmyslom! Pravda o zvieratách Sophie Corrigan

Pevná

331 Kč

Die Baugeschichte der Sophienkirche in Sofia Galina Fingarova

Pevná

3 817 Kč

PRAKTISCHES HANDBUCH DER INDUSTRIELLEN PHARMAZIE Pamula Reddy Bhavanam

Brožovaná

893 Kč

GRATITUDE LORRIANE ANDERSON

Pevná

241 Kč

Die Kunst des professionellen Schreibens Howard S. Becker

Brožovaná

543 Kč

This book presents recent advances towards the goal of enabling efficient implementation of machine learning models on resource-constrained systems, covering different application domains. The focus is on presenting interesting and new use cases of applying machine learning to innovative application domains, exploring the efficient hardware design of efficient machine learning accelerators, memory optimization techniques, illustrating model compression and neural architecture search techniques for energy-efficient and fast execution on resource-constrained hardware platforms, and understanding hardware-software codesign techniques for achieving even greater energy, reliability, and performance benefits.