iPhoneAlle anzeigen
iPhone 11iPhone 11 ProiPhone 11 Pro MaxiPhone 12iPhone 12 ProiPhone 12 Pro MaxiPhone 12 miniiPhone 13iPhone 13 ProiPhone 13 Pro MaxiPhone 13 miniiPhone 14iPhone 14 PlusiPhone 14 ProiPhone 14 Pro MaxiPhone 15iPhone 15 PlusiPhone 15 ProiPhone 15 Pro MaxiPhone 16iPhone 16 PlusiPhone 16 ProiPhone 16 Pro MaxiPhone 16eiPhone 8iPhone 8 PlusiPhone SE 2020iPhone SE 2022iPhone XiPhone XRiPhone XSiPhone XS Max
Galaxy A-SerieAlle anzeigen
Galaxy A12Galaxy A13Galaxy A13 5GGalaxy A14Galaxy A15Galaxy A16Galaxy A17Galaxy A17 5GGalaxy A20eGalaxy A21Galaxy A22Galaxy A23Galaxy A24Galaxy A25Galaxy A26 5GGalaxy A27 5GGalaxy A32Galaxy A33Galaxy A34Galaxy A35Galaxy A36 5GGalaxy A37Galaxy A40Galaxy A41Galaxy A42Galaxy A50Galaxy A51Galaxy A52Galaxy A53Galaxy A54Galaxy A55Galaxy A56 5GGalaxy A57 5GGalaxy A70Galaxy A71Galaxy A72
Redmi SeriesAlle anzeigen
Redmi 10Redmi 13CRedmi 15 5GRedmi Note 10Redmi Note 10 ProRedmi Note 11Redmi Note 11 ProRedmi Note 11 Pro Plus 5GRedmi Note 11sRedmi Note 12Redmi Note 12 5GRedmi Note 12 ProRedmi Note 12 Pro 5GRedmi Note 12 Pro PlusRedmi Note 13Redmi Note 13 5GRedmi Note 13 ProRedmi Note 13 Pro PlusRedmi Note 14Redmi Note 14 Pro PlusRedmi Note 15Redmi Note 15 5GRedmi Note 15 ProRedmi Note 15 Pro 5GRedmi Note 15 Pro Plus 5GRedmi Note 8Redmi Note 8 ProRedmi Note 9Redmi Note 9 Pro
Derzeit nicht verfügbar
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
Der Umwelt zuliebe
Optischer Zustand
Beschreibung
How can we train powerful machine learning models together—across smartphones, hospitals, or financial institutions—without ever sharing raw data? This book delivers a compelling answer through the lens of federated learning (FL), a cutting-edge paradigm for decentralized, privacy-preserving machine learning. Designed for students, engineers, and researchers, this book offers a principled yet… practical roadmap to building secure, scalable, and trustworthy FL systems from scratch. At the heart of this book is a unifying framework that treats FL as a network-regularized optimization problem. This elegant formulation allows readers to seamlessly address personalization, robustness, and fairness—challenges often tackled in isolation. You’ll learn how to structure FL networks based on task similarity, leverage graph-based methods and apply distributed optimization techniques to implement FL systems. Detailed pseudocode, intuitive explanations, and implementation-ready algorithms ensure you not only understand the theory but can apply it in real-world systems. Topics such as privacy leakage analysis, model heterogeneity, and adversarial resilience are treated with both mathematical rigor and accessibility. Whether you're building decentralized AI for regulated industries or in settings where data, users, or system conditions change over time, this book equips you to design FL systems that are both performant and trustworthy. Dieses Produkt haben wir gerade leider nicht auf Lager.
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
Der Umwelt zuliebe
Technische Daten
Erscheinungsdatum
03.01.2026
Sprache
Englisch
EAN
9789819510085
Herausgeber
Springer Singapore
Sonderedition
Nein
Autor
Alexander Jung
Seitenanzahl
213
Einbandart
Gebundene Ausgabe
Buch Untertitel
From Theory to Practice
Schlagwörter
Trustworthy AI, Networked Data, Federated Learning, Networked Models, Explainable AI, Network Security, Privacy and data security
Thema-Inhalt
UYQM - Maschinelles Lernen
UYQ - Künstliche Intelligenz
UMS - App-Programmierung, Programmierung für Mobil-Geräte
UBL - Digital- und Informationstechnologien: Rechtliche Aspekte
UTN - Netzwerksicherheit
TJF - Elektronik
GPFC - Kybernetik und Systemtheorie
Höhe
235 mm
Breite
15.5 cm
Transparenz & Sicherheit
Hersteller: Springer, Europaplatz 3, Heidelberg, Deutschland, 69115, ProductSafety@springernature.com, Springer Nature Customer Service Center GmbH
-.-
★★★★★
☆☆☆☆☆ Leider noch keine Bewertungen
Leider noch keine Bewertungen
Sicher bei rebuy kaufen
Schreib die erste Bewertung für dieses Produkt!
Wenn du eine Bewertung für dieses Produkt schreibst, hilfst du allen Kund:innen, die noch überlegen, ob sie das Produkt kaufen wollen. Vielen Dank, dass du mitmachst!
Sicher bei rebuy kaufen