Bis zu 50 % günstiger als neu
3 Jahre rebuy Garantie
Professionelles Refurbishment
ElektronikMedien
Tipps & News
AppleAlle anzeigen
TabletsAlle anzeigen
HandyAlle anzeigen
Fairphone
AppleAlle anzeigen
iPhone Air GenerationiPhone Duo Generation
GoogleAlle anzeigen
Pixel Fold
HonorAlle anzeigen
HuaweiAlle anzeigen
NothingAlle anzeigen
OnePlusAlle anzeigen
OnePlus 11 GenerationOnePlus 12 Generation
SamsungAlle anzeigen
SonyAlle anzeigen
XiaomiAlle anzeigen
Weitere Modelle
Tablets & eBook ReaderAlle anzeigen
GoogleKobo
AppleAlle anzeigen
HuaweiAlle anzeigen
MatePad Pro Serie
MicrosoftAlle anzeigen
XiaomiAlle anzeigen
Kameras & ZubehörAlle anzeigen
ObjektiveAlle anzeigen
Samyang
System & SpiegelreflexAlle anzeigen
CanonAlle anzeigen
FujifilmAlle anzeigen
OlympusAlle anzeigen
PanasonicAlle anzeigen
SonyAlle anzeigen
WearablesAlle anzeigen
Fitness TrackerAlle anzeigen
SmartwatchesAlle anzeigen
Xiaomi
Konsolen & ZubehörAlle anzeigen
Lenovo Legion GoMSI Claw
NintendoAlle anzeigen
Nintendo Switch Lite
PlayStationAlle anzeigen
XboxAlle anzeigen
Audio & HiFiAlle anzeigen
KopfhörerAlle anzeigen
FairphoneGoogle
LautsprecherAlle anzeigen
GoogleYamahatonies
iPodAlle anzeigen

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

21 Tage Widerrufsrecht

Deep Learning for Energy Forecasting

Xiufeng Liu (Gebundene Ausgabe, Englisch)

Optischer Zustand
Beschreibung
This book provides an end-to-end, practice-oriented path from fundamental deep-learning concepts to state-of-the-art sequence models for time series, with a sustained focus on energy use cases. Readers learn how to formulate forecasting problems, engineer data pipelines, select and train neural architectures (RNNs, attention-based seq2seq, CNNs, and Transformers), and evaluate models with robust…  metrics and baselines. Dedicated chapters cover multivariate and hierarchical settings, probabilistic forecasting for uncertainty quantification, and domain-specific workflows for load and renewable generation forecasting. The final part turns models into usable systems, addressing hyperparameter optimization, reproducibility, deployment, monitoring, and practical failure modes. Primary audiences include graduate students, researchers, and practitioners who build forecasting models for electricity demand, renewable generation, and related energy time-series tasks.
Dieses Produkt haben wir gerade leider nicht auf Lager.
ab 57,99 €
Derzeit nicht verfügbar
Derzeit nicht verfügbar

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

21 Tage Widerrufsrecht

Technische Daten


Erscheinungsdatum
11.11.2026
Sprache
Englisch
EAN
9789819238996
Herausgeber
Springer Singapore
Serien- oder Bandtitel
Power Systems
Sonderedition
Nein
Autor
Xiufeng Liu
Seitenanzahl
502
Einbandart
Gebundene Ausgabe
Buch Untertitel
From RNNs to Transformers: Building Production-Ready Forecasters
Schlagwörter
deep learning for time series forecasting, electricity load forecasting models, renewable power generation forecasting, transformer models for time series, sequence-to-sequence attention forecasting, probabilistic forecasting and uncertainty
Thema-Inhalt
THY - Energieerzeugung und -verteilung TH - Energietechnik, Elektrotechnik und Energiemaschinenbau UYQM - Maschinelles Lernen
Höhe
235 mm
Breite
15.5 cm

Auf gebrauchten Artikeln oder Originalverpackungen sichtbare Umwelt-, Nachhaltigkeits- oder Zertifizierungsangaben stammen aus der ursprünglichen Herstellerkennzeichnung. Sie stellen keine eigene aktuelle Umwelt- oder Nachhaltigkeitsaussage von rebuy dar. Maßgeblich für das Angebot sind ausschließlich die von rebuy in der Artikelbeschreibung angegebenen Produkteigenschaften.

Transparenz & Sicherheit

Hersteller: Springer Nature Customer Service Center GmbH, Europaplatz 3, Heidelberg, Deutschland, 69115, ProductSafety@springernature.com

-.-
Leider noch keine Bewertungen
Leider noch keine Bewertungen
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!