• Produktbild: Interpretable Artificial Intelligence: A Perspective of Granular Computing
  • Produktbild: Interpretable Artificial Intelligence: A Perspective of Granular Computing

Interpretable Artificial Intelligence: A Perspective of Granular Computing

Fr. 201.00

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

29.03.2022

Herausgeber

Witold Pedrycz + weitere

Verlag

Springer

Seitenzahl

429

Maße (L/B/H)

23.5/15.5/2.4 cm

Gewicht

663 g

Auflage

1st ed. 2021

Sprache

Englisch

ISBN

978-3-030-64951-7

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

29.03.2022

Herausgeber

Verlag

Springer

Seitenzahl

429

Maße (L/B/H)

23.5/15.5/2.4 cm

Gewicht

663 g

Auflage

1st ed. 2021

Sprache

Englisch

ISBN

978-3-030-64951-7

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: ProductSafety@springernature.com

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern

  • Produktbild: Interpretable Artificial Intelligence: A Perspective of Granular Computing
  • Produktbild: Interpretable Artificial Intelligence: A Perspective of Granular Computing
  • Visualizing the Behavior of Convolutional Neural Networks for Time Series Forecasting.- Beyond Deep Event Prediction: Deep Event Understanding based on Explainable Artificial Intelligence.- Interpretation of SVM to build an Explainable AI via Granular Computing.- Factual and Counterfactual Explanation of Fuzzy Information Granules.- Survey of Explainable Machine Learning with Visual and Granular Methods beyond Quasi-explanations.- MiBeX: Malware-inserted Benign Datasets for Explainable Machine Learning.- A Generative Model Based Approach for Zero-shot Breast Cancer Segmentation Explaining Pixels’ Contribution to the Model’s Prediction.