Поиск :
- Поиск
- Поиск одной строкой
- Помощь
- Книги по отраслям деятельности департаментов и управлений Минпромторга России С 2010 года
- Книги 2022
- Книги 2023
- Книги 2024
- Ретрофонд (книги с начала XIX века до 1950 года)
- Статьи из информационных обзоров за 2023
- Статьи из информационных обзоров за 2024
- Авторы
- Издательства
- Серии
- Дерево рубрик
- Статистика поисков
- Статистика справок
Разделы фонда
Справочники
Личный кабинет :
Электронный каталог: Мухитдинова, М.Х. - Сравнительный анализ методологий и технологий машинного обучения
Мухитдинова, М.Х. - Сравнительный анализ методологий и технологий машинного обучения
Нет экз.
Статья
Автор: Мухитдинова, М.Х.
Сравнительный анализ методологий и технологий машинного обучения
2025 г.
ISBN отсутствует
Автор: Мухитдинова, М.Х.
Сравнительный анализ методологий и технологий машинного обучения
2025 г.
ISBN отсутствует
Статья
Мухитдинова, М.Х.
Сравнительный анализ методологий и технологий машинного обучения / Мухитдинова М.Х. // Проблемы современной экономики (электронная версия). – 2025. – №2. – С.202-203. - 638800. – На рус. яз.
Сравнительный анализ трех ключевых парадигм машинного обучения (МО) - обучение с учителем, обучение без учителя, обучение с подкреплением - наряду с оценкой популярных фреймворков МО, таких как TensorFlow, PyTorch и Scikit-learn. Основные различия, преимущества и ограничения этих подходов, уделив особое внимание таким факторам, как вычислительные затраты, масштабируемость и простота реализации. Ценная информация о том, как различные методологии и технологии МО формируют реальные приложения и влияют на практическое принятие решений в системах, управляемых искусственным интеллектом.
Мухитдинова, М.Х.
Сравнительный анализ методологий и технологий машинного обучения / Мухитдинова М.Х. // Проблемы современной экономики (электронная версия). – 2025. – №2. – С.202-203. - 638800. – На рус. яз.
Сравнительный анализ трех ключевых парадигм машинного обучения (МО) - обучение с учителем, обучение без учителя, обучение с подкреплением - наряду с оценкой популярных фреймворков МО, таких как TensorFlow, PyTorch и Scikit-learn. Основные различия, преимущества и ограничения этих подходов, уделив особое внимание таким факторам, как вычислительные затраты, масштабируемость и простота реализации. Ценная информация о том, как различные методологии и технологии МО формируют реальные приложения и влияют на практическое принятие решений в системах, управляемых искусственным интеллектом.

На полку
