Unsupervised Domain Adaptation (eBook)

Unsupervised Domain Adaptation (eBook)

Du ZhekaiLi Jing-JingZhu Lei
Du ZhekaiLi Jing-JingZhu Lei
Prezzo:
€ 159,11
Compra EPUB
Prezzo:
€ 159,11
Compra EPUB

Formato

:
EPUB
Cloud: Scopri di più
Lingua: en
Editore: Springer
Collana: Machine Learning: Foundations, Methodologies, and Applications
Codice EAN: 9789819710256
Anno pubblicazione: 2024
Scopri QUI come leggere i tuoi eBook

Note legali

NOTE LEGALI

a) Garanzia legale, Pagamenti, Consegne, Diritto di recesso
b) Informazioni sul prezzo
Il prezzo barrato corrisponde al prezzo di vendita al pubblico al lordo di IVA e al netto delle spese di spedizione
Il prezzo barrato dei libri italiani corrisponde al prezzo di copertina.
I libri in inglese di Libraccio sono di provenienza americana o inglese.
Libraccio riceve quotidianamente i prodotti dagli USA e dalla Gran Bretagna, pagandone i costi di importazione, spedizione in Italia ecc.
Il prezzo in EURO è fissato da Libraccio e, in alcuni casi, può discostarsi leggermente dal cambio dollaro/euro o sterlina/euro del giorno. Il prezzo che pagherai sarà quello in EURO al momento della conferma dell'ordine.
In ogni caso potrai verificare la convenienza dei nostri prezzi rispetto ad altri siti italiani e, in moltissimi casi, anche rispetto all'acquisto su siti americani o inglesi.
c) Disponibilità
I termini relativi alla disponibilità dei prodotti sono indicati nelle Condizioni generali di vendita.

Disponibilità immediata
L'articolo è immediatamente disponibile presso Libraccio e saremo in grado di procedere con la spedizione entro un giorno lavorativo.
Nota: La disponibilità prevista fa riferimento a singole disponibilità.

Disponibile in giorni o settimane (ad es. "3-5-10 giorni", "4-5 settimane" )
L'articolo sarà disponibile entro le tempistiche indicate, necessarie per ricevere l'articolo dai nostri fornitori e preparare la spedizione.
Nota: La disponibilità prevista fa riferimento a singole disponibilità.

Prenotazione libri scolastici
Il servizio ti permette di prenotare libri scolastici nuovi che risultano non disponibili al momento dell'acquisto.

Attualmente non disponibile
L'articolo sarà disponibile ma non sappiamo ancora quando. Inserisci la tua mail dalla scheda prodotto attivando il servizio Libraccio “avvisami” e sarai contattato quando sarà ordinabile.

Difficile reperibilità
Abbiamo dei problemi nel reperire il prodotto. Il fornitore non ci dà informazioni sulla sua reperibilità, ma se desideri comunque effettuare l'ordine, cercheremo di averlo nei tempi indicati. Se non sarà possibile, ti avvertiremo via e-mail e l'ordine verrà cancellato.
Chiudi

Descrizione

Unsupervised domain adaptation (UDA) is a challenging problem in machine learning where the model is trained on a source domain with labeled data and tested on a target domain with unlabeled data. In recent years, UDA has received significant attention from the research community due to its applicability in various real-world scenarios. This book provides a comprehensive review of state-of-the-art UDA methods and explores new variants of UDA that have the potential to advance the field. The book begins with a clear introduction to the UDA problem and is mainly organized into four technical sections, each focused on a specific piece of UDA research. The first section covers criterion optimization-based UDA, which aims to learn domain-invariant representations by minimizing the discrepancy between source and target domains. The second section discusses bi-classifier adversarial learning-based UDA, which creatively leverages adversarial learning by conducting a minimax game between the feature extractor and two task classifiers. The third section introduces source-free UDA, a novel UDA setting that does not require any raw data from the source domain. The fourth section presents active learning for UDA, which combines domain adaptation and active learning to reduce the amount of labeled data needed for adaptation. This book is suitable for researchers, graduate students, and practitioners who are interested in UDA and its applications in various fields, primarily in computer vision. The chapters are authored by leading experts in the field and provide a comprehensive and in-depth analysis of the current UDA methods and new directions for future research. With its broad coverage and cutting-edge research, this book is a valuable resource for anyone looking to advance their knowledge of UDA.