Szanowni Klienci, z okazji święta państwowego w dniu dzisiejszym obsługa klienta będzie nieczynna. Na wszystkie wiadomości odpowiemy w najbliższym dniu roboczym. Dziękujemy za zrozumienie.

Darmowa dostawa dla zamówień powyżej 299,00 zł.

Sprawdzić stan zamówienia

Zostań członkiem wspólnoty miłośników książek z całego świata i zyskaj mnóstwo korzyści. Załóż konto bezpłatnie

Darmowa dostawa z usługą Inpost oraz Orlen od 299.00 zł

DPD Kurier 12.99 zł Poczta Polska 18.99 zł Paczkomat 13.99 zł InPost 12.99 zł Punkt DPD 13.99 zł

Kontakt

Jak kupować

Pomoc

Moje konto

▸ Pusty :-(

Szanowni Klienci, z okazji święta państwowego w dniu dzisiejszym obsługa klienta będzie nieczynna. Na wszystkie wiadomości odpowiemy w najbliższym dniu roboczym. Dziękujemy za zrozumienie.

Darmowa dostawa dla zamówień powyżej 299,00 zł.

Domain Adaptation and Representation Transfer

Name: Domain Adaptation and Representation Transfer
Brand: Springer
SKU: 44818697
Price: 283.28 PLN
Availability: InStock
Author: Konstantinos Kamnitsas
ISBN: 9783031168529

4th MICCAI Workshop, DART 2022, Held in Conjunction with MICCAI 2022, Singapore, September 22, 2022, Proceedings

Konstantinos Kamnitsas

Język

Angielski

E-book Adobe ePub DRM

Kod Libristo: 44818697

Wydawnictwo Springer, wrzesień 2022

This book constitutes the refereed proceedings of the 4th MICCAI Workshop on Domain Adaptation and R... Cały opis

Kod Libristo: 44818697

162 b

283.28 zł

Dostępna Produkt cyfrowy - wysyłamy od razu

Klienci kupili także

Guida per l'insegnante Renate Merklinghaus

Karta

80.20 zł

Das Osiris-Komplott Clive Cussler

Miękka

38.74 zł

Hraj si! Hervé Tullet

Twarda

31.21 zł

This book constitutes the refereed proceedings of the 4th MICCAI Workshop on Domain Adaptation and Representation Transfer, DART 2022, held in conjunction with MICCAI 2022, in September 2022. DART 2022 accepted 13 papers from the 25 submissions received. The workshop aims at creating a discussion forum to compare, evaluate, and discuss methodological advancements and ideas that can improve the applicability of machine learning (ML)/deep learning (DL) approaches to clinical setting by making them robust and consistent across different domains.