Muutke küpsiste eelistusi

E-raamat: Deep Learning Methods Of Mathematical Physics - Volume I: Direct And Inverse Problems

(Eastern Michigan University, Usa)
  • Formaat: 552 pages
  • Ilmumisaeg: 26-Feb-2026
  • Kirjastus: World Scientific Publishing Co Pte Ltd
  • Keel: eng
  • ISBN-13: 9789819827244
Teised raamatud teemal:
  • Formaat - PDF+DRM
  • Hind: 292,50 €*
  • * hind on lõplik, st. muud allahindlused enam ei rakendu
  • Lisa ostukorvi
  • Lisa soovinimekirja
  • See e-raamat on mõeldud ainult isiklikuks kasutamiseks. E-raamatuid ei saa tagastada.
Deep Learning Methods Of Mathematical Physics - Volume I: Direct And Inverse Problems
  • Formaat: 552 pages
  • Ilmumisaeg: 26-Feb-2026
  • Kirjastus: World Scientific Publishing Co Pte Ltd
  • Keel: eng
  • ISBN-13: 9789819827244
Teised raamatud teemal:

DRM piirangud

  • Kopeerimine (copy/paste):

    ei ole lubatud

  • Printimine:

    ei ole lubatud

  • Kasutamine:

    Digitaalõiguste kaitse (DRM)
    Kirjastus on väljastanud selle e-raamatu krüpteeritud kujul, mis tähendab, et selle lugemiseks peate installeerima spetsiaalse tarkvara. Samuti peate looma endale  Adobe ID Rohkem infot siin. E-raamatut saab lugeda 1 kasutaja ning alla laadida kuni 6'de seadmesse (kõik autoriseeritud sama Adobe ID-ga).

    Vajalik tarkvara
    Mobiilsetes seadmetes (telefon või tahvelarvuti) lugemiseks peate installeerima selle tasuta rakenduse: PocketBook Reader (iOS / Android)

    PC või Mac seadmes lugemiseks peate installima Adobe Digital Editionsi (Seeon tasuta rakendus spetsiaalselt e-raamatute lugemiseks. Seda ei tohi segamini ajada Adober Reader'iga, mis tõenäoliselt on juba teie arvutisse installeeritud )

    Seda e-raamatut ei saa lugeda Amazon Kindle's. 

This book explores how Artificial Intelligence and Deep Learning are transforming Mathematical Physics, offering modern data-driven tools where traditional analytical and numerical methods fall short. As physical systems grow more complex or chaotic, deep learning provides efficient surrogates and physics-informed models capable of capturing dynamics and uncovering governing laws directly from data.This book introduces Neural ODEs, Physics-Informed Neural Networks (PINNs), and Hamiltonian and Lagrangian Neural Networks, showing how they enhance classical mechanics and PDE solvers for both forward and inverse problems. With Keras code examples, Google Colab notebooks, and practical exercises, this book serves researchers and students in physics, mathematics, and engineering seeking a concise, hands-on guide to applying deep learning in physical systems.
Lisainfo e-raamatute kohta Lisainfo e-raamatute kohta
Püsilink: https://www.kriso.ee/db/97898198272442e.html