|
81 |
Deep learning with very few training examples
Reinders, Christoph. - Hannover : Gottfried Wilhelm Leibniz Universität Hannover, 2025
|
|
|
|
82 |
Deep Neural network models as digital twins for functional characterization of visual cortex
Willeke, Konstantin F.. - Tübingen : Universitätsbibliothek Tübingen, 2025
|
|
|
|
83 |
Deep phenotyping using machine learning approaches
Zhao, Max Xiaohang. - Berlin : Medizinische Fakultät Charité - Universitätsmedizin Berlin, 2025
|
|
|
|
84 |
Deep Reinforcement Learning in Communication Systems – Addressing Partial Observability in Decentralized Multi-Agent Systems with Learned Communication
Weil, Jannis. - Darmstadt : Universitäts- und Landesbibliothek, 2025
|
|
|
|
85 |
Deep Reinforcement Learning zum maschinellen Erlernen von Strategien zur Lösung von Zauberwürfeln
Lanz, Finn. - Hamburg : Hochschule für Angewandte Wissenschaften Hamburg, 2025
|
|
|
|
86 |
Deep-sea polymetallic nodules spatial modelling with machine learning algorithms and benthic plume monitoring
Gazis, Iason Zois. - Kiel : Universitätsbibliothek Kiel, 2025
|
|
|
|
87 |
Democratizing Learning with Neural Cellular Automata
Kalkhof, John. - Darmstadt : Universitäts- und Landesbibliothek, 2025
|
|
|
|
88 |
Density Functional Tight Binding Theory Informed Multi-fidelity Machine Learning
Cui, Mengnan. - Berlin : Humboldt-Universität zu Berlin, 2025
|
|
|
|
89 |
Dependency structures of climate variability patterns through causal discovery algorithms
Debeire, Kevin. - Berlin : Technische Universität Berlin, 2025
|
|
|
|
90 |
Der Haftungsmaßstab für maschinelles Lernen
Dudek, Mathias. - Berlin : epubli, 2025, 1. Auflage
|
|
Administration
