Envío gratis a partir de 69,99 euros.

«Comprobar estado del pedido»

Entre a formar parte de una comunidad de amantes de los libros del mundo entero y acceda a un sinfín de ventajas. Crear una cuenta gratis

Envío gratuito con Zásilkovna para compras superiores a 59.99 €

Mensajería SEUR 4.99 € Mensajería GLS 7.99 € Mensajería Correos 5.49 € Mensajería DHL 5.49 € Punto SEUR 3.99 €

Contacto

Cómo comprar

Ayuda

Mi cuenta

▸ Vacío :-(

Envío gratis a partir de 69,99 euros.

DEEP LEARN METHOD MATHE PHY (V1)

Name: DEEP LEARN METHOD MATHE PHY (V1)
Brand: World Scientific Publishing Co Pte Ltd
SKU: 51430762
Price: 95.89 EUR
Availability: InStock
Author: CALIN OVIDIU
ISBN: 9789819827923

CALIN OVIDIU

Idioma

Inglés

Libro Tapa blanda

Código Libristo: 51430762

Editores World Scientific Publishing Co Pte Ltd, marzo 2026

This book explores how Artificial Intelligence and Deep Learning are transforming Mathematical Physi... Descripción completa

Código Libristo: 51430762

235 b

Nuevo

95.89 €

Almacenamiento externo Envío en 9-15 días

Política de devolución de 30 días

Clientes que también han comprado

En la tierra de los olivos SUMAYA FARHAT-NASSER

Tapa blanda

21.89 €

Saint Paul Sa Vie Son Oeuvre Et Ses Epitres (1867) Felix Bungener

Tapa blanda

42.59 €

ABC DELF Junior Lucile Chapiro

Tapa blanda

22.59 €

DEBUT OR DIE T3

Tapa blanda

14.29 €

Déclin des États, ascension des nations Luís Eduardo Saraiva

Tapa blanda

59.99 €

Del Cristal al Acero JHON EDWARD PULIDO BUSTAMANTE

Tapa blanda

18.99 €

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.