Isbn: 9783747500156 - neuronale netze und deep learning kapieren: der einfache praxiseinstieg mit beispielen in python (17 resultados)

Condición: As New. Unread book in perfect condition.

Condición: good. Befriedigend/Good: Durchschnittlich erhaltenes Buch bzw. Schutzumschlag mit Gebrauchsspuren, aber vollständigen Seiten. / Describes the average WORN book or dust jacket that has all the pages present.

Condición: very good. Gut/Very good: Buch bzw. Schutzumschlag mit wenigen Gebrauchsspuren an Einband, Schutzumschlag oder Seiten. / Describes a book or dust jacket that does show some signs of wear on either the binding, dust jacket or pages.

Condición: New.

Condición: New.

Paperback. Condición: Brand New. German language. 9.37x6.61x0.87 inches. In Stock.

Condición: New.

Condición: As New. Unread book in perfect condition.

Taschenbuch. Condición: Neu. Neuware -Von den Grundlagen Neuronaler Netze über Machine Learning bis hin zu Deep-Learning-AlgorithmenAnschauliche Diagramme, Anwendungsbeispiele in Python und der Einsatz von NumPyKeine Vorkenntnisse in Machine Learning oder höherer Mathematik erforderlichDeep Learning muss nicht kompliziert sein. Mit diesem Buch lernst du anhand vieler Beispiele alle Grundlagen, die du brauchst, um Deep-Learning-Algorithmen zu verstehen und anzuwenden. Dafür brauchst du nichts weiter als Schulmathematik und Kenntnisse der Programmiersprache Python. Alle Codebeispiele werden ausführlich erläutert und mathematische Hintergründe anhand von Analogien veranschaulicht. Der Autor erklärt leicht verständlich, wie Neuronale Netze lernen und wie sie mit Machine-Learning-Verfahren trainiert werden können. Du erfährst, wie du dein erstes Neuronales Netz erstellst und wie es mit Deep-Learning-Algorithmen Bilder erkennen sowie natürliche Sprache verarbeiten und modellieren kann. Hierbei kommen Netze mit mehreren Schichten wie CNNs und RNNs zum Einsatz. Fokus des Buches ist es, Neuronale Netze zu trainieren, ohne auf vorgefertigte Python-Frameworks zurückzugreifen. So verstehst du Deep Learning von Grund auf und kannst in Zukunft auch komplexe Frameworks erfolgreich für deine Projekte einsetzen.Aus dem Inhalt:Parametrische und nichtparametrische ModelleÜberwachtes und unüberwachtes LernenVorhersagen mit mehreren Ein- und AusgabenFehler messen und verringernHot und Cold LearningBatch- und stochastischer GradientenabstiegÜberanpassung vermeidenGeneralisierungDropout-VerfahrenBackpropagation und Forward PropagationBilderkennungVerarbeitung natürlicher Sprache (NLP)SprachmodellierungAktivierungsfunktionenSigmoid-FunktionTangens hyperbolicusSoftmaxConvolutional Neural Networks (CNNs)Recurrent Neural Networks (RNNs)Long Short-Term Memory (LSTM)Deep-Learning-Framework erstellen 354 pp. Deutsch.…

Taschenbuch. Condición: Neu. Neuware -Von den Grundlagen Neuronaler Netze über Machine Learning bis hin zu Deep-Learning-AlgorithmenAnschauliche Diagramme, Anwendungsbeispiele in Python und der Einsatz von NumPyKeine Vorkenntnisse in Machine Learning oder höherer Mathematik erforderlichDeep Learning muss nicht kompliziert sein. Mit diesem Buch lernst du anhand vieler Beispiele alle Grundlagen, die du brauchst, um Deep-Learning-Algorithmen zu verstehen und anzuwenden. Dafür brauchst du nichts weiter als Schulmathematik und Kenntnisse der Programmiersprache Python. Alle Codebeispiele werden ausführlich erläutert und mathematische Hintergründe anhand von Analogien veranschaulicht. Der Autor erklärt leicht verständlich, wie Neuronale Netze lernen und wie sie mit Machine-Learning-Verfahren trainiert werden können. Du erfährst, wie du dein erstes Neuronales Netz erstellst und wie es mit Deep-Learning-Algorithmen Bilder erkennen sowie natürliche Sprache verarbeiten und modellieren kann. Hierbei kommen Netze mit mehreren Schichten wie CNNs und RNNs zum Einsatz. Fokus des Buches ist es, Neuronale Netze zu trainieren, ohne auf vorgefertigte Python-Frameworks zurückzugreifen. So verstehst du Deep Learning von Grund auf und kannst in Zukunft auch komplexe Frameworks erfolgreich für deine Projekte einsetzen.Aus dem Inhalt:Parametrische und nichtparametrische ModelleÜberwachtes und unüberwachtes LernenVorhersagen mit mehreren Ein- und AusgabenFehler messen und verringernHot und Cold LearningBatch- und stochastischer GradientenabstiegÜberanpassung vermeidenGeneralisierungDropout-VerfahrenBackpropagation und Forward PropagationBilderkennungVerarbeitung natürlicher Sprache (NLP)SprachmodellierungAktivierungsfunktionenSigmoid-FunktionTangens hyperbolicusSoftmaxConvolutional Neural Networks (CNNs)Recurrent Neural Networks (RNNs)Long Short-Term Memory (LSTM)Deep-Learning-Framework erstellen 354 pp. Deutsch.…

Condición: New.

Taschenbuch. Condición: Neu. Neuware -- Von den Grundlagen Neuronaler Netze über Machine Learning bis hin zu Deep-Learning-Algorithmen- Anschauliche Diagramme, Anwendungsbeispiele in Python und der Einsatz von NumPy- Keine Vorkenntnisse in Machine Learning oder höherer Mathematik erforderlichDeep Learning muss nicht kompliziert sein. Mit diesem Buch lernst du anhand vieler Beispiele alle Grundlagen, die du brauchst, um Deep-Learning-Algorithmen zu verstehen und anzuwenden. Dafür brauchst du nichts weiter als Schulmathematik und Kenntnisse der Programmiersprache Python. Alle Codebeispiele werden ausführlich erläutert und mathematische Hintergründe anhand von Analogien veranschaulicht. Der Autor erklärt leicht verständlich, wie Neuronale Netze lernen und wie sie mit Machine-Learning-Verfahren trainiert werden können. Du erfährst, wie du dein erstes Neuronales Netz erstellst und wie es mit Deep-Learning-Algorithmen Bilder erkennen sowie natürliche Sprache verarbeiten und modellieren kann. Hierbei kommen Netze mit mehreren Schichten wie CNNs und RNNs zum Einsatz. Fokus des Buches ist es, Neuronale Netze zu trainieren, ohne auf vorgefertigte Python-Frameworks zurückzugreifen. So verstehst du Deep Learning von Grund auf und kannst in Zukunft auch komplexe Frameworks erfolgreich für deine Projekte einsetzen.Aus dem Inhalt:- Parametrische und nichtparametrische Modelle- Überwachtes und unüberwachtes Lernen- Vorhersagen mit mehreren Ein- und Ausgaben- Fehler messen und verringern- Hot und Cold Learning- Batch- und stochastischer Gradientenabstieg- Überanpassung vermeiden- Generalisierung- Dropout-Verfahren- Backpropagation und Forward Propagation- Bilderkennung- Verarbeitung natürlicher Sprache (NLP)- Sprachmodellierung- Aktivierungsfunktionen- Sigmoid-Funktion- Tangens hyperbolicus- Softmax- Convolutional Neural Networks (CNNs)- Recurrent Neural Networks (RNNs)- Long Short-Term Memory (LSTM)- Deep-Learning-Framework erstellen.…

Condición: New. Von den Grundlagen Neuronaler Netze ueber Machine Learning bis hin zu Deep-Learning-AlgorithmenAnschauliche Diagramme, Anwendungsbeispiele in Python und der Einsatz von NumPyKeine Vorkenntnisse in Machine Learning o.

Taschenbuch. Condición: Neu. Neuware -- Von den Grundlagen Neuronaler Netze über Machine Learning bis hin zu Deep-Learning-Algorithmen- Anschauliche Diagramme, Anwendungsbeispiele in Python und der Einsatz von NumPy- Keine Vorkenntnisse in Machine Learning oder höherer Mathematik erforderlichDeep Learning muss nicht kompliziert sein. Mit diesem Buch lernst du anhand vieler Beispiele alle Grundlagen, die du brauchst, um Deep-Learning-Algorithmen zu verstehen und anzuwenden. Dafür brauchst du nichts weiter als Schulmathematik und Kenntnisse der Programmiersprache Python. Alle Codebeispiele werden ausführlich erläutert und mathematische Hintergründe anhand von Analogien veranschaulicht. Der Autor erklärt leicht verständlich, wie Neuronale Netze lernen und wie sie mit Machine-Learning-Verfahren trainiert werden können. Du erfährst, wie du dein erstes Neuronales Netz erstellst und wie es mit Deep-Learning-Algorithmen Bilder erkennen sowie natürliche Sprache verarbeiten und modellieren kann. Hierbei kommen Netze mit mehreren Schichten wie CNNs und RNNs zum Einsatz. Fokus des Buches ist es, Neuronale Netze zu trainieren, ohne auf vorgefertigte Python-Frameworks zurückzugreifen. So verstehst du Deep Learning von Grund auf und kannst in Zukunft auch komplexe Frameworks erfolgreich für deine Projekte einsetzen.Aus dem Inhalt:- Parametrische und nichtparametrische Modelle- Überwachtes und unüberwachtes Lernen- Vorhersagen mit mehreren Ein- und Ausgaben- Fehler messen und verringern- Hot und Cold Learning- Batch- und stochastischer Gradientenabstieg- Überanpassung vermeiden- Generalisierung- Dropout-Verfahren- Backpropagation und Forward Propagation- Bilderkennung- Verarbeitung natürlicher Sprache (NLP)- Sprachmodellierung- Aktivierungsfunktionen- Sigmoid-Funktion- Tangens hyperbolicus- Softmax- Convolutional Neural Networks (CNNs)- Recurrent Neural Networks (RNNs)- Long Short-Term Memory (LSTM)- Deep-Learning-Framework erstellenMITP Verlags GmbH + Co KG, Augustinusstr. 9a, 50226 Frechen, Augustinusstr. 9a, 50226 Frechen 354 pp. Deutsch.…

Taschenbuch. Condición: Neu. Neuware - Von den Grundlagen Neuronaler Netze über Machine Learning bis hin zu Deep-Learning-AlgorithmenAnschauliche Diagramme, Anwendungsbeispiele in Python und der Einsatz von NumPyKeine Vorkenntnisse in Machine Learning oder höherer Mathematik erforderlichDeep Learning muss nicht kompliziert sein. Mit diesem Buch lernst du anhand vieler Beispiele alle Grundlagen, die du brauchst, um Deep-Learning-Algorithmen zu verstehen und anzuwenden. Dafür brauchst du nichts weiter als Schulmathematik und Kenntnisse der Programmiersprache Python. Alle Codebeispiele werden ausführlich erläutert und mathematische Hintergründe anhand von Analogien veranschaulicht. Der Autor erklärt leicht verständlich, wie Neuronale Netze lernen und wie sie mit Machine-Learning-Verfahren trainiert werden können. Du erfährst, wie du dein erstes Neuronales Netz erstellst und wie es mit Deep-Learning-Algorithmen Bilder erkennen sowie natürliche Sprache verarbeiten und modellieren kann. Hierbei kommen Netze mit mehreren Schichten wie CNNs und RNNs zum Einsatz. Fokus des Buches ist es, Neuronale Netze zu trainieren, ohne auf vorgefertigte Python-Frameworks zurückzugreifen. So verstehst du Deep Learning von Grund auf und kannst in Zukunft auch komplexe Frameworks erfolgreich für deine Projekte einsetzen.Aus dem Inhalt:Parametrische und nichtparametrische ModelleÜberwachtes und unüberwachtes LernenVorhersagen mit mehreren Ein- und AusgabenFehler messen und verringernHot und Cold LearningBatch- und stochastischer GradientenabstiegÜberanpassung vermeidenGeneralisierungDropout-VerfahrenBackpropagation und Forward PropagationBilderkennungVerarbeitung natürlicher Sprache (NLP)SprachmodellierungAktivierungsfunktionenSigmoid-FunktionTangens hyperbolicusSoftmaxConvolutional Neural Networks (CNNs)Recurrent Neural Networks (RNNs)Long Short-Term Memory (LSTM)Deep-Learning-Framework erstellen.…

Taschenbuch. Condición: Neu. Neuronale Netze und Deep Learning kapieren | Der einfache Praxiseinstieg mit Beispielen in Python | Andrew W. Trask | Taschenbuch | mitp Professional | 360 S. | Deutsch | 2019 | MITP Verlags GmbH | EAN 9783747500156 | Verantwortliche Person für die EU: mitp Verlags GmbH & Co. KG, Steffen Dralle, Augustinusstr. 9a, 50226 Frechen, steffen[dot]dralle[at]mitp[dot]de | Anbieter: preigu.…

Taschenbuch. Condición: Neu. Neuware -- Von den Grundlagen Neuronaler Netze über Machine Learning bis hin zu Deep-Learning-Algorithmen- Anschauliche Diagramme, Anwendungsbeispiele in Python und der Einsatz von NumPy- Keine Vorkenntnisse in Machine Learning oder höherer Mathematik erforderlichDeep Learning muss nicht kompliziert sein. Mit diesem Buch lernst du anhand vieler Beispiele alle Grundlagen, die du brauchst, um Deep-Learning-Algorithmen zu verstehen und anzuwenden. Dafür brauchst du nichts weiter als Schulmathematik und Kenntnisse der Programmiersprache Python. Alle Codebeispiele werden ausführlich erläutert und mathematische Hintergründe anhand von Analogien veranschaulicht. Der Autor erklärt leicht verständlich, wie Neuronale Netze lernen und wie sie mit Machine-Learning-Verfahren trainiert werden können. Du erfährst, wie du dein erstes Neuronales Netz erstellst und wie es mit Deep-Learning-Algorithmen Bilder erkennen sowie natürliche Sprache verarbeiten und modellieren kann. Hierbei kommen Netze mit mehreren Schichten wie CNNs und RNNs zum Einsatz. Fokus des Buches ist es, Neuronale Netze zu trainieren, ohne auf vorgefertigte Python-Frameworks zurückzugreifen. So verstehst du Deep Learning von Grund auf und kannst in Zukunft auch komplexe Frameworks erfolgreich für deine Projekte einsetzen.Aus dem Inhalt:- Parametrische und nichtparametrische Modelle- Überwachtes und unüberwachtes Lernen- Vorhersagen mit mehreren Ein- und Ausgaben- Fehler messen und verringern- Hot und Cold Learning- Batch- und stochastischer Gradientenabstieg- Überanpassung vermeiden- Generalisierung- Dropout-Verfahren- Backpropagation und Forward Propagation- Bilderkennung- Verarbeitung natürlicher Sprache (NLP)- Sprachmodellierung- Aktivierungsfunktionen- Sigmoid-Funktion- Tangens hyperbolicus- Softmax- Convolutional Neural Networks (CNNs)- Recurrent Neural Networks (RNNs)- Long Short-Term Memory (LSTM)- Deep-Learning-Framework erstellen 354 pp. Deutsch.…