Isbn: 9786209873676 - das umfassende handbuch zum deep learning: cnns, rnns und generative modelle (9 resultados)

Condición: New.

PAP. Condición: New. New Book. Shipped from UK. Established seller since 2000.

PAP. Condición: New. New Book. Shipped from UK. Established seller since 2000.

Taschenbuch. Condición: Neu. Das umfassende Handbuch zum Deep Learning: CNNs, RNNs und generative Modelle | Sundaresan K (u. a.) | Taschenbuch | 136 S. | Deutsch | 2026 | Verlag Unser Wissen | EAN 9786209873676 | Verantwortliche Person für die EU: SIA OmniScriptum Publishing, Brivibas Gatve 197, 1039 RIGA, LETTLAND, customerservice[at]vdm-vsg[dot]de | Anbieter: preigu. …

Paperback. Condición: new. Paperback. Dieses Buch bietet eine umfassende und strukturierte Einfuehrung in die Grundlagen, Architekturen und Anwendungen des Deep Learning. Es beginnt mit zentralen mathematischen Konzepten wie linearer Algebra, Wahrscheinlichkeit und Optimierung und schafft so eine solide Grundlage fuer das Verstaendnis moderner neuronaler Netze. Der Text untersucht Schluesselbegriffe wie Modellkapazitaet, Bias-Varianz-Abgleich, UEberanpassung und Hyperparameter-Abstimmung. Der Leser wird dann durch die wichtigsten Deep-Learning-Architekturen gefuehrt, darunter Convolutional Neural Networks (CNNs) fuer die Bildanalyse, Recurrent Neural Networks (RNNs) und LSTMs fuer die Sequenzmodellierung und fortgeschrittene generative Modelle wie Autoencoder, Variational Autoencoder (VAEs) und Generative Adversarial Networks (GANs). Jedes Kapitel enthaelt klare Erklaerungen, Diagramme und praktische Beispiele, um komplexe Konzepte zu vereinfachen. Das Buch richtet sich an Studenten, Lehrkraefte und KI-Praktiker und bietet sowohl theoretische Tiefe als auch praktische Einblicke. Es dient als umfassendes Nachschlagewerk fuer alle, die Deep-Learning-Modelle verstehen, erstellen und effektiv auf reale Probleme in den Bereichen Computer Vision, natuerliche Sprachverarbeitung und generative KI anwenden wollen. This item is printed on demand. Shipping may be from multiple locations in the US or from the UK, depending on stock availability.…

Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 136 pp. Deutsch.

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering.

Paperback. Condición: new. Paperback. Dieses Buch bietet eine umfassende und strukturierte Einfuehrung in die Grundlagen, Architekturen und Anwendungen des Deep Learning. Es beginnt mit zentralen mathematischen Konzepten wie linearer Algebra, Wahrscheinlichkeit und Optimierung und schafft so eine solide Grundlage fuer das Verstaendnis moderner neuronaler Netze. Der Text untersucht Schluesselbegriffe wie Modellkapazitaet, Bias-Varianz-Abgleich, UEberanpassung und Hyperparameter-Abstimmung. Der Leser wird dann durch die wichtigsten Deep-Learning-Architekturen gefuehrt, darunter Convolutional Neural Networks (CNNs) fuer die Bildanalyse, Recurrent Neural Networks (RNNs) und LSTMs fuer die Sequenzmodellierung und fortgeschrittene generative Modelle wie Autoencoder, Variational Autoencoder (VAEs) und Generative Adversarial Networks (GANs). Jedes Kapitel enthaelt klare Erklaerungen, Diagramme und praktische Beispiele, um komplexe Konzepte zu vereinfachen. Das Buch richtet sich an Studenten, Lehrkraefte und KI-Praktiker und bietet sowohl theoretische Tiefe als auch praktische Einblicke. Es dient als umfassendes Nachschlagewerk fuer alle, die Deep-Learning-Modelle verstehen, erstellen und effektiv auf reale Probleme in den Bereichen Computer Vision, natuerliche Sprachverarbeitung und generative KI anwenden wollen. This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…

Taschenbuch. Condición: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Dieses Buch bietet eine umfassende und strukturierte Einführung in die Grundlagen, Architekturen und Anwendungen des Deep Learning. Es beginnt mit zentralen mathematischen Konzepten wie linearer Algebra, Wahrscheinlichkeit und Optimierung und schafft so eine solide Grundlage für das Verständnis moderner neuronaler Netze. Der Text untersucht Schlüsselbegriffe wie Modellkapazität, Bias-Varianz-Abgleich, Überanpassung und Hyperparameter-Abstimmung. Der Leser wird dann durch die wichtigsten Deep-Learning-Architekturen geführt, darunter Convolutional Neural Networks (CNNs) für die Bildanalyse, Recurrent Neural Networks (RNNs) und LSTMs für die Sequenzmodellierung und fortgeschrittene generative Modelle wie Autoencoder, Variational Autoencoder (VAEs) und Generative Adversarial Networks (GANs). Jedes Kapitel enthält klare Erklärungen, Diagramme und praktische Beispiele, um komplexe Konzepte zu vereinfachen. Das Buch richtet sich an Studenten, Lehrkräfte und KI-Praktiker und bietet sowohl theoretische Tiefe als auch praktische Einblicke. Es dient als umfassendes Nachschlagewerk für alle, die Deep-Learning-Modelle verstehen, erstellen und effektiv auf reale Probleme in den Bereichen Computer Vision, natürliche Sprachverarbeitung und generative KI anwenden wollen.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 136 pp. Deutsch. …