Deep Learning illustriert. Eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten
Par : , ,Formats :
Actuellement indisponible
Cet article est actuellement indisponible, il ne peut pas être commandé sur notre site pour le moment. Nous vous invitons à vous inscrire à l'alerte disponibilité, vous recevrez un e-mail dès que cet ouvrage sera à nouveau disponible.
- Nombre de pages445
- PrésentationBroché
- FormatGrand Format
- Poids0.895 kg
- Dimensions16,6 cm × 23,5 cm × 3,2 cm
- ISBN978-3-86490-663-3
- EAN9783864906633
- Date de parution01/09/2020
- ÉditeurDPUNKT.VERLAG GMBH
- TraducteurKathrin Lichtenberg
Résumé
Jon Krohn und Grant Beylefeld präsentieren eine einzigartige visuelle Einführung in Techniken und Anwendungen von Deep Learning. Kombiniert mit den anschaulichen Illustrationen von Aglaé Bassens ebnen Ihnen die Erläuterungen einen einfachen und unterhaltsamen Zugang zu Deep-Learning-Modellen. Der erste Teil des Buches gibt Ihnen einen allgemeinen Überblick darüber, was Deep Learning ist, warum es so allgegenwärtig geworden ist und wie es mit Konzepten wie künstlicher Intelligenz, Machine Learning oder künstlichen neuronalen Netzen interagiert.
Auf dieser Grundlage erstellen die Autoren eine praktische Referenz zur Anwendung bewährter Techniken des Deep Learning. Die Theorie wird mit so wenig Mathematik wie möglich behandelt und mit Python-Code veranschaulicht. Mit praktischen Beispielen, die kostenfrei online verfügbar sind (Jupyter-Notebooks), erlangen Sie ein pragmatisches Verständnis alter wichtigen Deep-Learning-Ansätze und ihrer Anwendungen, etwa : Machine Vision, Natural Language Processing, Generative Adversarial Networks (GANs), Bilderzeugung und Spielalgorithmen.
Insbesondere dieser Teil des Buches richtet sich an Data Scientists, Analystinnen und andere, die erfahren möchten, wie sich Deep-Learning-Techniken auf ihrem Gebiet einsetzen lassen. Zur praktischen Lösung Ihrer Aufgaben stellen Ihnen die Autoren einige der heute am weitesten verbreiteten und innovativsten Deep-Learning-Bibliotheken vor, darunter : TensorFlow und seine High-Level-API, Keras, PyTorch, High-Level-Coach, eine TensorFlow-API, die Sie dabei unterstützt, Deep-Reinforcement-Learning-Algorithmen zu nutzen.
Auf dieser Grundlage erstellen die Autoren eine praktische Referenz zur Anwendung bewährter Techniken des Deep Learning. Die Theorie wird mit so wenig Mathematik wie möglich behandelt und mit Python-Code veranschaulicht. Mit praktischen Beispielen, die kostenfrei online verfügbar sind (Jupyter-Notebooks), erlangen Sie ein pragmatisches Verständnis alter wichtigen Deep-Learning-Ansätze und ihrer Anwendungen, etwa : Machine Vision, Natural Language Processing, Generative Adversarial Networks (GANs), Bilderzeugung und Spielalgorithmen.
Insbesondere dieser Teil des Buches richtet sich an Data Scientists, Analystinnen und andere, die erfahren möchten, wie sich Deep-Learning-Techniken auf ihrem Gebiet einsetzen lassen. Zur praktischen Lösung Ihrer Aufgaben stellen Ihnen die Autoren einige der heute am weitesten verbreiteten und innovativsten Deep-Learning-Bibliotheken vor, darunter : TensorFlow und seine High-Level-API, Keras, PyTorch, High-Level-Coach, eine TensorFlow-API, die Sie dabei unterstützt, Deep-Reinforcement-Learning-Algorithmen zu nutzen.
Jon Krohn und Grant Beylefeld präsentieren eine einzigartige visuelle Einführung in Techniken und Anwendungen von Deep Learning. Kombiniert mit den anschaulichen Illustrationen von Aglaé Bassens ebnen Ihnen die Erläuterungen einen einfachen und unterhaltsamen Zugang zu Deep-Learning-Modellen. Der erste Teil des Buches gibt Ihnen einen allgemeinen Überblick darüber, was Deep Learning ist, warum es so allgegenwärtig geworden ist und wie es mit Konzepten wie künstlicher Intelligenz, Machine Learning oder künstlichen neuronalen Netzen interagiert.
Auf dieser Grundlage erstellen die Autoren eine praktische Referenz zur Anwendung bewährter Techniken des Deep Learning. Die Theorie wird mit so wenig Mathematik wie möglich behandelt und mit Python-Code veranschaulicht. Mit praktischen Beispielen, die kostenfrei online verfügbar sind (Jupyter-Notebooks), erlangen Sie ein pragmatisches Verständnis alter wichtigen Deep-Learning-Ansätze und ihrer Anwendungen, etwa : Machine Vision, Natural Language Processing, Generative Adversarial Networks (GANs), Bilderzeugung und Spielalgorithmen.
Insbesondere dieser Teil des Buches richtet sich an Data Scientists, Analystinnen und andere, die erfahren möchten, wie sich Deep-Learning-Techniken auf ihrem Gebiet einsetzen lassen. Zur praktischen Lösung Ihrer Aufgaben stellen Ihnen die Autoren einige der heute am weitesten verbreiteten und innovativsten Deep-Learning-Bibliotheken vor, darunter : TensorFlow und seine High-Level-API, Keras, PyTorch, High-Level-Coach, eine TensorFlow-API, die Sie dabei unterstützt, Deep-Reinforcement-Learning-Algorithmen zu nutzen.
Auf dieser Grundlage erstellen die Autoren eine praktische Referenz zur Anwendung bewährter Techniken des Deep Learning. Die Theorie wird mit so wenig Mathematik wie möglich behandelt und mit Python-Code veranschaulicht. Mit praktischen Beispielen, die kostenfrei online verfügbar sind (Jupyter-Notebooks), erlangen Sie ein pragmatisches Verständnis alter wichtigen Deep-Learning-Ansätze und ihrer Anwendungen, etwa : Machine Vision, Natural Language Processing, Generative Adversarial Networks (GANs), Bilderzeugung und Spielalgorithmen.
Insbesondere dieser Teil des Buches richtet sich an Data Scientists, Analystinnen und andere, die erfahren möchten, wie sich Deep-Learning-Techniken auf ihrem Gebiet einsetzen lassen. Zur praktischen Lösung Ihrer Aufgaben stellen Ihnen die Autoren einige der heute am weitesten verbreiteten und innovativsten Deep-Learning-Bibliotheken vor, darunter : TensorFlow und seine High-Level-API, Keras, PyTorch, High-Level-Coach, eine TensorFlow-API, die Sie dabei unterstützt, Deep-Reinforcement-Learning-Algorithmen zu nutzen.