Deep Learning. Das umfassende Handbuch (paperback)

Potrzebujesz pomocy w zamówieniu?

Zadzwoń

Produkt niedostępny

Dodaj do listy

Dodaj ten produkt do jednej z utworzonych przez Ciebie list i zachowaj go na później.

Może Cię zainteresować

  • Mathematische Grundlagen für Machine und Deep Learning
  • Umfassende Behandlung zeitgemäßer Verfahren: tiefe Feedforward-Netze, Regularisierung, Performance-Optimierung sowie CNNs, Rekurrente und Rekursive Neuronale Netze
  • Zukunftsweisende Deep-Learning-Ansätze sowie von Ian Goodfellow neu entwickelte Konzepte wie Generative Adversarial Networks

Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning.

In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt.

In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf.

Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt.

Teil I: Angewandte Mathematik und Grundlagen für das Machine Learning

  • Lineare Algebra
  • Wahrscheinlichkeits- und Informationstheorie
  • Bayessche Statistik
  • Numerische Berechnung

Teil II: Deep-Learning-Verfahren

  • Tiefe Feedforward-Netze
  • Regularisierung
  • Optimierung beim Trainieren tiefer Modelle
  • Convolutional Neural Networks
  • Sequenzmodellierung für Rekurrente und Rekursive Netze
  • Praxisorientierte Methodologie
  • Anwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher Sprache

Teil III: Deep-Learning-Forschung

  • Lineare Faktorenmodelle
  • Autoencoder
  • Representation Learning
  • Probabilistische graphische Modelle
  • Monte-Carlo-Verfahren
  • Die Partitionsfunktion
  • Approximative Inferenz
  • Tiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m.

Tytuł: Deep Learning. Das umfassende Handbuch
Seria: Mitp Business
Autor: Goodfellow Ian , Bengio Yoshua , Courville Aaron
Tłumaczenie: Lenz Guido
Wydawca: Mitp Verlags Gmbh , Mitp Verlags Gmbh , Mitp
Język wydania: german
Ilość stron: 912
Data premiery: 2018-11-01
Wymiary [mm]: 50 x 238 x 169
Indeks: 36830862
 
Brak
ocen
5
0
4
0
3
0
2
0
1
0
Oceń:
W przypadku naruszenia Regulaminu Twój wpis zostanie usunięty.

Opinie, uwagi, pytania

Jeśli masz pytania dotyczące sklepu empik.com odwiedź nasze strony pomocy.
Jeśli widzisz błąd lub chcesz uzyskać więcej informacji o produkcie skorzystaj z formularza kontaktowego: zgłoszenie błędu / pytanie o produkt

Twoja wiadomość została wysłana. Dziękujemy.

Administratorem podanych przez Ciebie danych osobowych jest Empik S.A. z siedzibą w Warszawie. Twoje dane będą przetwarzane w celu obsługi Twojej wiadomości z formularza kontaktowego, a także w celach statystycznych i analitycznych administratora. Więcej informacji na temat przetwarzania danych osobowych znajduje się w naszej Polityce prywatności.

Wybierz temat a następnie wypełnij dane formularza:

Pole Email jest wymagane

Pole imię i nazwisko jest wymagane

Pole Twoja wiadomość jest wymagane

pola wymagane

Jeśli chcesz skontaktować się z nami telefonicznie, skorzystaj z naszej infolini:

Centrum Wsparcia
Klienta
+48 22 462 72 50

+48 22 462 72 50

Czynne: pon – nd 8:00 – 23:00

* z wyjątkiem świąt ustawowo wolnych od pracy

Ostatnio oglądane

Podobne do ostatnio oglądanego

Korzystając ze strony zgadzasz się na używanie plików cookie, które są instalowane na Twoim urządzeniu. Za ich pomocą zbieramy informacje, które mogą stanowić dane osobowe. Wykorzystujemy je w celach analitycznych, marketingowych oraz aby dostosować treści do Twoich preferencji i zainteresowań. Więcej o tym oraz o możliwościach zmiany ich ustawień dowiesz się w Polityce Prywatności.