Andere Kunden interessierten sich auch für
![PyTorch für Deep Learning]( "PyTorch für Deep Learning")
PyTorch für Deep Learning34,90 €![Deep Learning - Grundlagen und Implementierung]( "Deep Learning - Grundlagen und Implementierung")
Deep Learning - Grundlagen und Implementierung32,90 €![Machine Learning für Softwareentwickler]( "Machine Learning für Softwareentwickler")
Machine Learning für Softwareentwickler34,90 €![Praxisbuch Unsupervised Learning]( "Praxisbuch Unsupervised Learning")
Praxisbuch Unsupervised Learning39,90 €![Machine Learning - Die Referenz]( "Machine Learning - Die Referenz")
Machine Learning - Die Referenz14,90 €![Design Patterns für Machine Learning]( "Design Patterns für Machine Learning")
Design Patterns für Machine Learning44,90 €![Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow]( "Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow")
Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow54,90 €
Kurzgefasstes und präzises Wissen zu dem populären Deep-Learning-FrameworkSowohl für PyTorch-Einsteiger:innen als auch für Fortgeschrittene nützlichÜberblick über Modellentwicklung, Deployment, das PyTorch-Ökosystem und über hilfreiche PyTorch-BibliothekenMit Kurzeinstieg in PyTorch
Dieses praktische Nachschlagewerk zu PyTorch, einem der beliebtesten Frameworks für Deep Learning, hält jederzeit präzises Wissen für Sie bereit. Joe Papa bietet Ihnen mit seiner Referenz den direkten Zugriff auf Syntax, Design Patterns und gut nachvollziehbare PyTorch-Codebeispiele. Das Buch enthält - neben einem PyTorch-Schnelleinstieg - eine Fülle von Informationen, die Ihre Entwicklungsarbeit verbessern und effizienter machen.
Data Scientists, Softwareentwickler:innen und Machine Learning Engineers finden in diesem Buch klaren, strukturierten PyTorch-Code, der jeden Schritt der Entwicklung neuronaler Netze abdeckt - vom Laden der Daten über die Anpassung von Trainingsschleifen bis hin zur Modelloptimierung und GPU-/TPU-Beschleunigung. Erfahren Sie außerdem, wie Sie Ihre ML-Modelle über AWS, Google Cloud oder Azure deployen und auf mobilen und Edge-Geräten bereitstellen.
Lernen Sie Tensoren und die grundlegende Syntax von PyTorch kennenErstellen Sie maßgeschneiderte Modelle sowie eigene Komponenten und Algorithmen für Deep LearningNutzen Sie Design Patterns zu Transfer Learning, Stimmungsanalyse oder Generative Adversarial Networks (GANs) für Ihre ProjekteTrainieren und deployen Sie Modelle sowohl auf GPUs als auch auf TPUsBeschleunigen Sie den Trainingsprozess durch Optimierung der Modelle und durch parallele und verteilte VerarbeitungInformieren Sie sich über nützliche PyTorch-Bibliotheken und das PyTorch-Ökosystem
Dieses praktische Nachschlagewerk zu PyTorch, einem der beliebtesten Frameworks für Deep Learning, hält jederzeit präzises Wissen für Sie bereit. Joe Papa bietet Ihnen mit seiner Referenz den direkten Zugriff auf Syntax, Design Patterns und gut nachvollziehbare PyTorch-Codebeispiele. Das Buch enthält - neben einem PyTorch-Schnelleinstieg - eine Fülle von Informationen, die Ihre Entwicklungsarbeit verbessern und effizienter machen.
Data Scientists, Softwareentwickler:innen und Machine Learning Engineers finden in diesem Buch klaren, strukturierten PyTorch-Code, der jeden Schritt der Entwicklung neuronaler Netze abdeckt - vom Laden der Daten über die Anpassung von Trainingsschleifen bis hin zur Modelloptimierung und GPU-/TPU-Beschleunigung. Erfahren Sie außerdem, wie Sie Ihre ML-Modelle über AWS, Google Cloud oder Azure deployen und auf mobilen und Edge-Geräten bereitstellen.
Lernen Sie Tensoren und die grundlegende Syntax von PyTorch kennenErstellen Sie maßgeschneiderte Modelle sowie eigene Komponenten und Algorithmen für Deep LearningNutzen Sie Design Patterns zu Transfer Learning, Stimmungsanalyse oder Generative Adversarial Networks (GANs) für Ihre ProjekteTrainieren und deployen Sie Modelle sowohl auf GPUs als auch auf TPUsBeschleunigen Sie den Trainingsprozess durch Optimierung der Modelle und durch parallele und verteilte VerarbeitungInformieren Sie sich über nützliche PyTorch-Bibliotheken und das PyTorch-Ökosystem