Andere Kunden interessierten sich auch für
![Deep Learning with Applications Using Python]( "Deep Learning with Applications Using Python")
Deep Learning with Applications Using Python52,99 €![Deep Learning Projects Using TensorFlow 2]( "Deep Learning Projects Using TensorFlow 2")
Deep Learning Projects Using TensorFlow 255,99 €![Deep Learning on Windows]( "Deep Learning on Windows")
Deep Learning on Windows44,99 €![Künstliche Intelligenz und Maschinelles Lernen. Vergleich der Deep Learning Frameworks TensorFlow, Keras, PyTorch, CNTK und MXNeT]( "Künstliche Intelligenz und Maschinelles Lernen. Vergleich der Deep Learning Frameworks TensorFlow, Keras, PyTorch, CNTK und MXNeT")
Künstliche Intelligenz und Maschinelles Lernen. Vergleich der Deep Learning Frameworks TensorFlow, Keras, PyTorch, CNTK und MXNeT17,95 €![Applied Natural Language Processing with Python]( "Applied Natural Language Processing with Python")
Applied Natural Language Processing with Python44,99 €![Beginning Deep Learning with Tensorflow]( "Beginning Deep Learning with Tensorflow")
Beginning Deep Learning with Tensorflow44,99 €![Reinforcement Learning]( "Reinforcement Learning")
Reinforcement Learning48,99 €
Deep Learning begreifen und einsetzen Einführung in die Themen Künstliche Intelligenz, Machine Learning und Neuronale Netze Mit vielen anschaulichen Illustrationen und Codebeispielen zum Download (Jupyter-Notebooks) Inkl. Vorstellung der Bibliotheken Tensor Flow/Keras und PyTorch
Die Autoren John Krohn, Grant Beylefeld und Aglaé Bassens bieten Ihnen eine einzigartige visuelle, intuitive und verständliche Einführung in Techniken und Anwendungen von Deep Learning. Mit den farbenfrohen Illustrationen und eingängigen Erläuterungen von »Deep Learning illustriert« gelingt Ihnen ein einfacher Zugang zum Aufbau von Deep-Learning-Modellen, und bringt Ihnen sogar Spaß beim Lernen.
Der erste Teil des Buches erklärt die Grundlagen von Deep Learning - warum es so allgegenwärtig geworden ist und wie es mit Konzepten und Terminologien wie künstlicher Intelligenz, Machine Learning oder künstlichen neuronalen Netzen interagiert. Dabei verwenden die Autoren verständliche Analogien, lebendige Grafiken und viele Beispiele.
Auf dieser Grundlage präsentieren die Autoren eine praktische Referenz und ein Tutorial zur Anwendung bewährter Techniken des Deep Learning. Die wesentliche Theorie wird mit so wenig Mathematik wie möglich behandelt und mit Python-Code beleuchtet. Praktische Beispiele zum Ausprobieren, die kostenfrei online verfügbar sind (Jupyter-Notebooks), machen Ihnen die Theorie begreiflich. So erlangen Sie ein pragmatisches Verständnis aller wichtigen Deep-Learning-Ansätze und ihrer Anwendungen: Machine Vision, Natural Language Processing, Bilderzeugung und Spielalgorithmen.
Um Ihnen zu helfen, mehr in kürzerer Zeit zu erreichen, stellen die Autoren mehrere 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 die Komplexität, die typischerweise mit der Entwicklung von Deep Reinforcement Learning-Algorithmen verbunden ist, abstrahiert.
Die Autoren John Krohn, Grant Beylefeld und Aglaé Bassens bieten Ihnen eine einzigartige visuelle, intuitive und verständliche Einführung in Techniken und Anwendungen von Deep Learning. Mit den farbenfrohen Illustrationen und eingängigen Erläuterungen von »Deep Learning illustriert« gelingt Ihnen ein einfacher Zugang zum Aufbau von Deep-Learning-Modellen, und bringt Ihnen sogar Spaß beim Lernen.
Der erste Teil des Buches erklärt die Grundlagen von Deep Learning - warum es so allgegenwärtig geworden ist und wie es mit Konzepten und Terminologien wie künstlicher Intelligenz, Machine Learning oder künstlichen neuronalen Netzen interagiert. Dabei verwenden die Autoren verständliche Analogien, lebendige Grafiken und viele Beispiele.
Auf dieser Grundlage präsentieren die Autoren eine praktische Referenz und ein Tutorial zur Anwendung bewährter Techniken des Deep Learning. Die wesentliche Theorie wird mit so wenig Mathematik wie möglich behandelt und mit Python-Code beleuchtet. Praktische Beispiele zum Ausprobieren, die kostenfrei online verfügbar sind (Jupyter-Notebooks), machen Ihnen die Theorie begreiflich. So erlangen Sie ein pragmatisches Verständnis aller wichtigen Deep-Learning-Ansätze und ihrer Anwendungen: Machine Vision, Natural Language Processing, Bilderzeugung und Spielalgorithmen.
Um Ihnen zu helfen, mehr in kürzerer Zeit zu erreichen, stellen die Autoren mehrere 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 die Komplexität, die typischerweise mit der Entwicklung von Deep Reinforcement Learning-Algorithmen verbunden ist, abstrahiert.