Deep Learning

Verfügbarkeit:
Auf Lager.
Veröffentlicht am:
06.11.2018
Artikelnummer:
2185013
  • Produktbeschreibung

    Deep Learning


    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.
  • Zusatzinformation

    Verlag
    MITP-Verlag
    ISBN / EAN
    9783958457003
  • Sie könnten auch an folgenden Produkten interessiert sein

    Art.Nr. 1257326

    Gustave Eiffel,Tour de 300 metres

    103,00
    Art.Nr. 861147

    SharePoint Kompendium.1 Cloud Readiness

    13,40
    Art.Nr. 1275715

    Küpper,C.:Ernährung älterer Menschen

    20,40
  • 0 Kundenmeinungen

    Vielen Dank für das Interesse an unsere Kundenmeinungen.
    Wir können die Authentizität der Bewertungen nicht prüfen und sicherstellen.

    Schreiben Sie selbst eine Rezension

    Ihre Meinung interessiert uns – und hilft anderen Kunden bei der Auswahl.