IT-Zeitschriften, Fachbücher, eBooks, digitale Magazine und vieles mehr - direkt im heise shop online kaufen
Warenkorb Ihr Warenkorb ist noch leer.

  •  
     
80,00 €*

Deep Learning - Das umfassende Handbuch

Buch

Bewerten Sie dieses Produkt als Erster

Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze
Lieferung: 1-4 Tage
Autor: Ian Goodfellow, Yoshua Bengio, Aaron Courville
Anbieter: Mitp-Verlag
Sprache: Deutsch
EAN: 9783958457003
Veröffentlicht: 01.01.2019
Seitenanzahl: 912

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.

Aus dem Inhalt:
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.
Um bewerten zu können, melden Sie sich bitte an