Bookbot

Deep Learning mit TensorFlow, Keras und TensorFlow.js

Más información sobre el libro

Deep Learning ist die Schlüsseltechnologie des derzeitigen Booms Künstlicher Intelligenz. Neuronale Netze können Höchstleistung erbringen, wenn sie als Deep-Learning-Netze aufgestellt sind und mit großen Datenmengen trainiert werden – und wenn Sie wissen, wie man dieses maschinelle Lernen geschickt implementiert. Lernen Sie hier, wie Sie die mächtigen Frameworks in realen Projekten erfolgreich einsetzen. Unsere Autoren zeigen Ihnen sowohl die Arbeit mit Python und Keras als auch für den Browser mit JavaScript, HTML5 und TensorFlow. js. Aus dem Inhalt: Deep-Learning-Grundkonzepte Installation der Frameworks Vorgefertigte Modelle verwenden Datenanalyse und -vorbereitung Convolutional Networks, LSTM, RNN, Pooling ... Aufgaben eines Modells richtig festlegen Eigene Modelle trainieren Overfitting und Underfitting vermeiden Ergebnisse visualisieren

Publicación

Compra de libros

Deep Learning mit TensorFlow, Keras und TensorFlow.js, Matthieu DERU

Idioma
Publicado en
2019
Encuadernación
(Tapa dura),
Estado del libro
Bueno
Precio
7,99 €

Métodos de pago

Nadie lo ha calificado todavía.Añadir reseña

Título
Deep Learning mit TensorFlow, Keras und TensorFlow.js
Idioma
Alemán
Publicado en
2019
Formato
Tapa dura
ISBN10
3836265095
ISBN13
9783836265096
Serie
Etiquetas
Descripción
Deep Learning ist die Schlüsseltechnologie des derzeitigen Booms Künstlicher Intelligenz. Neuronale Netze können Höchstleistung erbringen, wenn sie als Deep-Learning-Netze aufgestellt sind und mit großen Datenmengen trainiert werden – und wenn Sie wissen, wie man dieses maschinelle Lernen geschickt implementiert. Lernen Sie hier, wie Sie die mächtigen Frameworks in realen Projekten erfolgreich einsetzen. Unsere Autoren zeigen Ihnen sowohl die Arbeit mit Python und Keras als auch für den Browser mit JavaScript, HTML5 und TensorFlow. js. Aus dem Inhalt: Deep-Learning-Grundkonzepte Installation der Frameworks Vorgefertigte Modelle verwenden Datenanalyse und -vorbereitung Convolutional Networks, LSTM, RNN, Pooling ... Aufgaben eines Modells richtig festlegen Eigene Modelle trainieren Overfitting und Underfitting vermeiden Ergebnisse visualisieren