Viac o knihe
Deep Learning - eine Schlüsseltechnologie der Künstlichen Intelligenz. Neuronale Netze bringen Höchstleistung, wenn sie zu Deep-Learning-Modellen verknüpft werden - vorausgesetzt, Sie machen es richtig. Große und gute Trainingsdaten beschaffen, geschickt implementieren ... lernen Sie hier, wie Sie die mächtige Technologie wirklich in Ihren Dienst nehmen. 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
Nákup knihy
Deep Learning mit TensorFlow, Keras und TensorFlow.js, Matthieu DERU, Alassane Ndiaye
- Jazyk
- Rok vydania
- 2020
Platobné metódy
Nikto zatiaľ neohodnotil.
- Titul
- Deep Learning mit TensorFlow, Keras und TensorFlow.js
- Podtitul
- Über 450 Seiten Einstieg, Konzepte, KI-Projekte. Aktuell zu TensorFlow 2
- Jazyk
- nemecky
- Autori
- Matthieu DERU, Alassane Ndiaye
- Vydavateľ
- Rheinwerk Computing
- Rok vydania
- 2020
- Počet strán
- 456
- ISBN10
- 3836274256
- ISBN13
- 9783836274258
- Série
- Anotácia
- Deep Learning - eine Schlüsseltechnologie der Künstlichen Intelligenz. Neuronale Netze bringen Höchstleistung, wenn sie zu Deep-Learning-Modellen verknüpft werden - vorausgesetzt, Sie machen es richtig. Große und gute Trainingsdaten beschaffen, geschickt implementieren ... lernen Sie hier, wie Sie die mächtige Technologie wirklich in Ihren Dienst nehmen. 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