Derzeit nicht verfügbar
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
Der Umwelt zuliebe
Deep Learning mit TensorFlow, Keras und TensorFlow.js
Alassane Ndiaye (Gebundene Ausgabe, Deutsch)
Keine Bewertungen vorhanden
Optischer Zustand
Beschreibung
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 Dieses Produkt haben wir gerade leider nicht auf Lager.
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
Der Umwelt zuliebe
Technische Daten
Erscheinungsdatum
28.04.2019
Sprache
Deutsch
EAN
9783836265096
Herausgeber
Rheinwerk
Sonderedition
Nein
Autor
Alassane Ndiaye
Seitenanzahl
423
Auflage
1
Einbandart
Gebundene Ausgabe
Buch Untertitel
Einstieg, Konzepte und KI-Projekte mit Python, JavaScript und HTML5
Schlagwörter
Machine Learning, Deep Neural Networks, Neuronale Netze, Künstliche Intelligenz, AI KI, Artificial Intelligence, Deep-Learning-Netze, Hand-Buch Bücher Grundlagen Kurse Workshops Tutorials Wissen Anleitung Training Ausbildung Einführung Studium, Maschinelles Lernen, Informatik
Inhaltsverzeichnis
1. Einführung ... 15
1.1 ... Über dieses Buch ... 15
1.2 ... Ein Einblick in Deep Learning ... 17
1.3 ... Deep Learning im Alltag und in der Zukunft ... 19
2. Machine Learning und Deep Learning ... 29
2.1 ... Einführung ... 29
2.2 ... Lernansätze bei Machine Learning ... 34
2.3 ... Deep-Learning-Frameworks ... 39
2.4 ... Datenbeschaffung ... 40
2.5 ... Datasets ... 42
2.6 ... Zusammenfassung ... 55
3. Neuronale Netze ... 57
3.1 ... Aufbau und Prinzip ... 57
3.2 ... Wie lernt ein neuronales Netz? ... 63
3.3 ... Datenaufbereitung ... 70
3.4 ... Ein einfaches neuronales Netz ... 71
3.5 ... Netzarchitektur ... 80
3.6 ... Bekannte Netze ... 86
3.7 ... Die Fallstricke des Deep Learnings ... 89
3.8 ... Zusammenfassung ... 94
4. Python und Machine-Learning-Bibliotheken ... 95
4.1 ... Installation von Python 3.6 ... 95
4.2 ... Programmierumgebungen ... 101
4.3 ... Jupyter Notebook ... 108
4.4 ... Python-Bibliotheken für das Machine Learning ... 113
4.5 ... Nützliche Routinen mit NumPy und Scikit-learn für ML ... 115
4.6 ... Ein erstes Machine-Learning-Beispiel ... 119
4.7 ... Zusammenfassung ... 123
5. TensorFlow ... 125
5.1 ... Einführung ... 125
5.2 ... Installation ... 128
5.3 ... Grundkonzepte ... 136
5.4 ... Erster Kontakt mit TensorBoard: Einen Graphen visualisieren ... 149
5.5 ... Einen Graphen in TensorBoard debuggen ... 152
5.6 ... Projekt 1: Eine lineare Regression ... 156
5.7 ... Projekt 2: Fashion MNIST ... 161
5.8 ... TensorFlow-Modelle speichern und laden ... 171
5.9 ... Projekt 3: Konvolutionales neuronales Netz mit TensorFlow ... 176
5.10 ... High-Level APIs ... 183
5.11 ... Prozess ... 184
5.12 ... Zusammenfassung ... 185
6. Keras ... 187
6.1 ... Einführung ... 187
6.2 ... Installation von Keras ... 188
6.3 ... Modelle erstellen ... 191
6.4 ... Modelle trainieren ... 193
6.5 ... Modelle evaluieren ... 195
6.6 ... Modelle laden und exportieren ... 196
6.7 ... Keras Applications ... 198
6.8 ... Keras Callbacks ... 199
6.9 ... Beispiel: Iris-Klassifikation mit Keras ... 200
6.10 ... CNNs mit Keras ... 204
6.11 ... RNNs und LSTMs in Keras ... 209
6.12 ... Zusammenfassung ... 214
7. Netze und Metriken visualisieren ... 215
7.1 ... TensorBoard ... 215
7.2 ... tf_cnnvis ... 232
7.3 ... Visualisierung mit Keras ... 234
7.4 ... Visualisierung von CNNs mit Quiver ... 244
7.5 ... Bonus: Interaktive Visualisierung mit Keras-Callbacks, Node.js und HTML5 selbst implementieren ... 247
7.6 ... Weitere Visualisierungsmöglichkeiten ... 258
8. TensorFlow.js ... 261
8.1 ... Anwendungsfälle ... 261
8.2 ... Installation von BrowserSync ... 265
8.3 ... Installation von TensorFlow.js ... 266
8.4 ... Konzepte ... 269
8.5 ... Ihr erstes Modell mit TensorFlow.js: Eine quadratische Regression ... 281
8.6 ... Laden und Speichern von Modellen ... 289
8.7 ... PoseNet-Modell mit TensorFlow.js ... 298
8.8 ... TensorFlow.js noch einfacher: ml5.js ... 314
9. Praxisbeispiele ... 317
9.1 ... Projekt 1: Verkehrszeichenerkennung mit Keras ... 318
9.2 ... Projekt 2: Intelligente Spurerkennung mit Keras und OpenCV ... 333
9.3 ... Projekt 3: Erkennung der Umgebung mit YOLO und TensorFlow.js bzw. ml5.js ... 346
9.4 ... Projekt 4: Haus oder Katze? Vorgefertigte Modelle mit Keras benutzen -- VGG-19 ... 357
9.5 ... Projekt 5: Fashion-MNIST mit TensorFlow-Estimators ... 364
9.6 ... Projekt 6: Stimmungsanalyse mit Keras ... 377
9.7 ... Bonus: Sentiment-Analyse mit TensorFlow.js ... 384
9.8 ... Allgemeine Tipps und Tricks ... 388
10. Ausblick ... 397
10.1 ... Deep Learning in der Cloud ... 397
10.2 ... Kunst mit Deep Learning ... 405
10.3 ... GAN und Stiltransfere mit Deep Learning ... 406
10.4 ... Musik mit Deep Learning ... 408
10.5 ... Videogenerierung mit Deep Learning ... 410
10.6 ... Deep Learning einfacher gemacht ... 411
11. Fazit ... 415
Index ... 419
Höhe
240 mm
Breite
16.8 cm
-.-
Leider noch keine Bewertungen
Leider noch keine Bewertungen
Sicher bei rebuy kaufen
Schreib die erste Bewertung für dieses Produkt!
Wenn du eine Bewertung für dieses Produkt schreibst, hilfst du allen Kund:innen, die noch überlegen, ob sie das Produkt kaufen wollen. Vielen Dank, dass du mitmachst!
Sicher bei rebuy kaufen