Hugendubel.info - Die B2B Online-Buchhandlung 

Merkliste
Die Merkliste ist leer.
Bitte warten - die Druckansicht der Seite wird vorbereitet.
Der Druckdialog öffnet sich, sobald die Seite vollständig geladen wurde.
Sollte die Druckvorschau unvollständig sein, bitte schliessen und "Erneut drucken" wählen.

Deep Learning mit TensorFlow, Keras und TensorFlow.js

Über 450 Seiten Einstieg, Konzepte, KI-Projekte. Aktuell zu TensorFlow 2. Alle Beispielprojekte zum Download
BuchGebunden
496 Seiten
Deutsch
Rheinwerk Verlagerschienen am28.04.20202., erw. Aufl.
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-GrundkonzepteInstallation der FrameworksVorgefertigte Modelle verwendenDatenanalyse und -vorbereitungConvolutional Networks, LSTM, RNN, Pooling ...Aufgaben eines Modells richtig festlegenEigene Modelle trainierenOverfitting und Underfitting vermeidenErgebnisse visualisierenmehr
Verfügbare Formate
BuchGebunden
EUR39,90
E-BookEPUB0 - No protectionE-Book
EUR29,93

Produkt

KlappentextDeep 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-GrundkonzepteInstallation der FrameworksVorgefertigte Modelle verwendenDatenanalyse und -vorbereitungConvolutional Networks, LSTM, RNN, Pooling ...Aufgaben eines Modells richtig festlegenEigene Modelle trainierenOverfitting und Underfitting vermeidenErgebnisse visualisieren
Details
ISBN/GTIN978-3-8362-7425-8
ProduktartBuch
EinbandartGebunden
Erscheinungsjahr2020
Erscheinungsdatum28.04.2020
Auflage2., erw. Aufl.
Seiten496 Seiten
SpracheDeutsch
Gewicht1028 g
Artikel-Nr.54645463

Inhalt/Kritik

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 ... 33


2.1 ... Einführung ... 33

2.2 ... Lernansätze beim Machine Learning ... 38

2.3 ... Deep-Learning-Frameworks ... 44

2.4 ... Datenbeschaffung ... 46

2.5 ... Datasets ... 48

2.6 ... Zusammenfassung ... 65



3. Neuronale Netze ... 67


3.1 ... Aufbau und Prinzip ... 67

3.2 ... Lernprozess neuronaler Netze ... 73

3.3 ... Datenaufbereitung ... 81

3.4 ... Ein einfaches neuronales Netz ... 82

3.5 ... Netzarchitekturen ... 91

3.6 ... Bekannte Netze ... 98

3.7 ... Fallstricke beim Deep Learning ... 101

3.8 ... Zusammenfassung ... 106



4. Python und Machine-Learning-Bibliotheken ... 107


4.1 ... Installation von Python 3.7 mit Anaconda ... 108

4.2 ... Alternative Installationen von Python 3.7 ... 113

4.3 ... Programmierumgebungen ... 116

4.4 ... Jupyter Notebook ... 121

4.5 ... Python-Bibliotheken für das Machine Learning ... 126

4.6 ... Nützliche Routinen mit NumPy und Scikit-learn für ML ... 129

4.7 ... Ein zweites Machine-Learning-Beispiel ... 133

4.8 ... Zusammenfassung ... 137



5. TensorFlow: Installation und Grundlagen ... 139


5.1 ... Einführung ... 139

5.2 ... Installation ... 143

5.3 ... Google Colab: TensorFlow ohne Installation benutzen ... 153

5.4 ... Tensoren ... 154

5.5 ... Graphen ... 160

5.6 ... Benutzung der CPU und GPU ... 171

5.7 ... Erstes Beispiel: Eine lineare Regression ... 174

5.8 ... Von TensorFlow 1.x zu TensorFlow 2 ... 180

5.9 ... Zusammenfassung ... 183



6. Keras ... 185


6.1 ... Von Keras zu tf.keras ... 185

6.2 ... Erster Kontakt ... 189

6.3 ... Modelle trainieren ... 191

6.4 ... Modelle evaluieren ... 193

6.5 ... Modelle laden und exportieren ... 194

6.6 ... Keras Applications ... 197

6.7 ... Keras Callbacks ... 198

6.8 ... Projekt 1: Iris-Klassifikation mit Keras ... 200

6.9 ... Projekt 2: CNNs mit Fashion-MNIST ... 204

6.10 ... Projekt 3: Ein einfaches CNN mit dem CIFAR-10-Dataset ... 213mehr
Kritik
»Der Markt für AI-Bücher ist mit Sicherheit alles andere als leer. Der Rezensent kann das vorliegende Buch allerdings mit bestem Gewissen empfehlen - die Abwägung zwischen mathematischem Tiefgang und angewendeten Kenntnissen ist den Autoren bestens gelungen.« windows.developer 202101mehr

Schlagworte

Autor

Dr. Matthieu Deru ist Senior Software-Engineer (R&D) und UX-Designer für interaktive Systeme am Deutschen Forschungszentrum für Künstliche Intelligenz GmbH (DFKI). Seine Projekterfahrung umfasst Themengebiete, die so vielseitig sind wie die Anwendungsfelder der KI, von intelligenten Benutzerschnittstellen bis zu komplexen Vorhersagenmodellen für die Elektromobilität.Dr. Alassane Ndiaye ist als Senior Software-Engineer (R&D) und Projektleiter seit über 20 Jahren am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) sowohl in Forschungs- als auch in Industrie- und Transferprojekten tätig. Machine Learning setzt er unter anderem in Prognoseverfahren für die Energiewirtschaft und die Elektromobilität ein.
Weitere Artikel von
Deru, Matthieu