Deep Learning mit TensorFlow, Keras und TensorFlow.js
Über 450 Seiten Einstieg, Konzepte, KI-Projekte. Aktuell zu TensorFlow 2
Autoři
Parametry
Kategorie
Více o knize
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 vydání
- 2020
Doručení
Platební metody
Navrhnout úpravu
- Titul
- Deep Learning mit TensorFlow, Keras und TensorFlow.js
- Podtitul
- Über 450 Seiten Einstieg, Konzepte, KI-Projekte. Aktuell zu TensorFlow 2
- Jazyk
- německy
- Autoři
- Matthieu DERU, Alassane Ndiaye
- Vydavatel
- Rheinwerk Computing
- Vydavatel
- 2020
- ISBN10
- 3836274256
- ISBN13
- 9783836274258
- Kategorie
- Počítače, IT, programování
- Anotace
- 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