Deep Learning mit TensorFlow, Keras und TensorFlow.js
Autoren
Parameter
Kategorien
Mehr zum Buch
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
Publikation
Buchkauf
Deep Learning mit TensorFlow, Keras und TensorFlow.js, Matthieu DERU, Alassane Ndiaye
- Sprache
- Erscheinungsdatum
- 2020
Lieferung
Zahlungsmethoden
Deine Änderungsvorschläge
- Titel
- Deep Learning mit TensorFlow, Keras und TensorFlow.js
- Sprache
- Deutsch
- Autor*innen
- Matthieu DERU, Alassane Ndiaye
- Verlag
- Rheinwerk Computing
- Erscheinungsdatum
- 2020
- Einband
- Hardcover
- ISBN10
- 3836274256
- ISBN13
- 9783836274258
- Kategorie
- Informatik & Programmierung
- Beschreibung
- 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