Deep Learning: das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze
Gespeichert in:
| Hauptverfasser: | , , |
|---|---|
| Weitere Verfasser: | , |
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
Frechen
mitp
2018
|
| Ausgabe: | 1. Auflage |
| Schlagworte: | |
| Online-Zugang: | Inhaltsverzeichnis |
| Beschreibung: | xxii, 883 Seiten Illustrationen, Diagramme 24 cm x 17 cm |
| ISBN: | 9783958457003 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV044723761 | ||
| 003 | DE-604 | ||
| 005 | 20221012 | ||
| 007 | t | ||
| 008 | 180122s2018 gw a||| |||| 00||| ger d | ||
| 015 | |a 18,N04 |2 dnb | ||
| 016 | 7 | |a 1150657405 |2 DE-101 | |
| 020 | |a 9783958457003 |c : circa EUR 80.00 (DE), circa EUR 80.00 (AT) |9 978-3-95845-700-3 | ||
| 024 | 3 | |a 9783958457003 | |
| 035 | |a (OCoLC)1066056154 | ||
| 035 | |a (DE-599)DNB1150657405 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-NW | ||
| 049 | |a DE-473 |a DE-91G |a DE-2070s |a DE-19 |a DE-M347 |a DE-739 |a DE-1102 |a DE-522 |a DE-29T |a DE-634 |a DE-860 |a DE-92 |a DE-355 |a DE-20 |a DE-1028 |a DE-1051 |a DE-210 |a DE-573 |a DE-1043 |a DE-83 |a DE-1046 |a DE-11 |a DE-1049 |a DE-898 |a DE-12 |a DE-1050 |a DE-862 |a DE-B768 |a DE-706 |a DE-858 | ||
| 082 | 0 | |a 004 |2 23 | |
| 084 | |a ST 302 |0 (DE-625)143652: |2 rvk | ||
| 084 | |a ST 300 |0 (DE-625)143650: |2 rvk | ||
| 084 | |a ST 301 |0 (DE-625)143651: |2 rvk | ||
| 084 | |a DAT 708f |2 stub | ||
| 100 | 1 | |a Goodfellow, Ian |d 1987- |e Verfasser |0 (DE-588)112365512X |4 aut | |
| 245 | 1 | 0 | |a Deep Learning |b das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze |c Ian Goodfellow, Yoshua Bengio, Aaron Courville ; Übersetzung aus dem Amerikanischen von Guido Lenz |
| 250 | |a 1. Auflage | ||
| 264 | 1 | |a Frechen |b mitp |c 2018 | |
| 300 | |a xxii, 883 Seiten |b Illustrationen, Diagramme |c 24 cm x 17 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 650 | 0 | 7 | |a Deep learning |0 (DE-588)1135597375 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |2 gnd |9 rswk-swf |
| 653 | |a Studenten sowie Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten | ||
| 653 | |a Statistik | ||
| 653 | |a Mathematik | ||
| 653 | |a Data Science | ||
| 653 | |a Lernalgorithmen | ||
| 653 | |a Machine Learning | ||
| 653 | |a Predictive Analytics | ||
| 689 | 0 | 0 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |D s |
| 689 | 0 | 1 | |a Deep learning |0 (DE-588)1135597375 |D s |
| 689 | 0 | 2 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |D s |
| 689 | 0 | |5 DE-604 | |
| 689 | 1 | 0 | |a Deep learning |0 (DE-588)1135597375 |D s |
| 689 | 1 | |5 DE-604 | |
| 700 | 1 | |a Bengio, Yoshua |e Verfasser |0 (DE-588)1126443166 |4 aut | |
| 700 | 1 | |a Courville, Aaron |e Verfasser |4 aut | |
| 700 | 1 | |a Lenz, Guido |4 trl | |
| 700 | 1 | 2 | |a Goodfellow, Ian |t Deep learning |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe |z 978-3-95845-701-0 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe |z 978-3-95845-702-7 |
| 856 | 4 | 2 | |m Digitalisierung UB Passau - ADAM Catalogue Enrichment |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030119978&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 999 | |a oai:aleph.bib-bvb.de:BVB01-030119978 | ||
Datensatz im Suchindex
| DE-BY-862_location | 2000 |
|---|---|
| DE-BY-FWS_call_number | 2000/ST 300 G651 |
| DE-BY-FWS_katkey | 716304 |
| DE-BY-FWS_media_number | 083000524002 083000524005 |
| _version_ | 1816842961331159040 |
| adam_text | INHALTSVERZEICHNIS
Inhaltsverzeichnis
Website zum Buch xi
Danksagung xiii
Über die Fachkorrektoren zur deutschen Ausgabe xvii
Notation xix
1 Einleitung 1
1.1 Für wen ist dieses Buch gedacht?................. 10
1.2 Historische Entwicklungen im Deep Learning....... 12
1 Angewandte Mathematik und Grundlagen für das
Machine Learning 31
2 Lineare Algebra 33
2.1 Skalare, Vektoren, Matrizen und Tensoren......... 34
2.2 Multiplizieren von Matrizen und Vektoren......... 36
2.3 Einheits- und Umkehrmatrizen .................... 38
2.4 Lineare Abhängigkeit und lineare Hülle........... 40
2.5 Normen........................................... 42
2.6 Spezielle Matrizen und Vektoren.................. 43
2.? Eigenwertzerlegung............................... 45
2.8 Singulärwertzerlegung............................ 48
2.9 Die Moore-Penrose-Pseudoinverse.................. 49
2.10 Der Spuroperator................................. 50
2.11 Die Determinante................................. 51
2.12 Beispiel: Hauptkomponentenanalyse ............... 51
3 Wahrscheinlichkeits- und Informationstheorie 57
3.1 Warum Wahrscheinlichkeit?....................... 58
INHALTSVERZEICHNIS
3.2 Zufallsvariablen......................................... 61
3.3 Wahrscheinlichkeitsverteilungen.......................... 61
3.4 Randwahrscheinlichkeit................................... 64
3.5 Bedingte Wahrscheinlichkeit.............................. 64
3.6 Die Produktregel der bedingten Wahrscheinlichkeiten ... 65
3.7 Unabhängigkeit und bedingte Unabhängigkeit . ............ 65
3.8 Erwartungswert, Varianz und Kovarianz............. . . 66
3.9 Häufig genutzte Wahrscheinlichkeitsverteilungen.......... 67
3.10 Nützliche Eigenschaften häufig verwendeter Funktionen . 74
3.11 Satz von Bayes........................................... 76
3.12 Technische Einzelheiten stetiger Variablen............... 77
3.13 Informationstheorie...................................... 79
3.14 Strukturierte probabilistische Modelle ................. 83
4 Numerische Berechnung 87
4.1 Überlauf und Unterlauf .................................. 87
4.2 Schlechte Konditionierung................................ 89
4.3 Optimierung auf Gradientenbasis......................... 90
4.4 Optimierung unter Nebenbedingungen...................... 101
4.5 Beispiel: Lineare kleinste Quadrate..................... 104
5 Grundlagen für das Machine Learning 107
5.1 Lernalgorithmen ........................................ 108
5.2 Kapazität, Überanpassung und Unteranpassung ...... 121
5.3 Hyperparameter und Validierungsdaten ................... 133
5.4 Schätzer, Verzerrung und Varianz....................... 135
5.5 Maximum-Likelihood-Schätzung............................ 145
5.6 Bayessche Statistik..................................... 149
5.7 Algorithmen für überwachtes Lernen...................... 154
5.8 Algorithmen für unüberwachtes Lernen.................... 161
5.9 Stochastisches Gradientenabstiegsverfahren.............. 167
5.10 Entwickeln eines Machine-Learning-Algorithmus............170
5.11 Probleme, an denen Deep Learning wächst................. 171
II Tiefe Netze: Zeitgemäße Verfahren 183
6 Tiefe Feedforward-Netze 185
6.1 Beispiel: Erlernen von XOR.............................. 189
6.2 Lernen auf Gradientenbasis............................. 195
6.3 Verdeckte Einheiten.................................... 211
vi
INHALTSVERZEICHNIS
6.4 Architekturdesign....................................... 218
6.5 Backpropagation und andere Algorithmen zur
Differentiation......................................... 225
6.6 Historische Anmerkungen................................. 248
7 Regularisierung 253
7.1 Parameter-Norm-Strafterme............................... 255
7.2 Norm-Strafterme als Optimierung unter Nebenbedingungen 263
7.3 Regularisierung und unterbestimmte Probleme..............265
7.4 Erweitern des Datensatzes............................... 266
7.5 Robustheit gegen Rauschen............................... 268
7.6 Halb-überwachtes Lernen .................................270
7.7 Multitask Learning...................................... 271
7.8 Früher Abbruch.......................................... 273
7.9 Parameter Tying und Parameter Sharing................... 281
7.10 Dünnbesetzte Repräsentationen............................283
7.11 Bagging und andere Ensemblemethoden......................285
7.12 Dropout................................................. 287
7.13 Adversarial Training.................................... 299
7.14 Tangentendistanz, Tangenten-Propagation und
Mannigfaltigkeit-Tangentenklassifikator ................ 301
8 Optimierung beim Trainieren von tiefen Modellen 305
8.1 Unterschied zwischen Lernen und reiner Optimierung . . . 306
8.2 Herausforderungen bei der Optimierung neuronaler Netze 315
8.3 Grundlegende Algorithmen ............................... 327
8.4 Verfahren zur Parameterinitialisierung.................. 335
8.5 Algorithmen mit adaptiven Lernraten .................... 342
8.6 Approximative Verfahren zweiter Ordnung................. 347
8.7 Optimierungsverfahren und Meta-Algorithmen ..............354
9 CNNs 369
9.1 Die Faltungsoperation................................... 370
9.2 Motivation.............................................. 374
9.3 Pooling .................................................379
9.4 Faltung und Pooling als unendlich starke A-priori-
Wahrscheinlichkeit.......................................385
9.5 Varianten der grundlegenden Faltungsfunktion ............386
9.6 Strukturierte Ausgaben ..................................398
9.7 Datentypen.............................................. 400
9.8 Effiziente Faltungsalgorithmen.......................... 402
vii
INHALTSVERZEICHNIS
9.9 Zufällige oder unüberwachte Merkmale................. 403
9.10 Die neurowissenschaftliche Basis für CNNs..............405
9.11 CNNs und die Geschichte des Deep Learnings . ..........413
10 Sequenzmodellierung: RNNs und rekursive Netze 415
10.1 Auffalten von Berechnungsgraphen..................... 417
10.2 RNNs...................................................420
10.3 Bidirektionale RNNs.................................. 436
10.4 Sequenz-zu-Sequenz-Architekturen.......................439
10.5 Tiefe RNNs........................................... 441
10.6 Rekursive neuronale Netze..............................443
10.7 Die Herausforderung langfristiger Abhängigkeiten ..... 445
10.8 Echo-State-Netze.......................................448
10.9 Leaky-Einheiten und andere Verfahren für mehrere
Zeitskalen............................................ 451
10.10 Das Long Short-Term Memory und andere Gated RNNs . 453
10.11 Optimierung für langfristige Abhängigkeiten...........458
10.12 Explizites Gedächtnis.................................462
11 Praxisorientierte Methodologie 467
11.1 Performance-Kriterien..................................468
11.2 Default-Baseline-Modell............................... 471
11.3 Prüfen, ob mehr Daten gesammelt werden sollen..........473
11.4 Auswählen von Hyperparametern........................ 475
11.5 Debugging-Verfahren....................................485
11.6 Beispiel: Erkennen mehrstelliger Zahlen................490
12 Anwendungen 493
12.1 Deep Learning im großen Maßstab........................493
12.2 Computer Vision....................................... 504
12.3 Spracherkennung....................................... 511
12.4 Verarbeitung natürlicher Sprache...................... 514
12.5 Weitere Anwendungen................................... 533
III Deep-Learning-Forschung 543
13 Lineare Faktorenmodelle 547
13.1 Probabilistische PCA und Faktorenanalyse...............548
13.2 Unabhängigkeitsanalyse................................ 549
13.3 Slow Feature Analysis................................. 553
viii
INHALTSVERZEICHNIS
13.4 Sparse Coding..........................................556
13.5 Interpretation der Mannigfaltigkeit der PC A...........560
14 Autoencoder 563
14.1 Untervollständige Autoencoder..........................564
14.2 Regularisierte Autoencoder.............................565
14.3 Repräsentationsleistung, Schichtgröße und Tiefe........570
14.4 Stochastische Encoder und Decoder..................... 571
14.5 Denoising Autoencoder..................................573
14.6 Erlernen von Mannigfaltigkeiten mit Autoencodern .... 578
14.7 Contractive Autoencoder................................584
14.8 Prädiktive dünnbesetzte Zerlegung..................... 587
14.9 Anwendungen für Autoencoder........................... 588
15 Representation Learning 591
15.1 Schichtweises unüberwachtes Pretraining mit Greedy-
Algorithmen........................................... 593
15.2 Transfer Learning und Domänenadaption .................602
15.3 Halb-überwachtes Separieren kausaler Faktoren......... 607
15.4 Verteilte Repräsentation...............................614
15.5 Exponentielle Verbesserungen durch Tiefe.............. 621
15.6 Hinweise zum Aufdecken der zugrunde liegenden Ursachen 623
16 Strukturierte probabilistische Modelle für Deep
Learning 627
16.1 Die Herausforderung der unstrukturierten Modellierung . 628
16.2 Verwenden von Graphen zum Beschreiben der
Modellstruktur.................................... . . . 633
16.3 Stichprobenentnahme aus graphischen Modellen........... 651
16.4 Vorteile der strukturierten Modellierung............... 653
16.5 Lernen anhand von Abhängigkeiten........................654
16.6 Inferenz und approximative Inferenz.....................656
16.7 Der Deep-Learning-Ansatz für strukturierte
probabilistische Modelle................................ 657
17 Monte-Car lo-Ver fahren 663
17.1 Stichprobenentnahme und Monte-Carlo-Verfahren...........663
17.2 Importance Sampling.....................................666
17.3 Markow-Ketten-Monte-Carlo-Verfahren.................... 668
17.4 Gibbs-Sampling..........................................673
17.5 Die Herausforderung, zwischen getrennten Modi zu mischen 674
IX
INHALTSVERZEICHNIS
18 Die Partitionsfunktion 681
18.1 Der Log-Likelihood-Gradient ............................. 682
18.2 Stochastische Maximum Likelihood und kontrastive
Divergenz........................................... . 684
18.3 Pseudo-Likelihood ....................................... 692
18.4 Score Matching und Ratio Matching........................ 695
18.5 Denoising Score Matching................................. 697
18.6 Noise-Contrastive Estimation............................. 698
18.7 Schätzen der Partitionsfunktion.......................... 701
19 Approximative Inferenz 711
19.1 Inferenz als Optimierung................................. 713
19.2 Erwartungsmaximierung.................................... 714
19.3 MAP-Inferenz und Sparse Coding........................... 716
19.4 Variational Inference und Variational Learning............718
19.5 Erlernte approximative Inferenz.......................... 733
20 Tiefe generative Modelle 737
20.1 Boltzmann-Maschinen...................................... 737
20.2 Restricted Boltzmann Machines............................ 740
20.3 Deep-Belief-Netze........................................ 743
20.4 Deep Boltzmann Machines.................................. 747
20.5 Boltzmann-Maschinen für reellwertige Daten................762
20.6 Gefaltete Boltzmann-Maschinen............................ 769
20.7 Boltzmann-Maschinen für strukturierte und sequenzielle
Ausgaben................................................. 772
20.8 Weitere Boltzmann-Maschinen.............................. 773
20.9 Backpropagation durch Zufallsoperationen................. 775
20.10 Gerichtete generative Netze (Directed Generative Nets) . 780
20.11 Ziehen von Stichproben aus Autoencodern................. 802
20.12 Generative stochastische Netze.......................... 806
20.13 Andere Generierungskonzepte............................. 807
20.14 Bewerten von generativen Modellen....................... 809
20.15 Schlussbemerkungen...................................... 812
Literaturverzeichnis 813
Abkürzungsverzeichnis 871
Index 875
|
| any_adam_object | 1 |
| author | Goodfellow, Ian 1987- Bengio, Yoshua Courville, Aaron |
| author2 | Lenz, Guido Goodfellow, Ian |
| author2_role | trl |
| author2_variant | g l gl i g ig |
| author_GND | (DE-588)112365512X (DE-588)1126443166 |
| author_facet | Goodfellow, Ian 1987- Bengio, Yoshua Courville, Aaron Lenz, Guido Goodfellow, Ian |
| author_role | aut aut aut |
| author_sort | Goodfellow, Ian 1987- |
| author_variant | i g ig y b yb a c ac |
| building | Verbundindex |
| bvnumber | BV044723761 |
| classification_rvk | ST 302 ST 300 ST 301 |
| classification_tum | DAT 708f |
| ctrlnum | (OCoLC)1066056154 (DE-599)DNB1150657405 |
| dewey-full | 004 |
| dewey-hundreds | 000 - Computer science, information, general works |
| dewey-ones | 004 - Computer science |
| dewey-raw | 004 |
| dewey-search | 004 |
| dewey-sort | 14 |
| dewey-tens | 000 - Computer science, information, general works |
| discipline | Informatik |
| edition | 1. Auflage |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02969nam a22006498c 4500</leader><controlfield tag="001">BV044723761</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20221012 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">180122s2018 gw a||| |||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">18,N04</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1150657405</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783958457003</subfield><subfield code="c">: circa EUR 80.00 (DE), circa EUR 80.00 (AT)</subfield><subfield code="9">978-3-95845-700-3</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783958457003</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1066056154</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1150657405</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-NW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-473</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-2070s</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-522</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-1028</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-210</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-B768</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-858</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">004</subfield><subfield code="2">23</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 301</subfield><subfield code="0">(DE-625)143651:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 708f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Goodfellow, Ian</subfield><subfield code="d">1987-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)112365512X</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Deep Learning</subfield><subfield code="b">das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze</subfield><subfield code="c">Ian Goodfellow, Yoshua Bengio, Aaron Courville ; Übersetzung aus dem Amerikanischen von Guido Lenz</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Frechen</subfield><subfield code="b">mitp</subfield><subfield code="c">2018</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">xxii, 883 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 17 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Deep learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Studenten sowie Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Statistik</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Mathematik</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Lernalgorithmen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Predictive Analytics</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Deep learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Deep learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Bengio, Yoshua</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1126443166</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Courville, Aaron</subfield><subfield code="e">Verfasser</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Lenz, Guido</subfield><subfield code="4">trl</subfield></datafield><datafield tag="700" ind1="1" ind2="2"><subfield code="a">Goodfellow, Ian</subfield><subfield code="t">Deep learning</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe</subfield><subfield code="z">978-3-95845-701-0</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe</subfield><subfield code="z">978-3-95845-702-7</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Passau - ADAM Catalogue Enrichment</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030119978&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-030119978</subfield></datafield></record></collection> |
| id | DE-604.BV044723761 |
| illustrated | Illustrated |
| indexdate | 2024-11-27T04:01:08Z |
| institution | BVB |
| isbn | 9783958457003 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-030119978 |
| oclc_num | 1066056154 |
| open_access_boolean | |
| owner | DE-473 DE-BY-UBG DE-91G DE-BY-TUM DE-2070s DE-19 DE-BY-UBM DE-M347 DE-739 DE-1102 DE-522 DE-29T DE-634 DE-860 DE-92 DE-355 DE-BY-UBR DE-20 DE-1028 DE-1051 DE-210 DE-573 DE-1043 DE-83 DE-1046 DE-11 DE-1049 DE-898 DE-BY-UBR DE-12 DE-1050 DE-862 DE-BY-FWS DE-B768 DE-706 DE-858 |
| owner_facet | DE-473 DE-BY-UBG DE-91G DE-BY-TUM DE-2070s DE-19 DE-BY-UBM DE-M347 DE-739 DE-1102 DE-522 DE-29T DE-634 DE-860 DE-92 DE-355 DE-BY-UBR DE-20 DE-1028 DE-1051 DE-210 DE-573 DE-1043 DE-83 DE-1046 DE-11 DE-1049 DE-898 DE-BY-UBR DE-12 DE-1050 DE-862 DE-BY-FWS DE-B768 DE-706 DE-858 |
| physical | xxii, 883 Seiten Illustrationen, Diagramme 24 cm x 17 cm |
| publishDate | 2018 |
| publishDateSearch | 2018 |
| publishDateSort | 2018 |
| publisher | mitp |
| record_format | marc |
| spellingShingle | Goodfellow, Ian 1987- Bengio, Yoshua Courville, Aaron Deep Learning das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze Deep learning (DE-588)1135597375 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd |
| subject_GND | (DE-588)1135597375 (DE-588)4193754-5 (DE-588)4033447-8 |
| title | Deep Learning das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze |
| title_alt | Deep learning |
| title_auth | Deep Learning das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze |
| title_exact_search | Deep Learning das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze |
| title_full | Deep Learning das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze Ian Goodfellow, Yoshua Bengio, Aaron Courville ; Übersetzung aus dem Amerikanischen von Guido Lenz |
| title_fullStr | Deep Learning das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze Ian Goodfellow, Yoshua Bengio, Aaron Courville ; Übersetzung aus dem Amerikanischen von Guido Lenz |
| title_full_unstemmed | Deep Learning das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze Ian Goodfellow, Yoshua Bengio, Aaron Courville ; Übersetzung aus dem Amerikanischen von Guido Lenz |
| title_short | Deep Learning |
| title_sort | deep learning das umfassende handbuch grundlagen aktuelle verfahren und algorithmen neue forschungsansatze |
| title_sub | das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze |
| topic | Deep learning (DE-588)1135597375 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd |
| topic_facet | Deep learning Maschinelles Lernen Künstliche Intelligenz |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030119978&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT goodfellowian deeplearningdasumfassendehandbuchgrundlagenaktuelleverfahrenundalgorithmenneueforschungsansatze AT bengioyoshua deeplearningdasumfassendehandbuchgrundlagenaktuelleverfahrenundalgorithmenneueforschungsansatze AT courvilleaaron deeplearningdasumfassendehandbuchgrundlagenaktuelleverfahrenundalgorithmenneueforschungsansatze AT lenzguido deeplearningdasumfassendehandbuchgrundlagenaktuelleverfahrenundalgorithmenneueforschungsansatze |
Inhaltsverzeichnis
Sonderstandort Fakultät
| Signatur: |
2000 ST 300 G651 |
|---|---|
| Exemplar 1 | nicht ausleihbar Checked out – Rückgabe bis: 31.12.2099 Vormerken |
THWS Schweinfurt Zentralbibliothek Lesesaal
| Signatur: |
2000 ST 300 G651 |
|---|---|
| Exemplar 1 | ausleihbar Verfügbar Bestellen |