Deep Learning mit TensorFlow, Keras und TensorFlow.js:
Gespeichert in:
| Hauptverfasser: | , |
|---|---|
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
Bonn
Rheinwerk Verlag
2019
|
| Ausgabe: | 1. Auflage |
| Schriftenreihe: | Rheinwerk Computing
|
| Schlagworte: | |
| Online-Zugang: | Inhaltstext Inhaltsverzeichnis |
| Beschreibung: | Auf dem Cover: Für KI und Data Science ; Von der Aufbereitung der Daten bis zur Visualisierung ; Mit Python, HTML5 und JavaScript Deep Learning entdecken ; Mit ml5.js TensorBoard, Matplotlib, Estimators, Tf.keras, Eager Execution u.v.m. |
| Beschreibung: | 423 Seiten Illustrationen, Diagramme 24 cm x 16.8 cm |
| ISBN: | 9783836265096 3836265095 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV045465685 | ||
| 003 | DE-604 | ||
| 005 | 20200831 | ||
| 007 | t| | ||
| 008 | 190215s2019 gw a||| |||| 00||| ger d | ||
| 015 | |a 19,N01 |2 dnb | ||
| 016 | 7 | |a 1173724435 |2 DE-101 | |
| 020 | |a 9783836265096 |c kart. : EUR 39.90 (DE), EUR 41.10 (AT), CHF 49.90 (freier Preis) |9 978-3-8362-6509-6 | ||
| 020 | |a 3836265095 |9 3-8362-6509-5 | ||
| 024 | 3 | |a 9783836265096 | |
| 028 | 5 | 2 | |a Bestellnummer: 459/06509 |
| 035 | |a (OCoLC)1101912735 | ||
| 035 | |a (DE-599)DNB1173724435 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-NW | ||
| 049 | |a DE-20 |a DE-91G |a DE-473 |a DE-703 |a DE-860 |a DE-1102 |a DE-M347 |a DE-1028 |a DE-29T |a DE-Aug4 |a DE-573 |a DE-859 |a DE-83 |a DE-1051 | ||
| 084 | |a ST 302 |0 (DE-625)143652: |2 rvk | ||
| 084 | |a ST 250 |0 (DE-625)143626: |2 rvk | ||
| 084 | |a ST 301 |0 (DE-625)143651: |2 rvk | ||
| 084 | |a ST 300 |0 (DE-625)143650: |2 rvk | ||
| 084 | |a DAT 708f |2 stub | ||
| 084 | |a 004 |2 sdnb | ||
| 084 | |a DAT 316f |2 stub | ||
| 100 | 1 | |a Deru, Matthieu |e Verfasser |0 (DE-588)1186996420 |4 aut | |
| 245 | 1 | 0 | |a Deep Learning mit TensorFlow, Keras und TensorFlow.js |c Matthieu Deru, Alassane Ndiaye |
| 250 | |a 1. Auflage | ||
| 264 | 1 | |a Bonn |b Rheinwerk Verlag |c 2019 | |
| 300 | |a 423 Seiten |b Illustrationen, Diagramme |c 24 cm x 16.8 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 490 | 0 | |a Rheinwerk Computing | |
| 500 | |a Auf dem Cover: Für KI und Data Science ; Von der Aufbereitung der Daten bis zur Visualisierung ; Mit Python, HTML5 und JavaScript Deep Learning entdecken ; Mit ml5.js TensorBoard, Matplotlib, Estimators, Tf.keras, Eager Execution u.v.m. | ||
| 650 | 0 | 7 | |a Keras |g Framework, Informatik |0 (DE-588)1160521077 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Deep Learning |0 (DE-588)1135597375 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a JavaScript |0 (DE-588)4420180-1 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Python |g Programmiersprache |0 (DE-588)4434275-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a TensorFlow |0 (DE-588)1153577011 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a HTML 5.0 |0 (DE-588)7704810-6 |2 gnd |9 rswk-swf |
| 653 | |a Deep Learning | ||
| 653 | |a TensorFlow.js | ||
| 653 | |a TensorFlow | ||
| 653 | |a Keras | ||
| 653 | |a Neuronale Netze | ||
| 653 | |a Deep Neural Networks | ||
| 653 | |a Machine Learning | ||
| 653 | |a Deep-Learning-Netze | ||
| 689 | 0 | 0 | |a Deep Learning |0 (DE-588)1135597375 |D s |
| 689 | 0 | 1 | |a TensorFlow |0 (DE-588)1153577011 |D s |
| 689 | 0 | 2 | |a Keras |g Framework, Informatik |0 (DE-588)1160521077 |D s |
| 689 | 0 | |5 DE-604 | |
| 689 | 1 | 0 | |a Python |g Programmiersprache |0 (DE-588)4434275-5 |D s |
| 689 | 1 | 1 | |a HTML 5.0 |0 (DE-588)7704810-6 |D s |
| 689 | 1 | 2 | |a JavaScript |0 (DE-588)4420180-1 |D s |
| 689 | 1 | 3 | |a Deep Learning |0 (DE-588)1135597375 |D s |
| 689 | 1 | |5 DE-604 | |
| 700 | 1 | |a Ndiaye, Alassane |e Verfasser |0 (DE-588)1187002445 |4 aut | |
| 710 | 2 | |a Galileo Press |0 (DE-588)1065964404 |4 pbl | |
| 856 | 4 | 2 | |m X:MVB |q text/html |u http://deposit.dnb.de/cgi-bin/dokserv?id=9aae0cc1396444598165b2a45f5a4789&prov=M&dok_var=1&dok_ext=htm |3 Inhaltstext |
| 856 | 4 | 2 | |m DNB Datenaustausch |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030850892&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-030850892 | |
Datensatz im Suchindex
| _version_ | 1823924577063927808 |
|---|---|
| adam_text |
INHALT
1
EINFUEHRUNG
15
1.1
UEBER
DIESES
BUCH
.
15
1.1.1
VORAUSSETZUNGEN
.
16
1.1.2
AUFBAU
DES
BUCHES
.
16
1.2
EIN
EINBLICK
IN
DEEP
LEARNING
.
17
1.3
DEEP
LEARNING
IM
ALLTAG
UND
IN
DER
ZUKUNFT
.
19
1.3.1
SPRACHVERARBEITUNG
.
19
13.2
AUTOMATISCHE
SPRACHUEBERSETZUNGEN
.
20
1.3.3
VISUAL
COMPUTING
.
21
13.4
AUTONOMES
FAHREN
.
23
13.5
DEEP
LEARNING
IN
DER
MEDIZIN
.
24
13.6
DEEP
LEARNING
IN
DER
FINANZWELT
.
25
13.7
DEEP
LEARNING
IN
DER
ENERGIEWIRTSCHAFT
.
27
2
MACHINE
LEARNING
UND
DEEP
LEARNING
29
2.1
EINFUEHRUNG
.
29
2.2
LERNANSAETZE
BEI
MACHINE
LEARNING.
34
2.2.1
SUPERVISED
LEARNING
.
34
2.2.2
UNSUPERVISED
LEARNING
.
36
2.2.3
SEMI-SUPERVISED
LEARNING
.
36
2.2.4
REINFORCEMENT
LEARNING
.
37
2.2.5
AKTIVES
LERNEN
.
38
2.3
DEEP-LEARNING-FRAMEWORKS
.
39
2.4
DATENBESCHAFFUNG
.
40
2.4.1
VORGEFERTIGTE
DATASETS
.
41
2.4.2
EIGENE
DATASETS
.
41
2.5
DATASETS
.
42
2.5.1
KAGGLE
.
42
2.5.2
CHARS74K
.
44
2.5.3
IMAGENET
.
45
2.5.4
IMAGECLEF
.
46
2.5.5
VGG
.
47
2.5.6
YFCC100M
.
49
2.5.7
YOUTUBE-8M
.
50
2.5.8
MS-CELEBLM
.
50
2.5.9
MICROSOFT
COCO
.
51
2.5.10
MNISTUND
FASHION-MNIST
.
52
2.5.11
WEITERE
DATASETS
.
54
2.5.12
CHECKLISTE
DATASETS
.
54
2.6
ZUSAMMENFASSUNG
.
55
3
NEURONALE
NETZE
57
3.1
AUFBAU
UND
PRINZIP
.
57
3.1.1
DAS
KUENSTLICHE
NEURON
.
59
3.1.2
WIE
FUNKTIONIERT
EIN
KUENSTLICHES
NEURON?
.
59
3.1.3
MEHRSCHICHTIGE
NEURONALE
NETZE
.
61
3.2
WIE
LERNT
EIN
NEURONALES
NETZ?
.
63
3.2.1
LERNVORGANG
.
63
3.2.2
BACKPROPAGATION
UND
FEHLERFUNKTIONEN
.
66
3.2.3
GEWICHTSANPASSUNG
UND
TRAINING
.
67
3.2.4
GRADIENTENVERFAHREN
.
68
3.3
DATENAUFBEREITUNG
.
70
3.4
EIN
EINFACHES
NEURONALES
NETZ
.
71
3.4.1
VARIANTE
1
.
73
3.4.2
VARIANTE
2
.
76
3.5
NETZARCHITEKTUR
.
80
3.5.1
CONVOLUTIONAL
NEURAL
NETWORKS
.
80
3.5.2
REKURRENTE
NEURONALE
NETZE
.
84
3.6
BEKANNTE
NETZE
.
86
3.6.1
LENET
.
87
3.6.2
ALEXNET
.
87
3.6.3
VGGNET
.
87
3.6.4
YOLO
.
88
3.6.5
POSENET
.
89
3.7
DIE
FALLSTRICKE
DES
DEEP
LEARNINGS
.
89
3.8
ZUSAMMENFASSUNG
.
94
6
4
PYTHON
UND
MACHINE-LEARNING-BIBLIOTHEKEN
95
4.1
INSTALLATION
VON
PYTHON
3.6
.
95
4.1.1
UNTER
MICROSOFT
WINDOWS
.
96
4.1.2
UNTER
MACOS
.
97
4.1.3
ALTERNATIVE:
PYTHON
3.6-LNSTALLATION
MIT
ANACONDA
.
98
4.2
PROGRAMMIERUMGEBUNGEN
.
101
4.2.1
MICROSOFT
VISUAL
CODE
.
101
4.2.2
PYCHARM
CE
.
103
4.2.3
RODEO
.
106
4.2.4
SPYDER
.
107
4.3
JUPYTER
NOTEBOOK
.
108
4.4
PYTHON-BIBLIOTHEKEN
FUER
DAS
MACHINE
LEARNING
.
113
4.4.1
NUMPY
.
113
4.4.2
SCIPY
.
114
4.4.3
SCIKIT-IEARN
.
114
4.5
NUETZLICHE
ROUTINEN
MIT
NUMPY
UND
SCIKIT-IEARN
FUER
ML
.
115
4.5.1
LADEN
EINES
DATASETS
AUS
EINER
CSV-
ODER
JSON-DATEI
.
115
4.5.2
LADEN
EINES
DATASETS
AUS
DEM
WEB
.
116
4.5.3
LADEN
EINES
IN
SCIKIT-IEARN
INKLUDIERTEN
DATASETS
.
117
4.5.4
DATEN
EXPLORIEREN
UND
VISUALISIEREN
.
117
4.5.5
NORMALISIERUNG
VON
DATEN
.
118
4.6
EIN
ERSTES
MACHINE-LEARNING-BEISPIEL
.
119
4.7
ZUSAMMENFASSUNG.
123
5
TENSORFLOW
125
5.1
EINFUEHRUNG
.
125
5.2
INSTALLATION
.
128
5.2.1
INSTALLATION
VON
TENSORFLOW
UNTER
WINDOWS
.
129
5.2.2
TENSORFLOW
MIT
ALLEINIGER
CPU-UNTERSTUETZUNG
.
129
5.2.3
TENSORFLOW
MIT
CPU-UNTERSTUETZUNG
.
129
5.2.4
INSTALLATION
VON
TENSORFLOW
UNTER
MACOS
.
135
5.2.5
UEBERPRUEFUNG
DER
TENSORFLOW-LNSTALLATION
.
135
7
5.3
GRUNDKONZEPTE
.
136
5.3.1
TENSOREN
.
136
5.3.2
KONSTANTEN
.
137
5.3.3
VARIABLEN
.
140
5.3.4
GRAPHEN
.
142
5.3.5
PLATZHALTER
UND
FEED
DICTIONARY
.
147
5.3.6
OPERATIONEN
.
148
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
5.6.1
SCHRITT
1:
DATENGENERIERUNG
UND
VISUALISIERUNG
.
157
5.6.2
SCHRITT
2:
MODELL
ERSTELLEN
.
158
5.6.3
SCHRITT
3:
MODELL
TRAINIEREN
.
159
5.6.4
SCHRITT
4:
MODELL
BENUTZEN
UND
ERGEBNISSE
VISUALISIEREN
.
160
5.7
PROJEKT
2:
FASHION
MNIST
.
161
5.7.1
SCHRITT
1:
VORBEREITUNG
DER
DATEN
.
162
5.7.2
SCHRITT
2:
LADEN
DER
DATEN
.
164
5.7.3
SCHRITT
3:
MODELL
ERSTELLEN
.
166
5.7.4
SCHRITT
4:
MODELL
TRAINIEREN
.
168
5.7.5
SCHRITT
5:
MODELL
BENUTZEN
.
169
5.7.6
SCHRITT
6:
MODELL
ERWEITERN
.
169
5.8
TENSORFLOW-MODELLE
SPEICHERN
UND
LADEN
.
171
5.8.1
TF.TRAIN.SAVER()
.
171
5.8.2
MODELL
SPEICHERN
.
172
5.8.3
MODELL
WIEDERHERSTELLEN
.
173
5.8.4
TF.SAVED_MODEL.BUILDER.SAVEDMODELBUILDER()
.
174
5.8.5
MODELL
SPEICHERN
.
174
5.8.6
MODELL
WIEDERHERSTELLEN
.
176
5.9
PROJEKT
3:
KONVOLUTIONALES
NEURONALES
NETZ
MIT
TENSORFLOW
.
176
5.9.1
SCHRITT
1:
MODELL
GENERIEREN
.
176
5.9.2
SCHRITT
2:
FESTLEGUNG
DER
METRIKEN
.
180
5.9.3
SCHRITT
3:
MODELL
TRAINIEREN
.
181
5.10
HIGH-LEVEL
APIS
.
183
5.11
PROZESS
.
184
5.12
ZUSAMMENFASSUNG
.
185
8
6
KERAS
187
6.1
EINFUEHRUNG
.
187
6.2
INSTALLATION
VON
KERAS
.
188
6.2.1
K
WIE
KERAS
ODER
KONFUSION
.
188
6.3
MODELLE
ERSTELLEN
.
191
6.3.1
SEQUENTIAL
MODEL
.
191
6.3.2
FUNCTIONAL
API
.
192
6.3.3
KERAS-LAYERS
.
193
6.4 MODELLE
TRAINIEREN
.
193
6.5
MODELLE
EVALUIEREN
.
195
6.6 MODELLE
LADEN
UND
EXPORTIEREN
.
196
6.6.1
SPEICHERN
DES
MODELLS
.
196
6.6.2
SEPARATES
SPEICHERN
DER
STRUKTUR
UND
PARAMETER
DES
MODELLS
.
197
6.7
KERAS
APPLICATIONS
.
198
6.8
KERAS
CALLBACKS
.
199
6.9
BEISPIEL:
IRIS-KLASSIFIKATION
MIT
KERAS
.
200
6.9.1
DATASET
LADEN
.
201
6.9.2
MODELL
ERSTELLEN
.
202
6.9.3
MODELL
TRAINIEREN
.
202
6.9.4
MODELL
EVALUIEREN
.
202
6.9.5
MODELL
BENUTZEN
.
203
6.10
CNNS
MIT
KERAS
.
204
6.10.1
CIFAR-10-DATASET
LADEN
.
204
6.10.2
MODELL
ERSTELLEN
UND
TRAINIEREN
.
206
6.10.3
MODELL
EVALUIEREN
UND
EXPORTIEREN
.
207
6.10.4
MODELL
EXPORTIEREN
UND
BENUTZEN
.
207
6.11
RNNS
UND
LSTMS
IN
KERAS
.
209
6.11.1
VORBEREITUNG
DER
DATEN
.
209
6.11.2
MODELL
ERSTELLEN
UND
TRAINIEREN
.
212
6.11.3
MODELL
TESTEN
.
212
6.12
ZUSAMMENFASSUNG.
214
9
7
NETZE
UND
METRIKEN
VISUALISIEREN
215
7.1
TENSORBOARD
.
215
7.1.1
EINEN
GRAPHEN
VISUALISIEREN
.
216
7.1.2
METRIKEN
VISUALISIEREN
.
220
7.1.3
HISTOGRAMME
.
222
7.1.4
TEXT-DASHBOARD
.
223
7.1.5
BILDERDATENSAETZE
MIT
DEM
IMAGES-DASHBOARD
VISUALISIEREN
.
226
7.1.6
TENSORBOARD
DEBUGGER
.
228
7.2
TF_CNNVIS
.
232
7.3
VISUALISIERUNG
MIT
KERAS
.
234
7.3.1
PLOT_MODEL()
.
234
7.3.2
TENSORBOARD-CALLBACKS
.
236
7.3.3
TENSORBOARD
DEBUGGER
MIT
KERAS
.
237
7.3.4
AKTIVIERUNGEN
VISUALISIEREN
.
238
7.3.5
KERAS-METRIKEN
MIT
BOKEH
DARSTELLEN
.
242
7.4
VISUALISIERUNG
VON
CNNS
MIT
QUIVER
.
244
7.4.1
INSTALLATION
.
245
7.4.2
START
.
245
7.5
BONUS:
INTERAKTIVE
VISUALISIERUNG
MIT
KERAS-CALLBACKS,
NODE.JS
UND
HTML5
SELBST
IMPLEMENTIEREN
.
247
7.5.1
PROJEKTARCHITEKTUR
.
248
7.5.2
BENUTZUNG
VON
KERAS-CALLBACKS
.
249
7.5.3
SERVER
.
251
7.5.4
AUFBAU
DER
VISUALISIERUNG
.
254
7.5.5
START
DER
VISUALISIERUNG
.
256
7.6
WEITERE
VISUALISIERUNGSMOEGLICHKEITEN
.
258
7.6.1
NETRON
.
258
7.6.2
CONX
.
259
8
TENSORFLOW.JS
26I
8.1
ANWENDUNGSFAELLE
.
261
8.2
INSTALLATION
VON
BROWSERSYNC
.
265
8.3
INSTALLATION
VON
TENSORFLOW.JS.
266
10
8.4
KONZEPTE
.
269
8.4.1
KERAS
VS.
TENSORFLOW.JS
.
270
8.4.2
VARIABLEN
.
273
8.4.3
TENSOREN
.
274
8.4.4
OPERATIONEN
.
278
8.4.5
MODELLE
UND
SCHICHTEN
.
279
8.4.6
BILDDATEN
MIT
TF.FROMPIXELS()
EINLESEN
.
280
8.5
IHR
ERSTES
MODELL
MIT
TENSORFLOW.JS:
EINE
QUADRATISCHE
REGRESSION
.
281
8.5.1
SCHRITT
1:
INDEX.HTML-DATEI
ANLEGEN
.
282
8.5.2
SCHRITT
2:
DATEN
ANLEGEN
.
286
8.5.3
SCHRITT
3:
MODELL
ERSTELLEN
.
286
8.5.4
SCHRITT
4:
MODELL
TRAINIEREN
.
287
8.6
LADEN
UND
SPEICHERN
VON
MODELLEN
.
289
8.6.1
MODELLE
MIT
MODEL.SAVEQ
SPEICHERN
.
290
8.6.2
MODELL
LADEN
.
295
8.6.3
KERAS-MODELLE
EXPORTIEREN
UND
IN
TENSORFLOW.JS
IMPORTIEREN
.
297
8.7
POSENET-MODELL
MIT
TENSORFLOW.JS
.
298
8.7.1
SCHRITT
1:
IMPLEMENTIERUNG
DER
BENUTZERSCHNITTSTELLE
.
300
8.7.2
SCHRITT
2:
LADEN
DES
POSENET-MODELLS
.
304
8.7.3
SCHRITT
3:
SINGLE-
UND
MULTI-POSE-ERKENNUNG
.
305
8.7.4
SCHRITT
4:
ERGEBNISSE
VON
POSENET
VISUALISIEREN
.
307
8.8
TENSORFLOW.JS
NOCH
EINFACHER:
MLS.JS
.
314
9
PRAXISBEISPIELE
_
317
9.1
PROJEKT
1:
VERKEHRSZEICHENERKENNUNG
MIT
KERAS
.
318
9.1.1
SCHRITT
1:
DATASETS
.
319
9.1.2
SCHRITT
2:
DATENANALYSE
UND
VORBEREITUNG
DER
KLASSIFIKATION
.
322
9.1.3
SCHRITT
3:
MODELL
TRAINIEREN
.
324
9.1.4
SCHRITT
4:
MODELL
TESTEN
.
329
9.1.5
ERWEITERUNGSMOEGLICHKEITEN
.
332
9.2
PROJEKT
2:
INTELLIGENTE
SPURERKENNUNG
MIT
KERAS
UND
OPENCV
.
333
9.2.1
SCHRITT
1:
METHODIK
ZUR
DATENERSTELLUNG
.
334
9.2.2
SCHRITT
2:
BENUTZUNG
DER
MODELLE
.
339
9.3
PROJEKT
3:
ERKENNUNG
DER
UMGEBUNG
MIT
YOLO
UND
TENSORFLOW.JS
BZW.
MLS.JS
.
346
9.3.1
DAS
YOLO-MODELL
.
346
11
9.3.2
SCHRITT
1:
VORBEREITUNG
DES
PROJEKTS
.
349
9.3.3
SCHRITT
2:
AUFBEREITUNG
DER
OBJEKTERKENNUNG
.
350
9.3.4
SCHRITT
3:
BENUTZUNG
DES
YOLO-MODELLS
.
355
9.3.5
SCHRITT
4:
ERWEITERUNGSMOEGLICHKEITEN
.
356
9.4
PROJEKT
4:
HAUS
ODER
KATZE?
VORGEFERTIGTE
MODELLE
MIT
KERAS
BENUTZEN
-
VGG-19
.
357
9.4.1
SCHRITT
1:
VORBEREITUNG
.
358
9.4.2
SCHRITT
2:
INSTANZIIERUNG
DES
VGG-19-MODELLS
.
359
9.4.3
SCHRITT
3:
BENUTZUNG
DES
MODELLS
.
359
9.4.4
SCHRITT
4:
BENUTZUNG
WEITERER
MODELLE
UND
TESTS
.
361
9.5
PROJEKT
5:
FASHION-MNIST
MIT
TENSORFLOW-ESTIMATORS
.
364
9.5.1
SCHRITT
1:
MODELL
ERSTELLEN
MIT
TF.ESTIMATOR
.
364
9.5.2
SCHRITT
2:
MODELL
ANLEGEN
.
366
9.5.3
SCHRITT
3:
MODELL
TRAINIEREN
UND
EVALUIEREN
.
370
9.5.4
SCHRITT
4:
VORHERSAGE
MIT
PREDICTQ
.
372
9.5.5
SCHRITT
5:
BENUTZUNG
DES
MODELLS
.
373
9.5.6
BONUS:
ALTERNATIVMODELL
MIT
EINEM
DNNCIASSIFIER
.
375
9.5.7
ERWEITERUNG
.
377
9.6
PROJEKT
6:
STIMMUNGSANALYSE
MIT
KERAS
.
377
9.6.1
SCHRITT
1:
EINGABEDATEN
UND
DATENSTRUKTUR
.
377
9.6.2
SCHRITT
2:
MODELL(E)
ERSTELLEN
.
381
9.6.3
SCHRITT
3:
MODELL
TRAINIEREN
.
382
9.6.4
SCHRITT
4:
MODELL
BENUTZEN
.
383
9.7
BONUS:
SENTIMENT-ANALYSE
MIT
TENSORFLOW.JS
.
384
9.7.1
SCHRITT
1:
DIE
BENUTZERSCHNITTSTELLE
ERSTELLEN
UND
DAS
MODELL
LADEN
.
385
9.7.2
SCHRITT
2:
MODELL
BENUTZEN
.
387
9.8
ALLGEMEINE
TIPPS
UND
TRICKS
.
388
9.8.1
DATENANALYSE
.
388
9.8.2
DAS
PROBLEM
UND
DIE
AUFGABEN
EINES
MODELLS
KORREKT
DEFINIEREN
.
389
9.8.3
WIE
VIELE
VERDECKTEN
SCHICHTEN
UND
NEURONEN
BRAUCHE
ICH?
.
390
9.8.4
DIE
FALLE
DES
OVERFITTINGS
BZW.
UNDERFITTINGS
VERMEIDEN
.
391
9.8.5
DATENAUGMENTIERUNG
UND
SYNTHETISCHE
DATEN
.
392
9.8.6
NORMALISIERUNG
DER
DATEN
.
392
9.8.7
EINGABEDIMENSIONEN
VON
TENSOREN
.
393
9.8.8
HILFE,
ES
GEHT
NICHT!
.
394
12
10
AUSBLICK
397
10.1
DEEP
LEARNING
IN
DER
CLOUD
.
397
10.1.1
GOOGLE
CLOUD
MACHINE
LEARNING
.
397
10.1.2
MICROSOFT
AZU
RE
.
399
10.1.3
AMAZON
DEEP
LEARNING-AMIS
.
400
10.1.4
IBM
WATSON
SERVICES
.
402
10.1.5
ADOBE
SENSEI
.
403
10.1.6
CLOUD
ODER
NICHT
CLOUD?
.
404
10.2
KUNST
MIT
DEEP
LEARNING
.
405
10.3
GAN
UND
STILTRANSFERE
MIT
DEEP
LEARNING
.
406
10.4
MUSIK
MIT
DEEP
LEARNING
.
408
10.4.1
FLOWMACHINE
.
408
10.4.2
MAGENTA.JS
.
409
10.5
VIDEOGENERIERUNG
MIT
DEEP
LEARNING
.
410
10.6
DEEP
LEARNING
EINFACHER
GEMACHT
.
411
11
FAZIT
415
INDEX
.
419
13 |
| any_adam_object | 1 |
| author | Deru, Matthieu Ndiaye, Alassane |
| author_GND | (DE-588)1186996420 (DE-588)1187002445 |
| author_facet | Deru, Matthieu Ndiaye, Alassane |
| author_role | aut aut |
| author_sort | Deru, Matthieu |
| author_variant | m d md a n an |
| building | Verbundindex |
| bvnumber | BV045465685 |
| classification_rvk | ST 302 ST 250 ST 301 ST 300 |
| classification_tum | DAT 708f DAT 316f |
| ctrlnum | (OCoLC)1101912735 (DE-599)DNB1173724435 |
| 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>00000nam a22000008c 4500</leader><controlfield tag="001">BV045465685</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20200831</controlfield><controlfield tag="007">t|</controlfield><controlfield tag="008">190215s2019 gw a||| |||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">19,N01</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1173724435</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783836265096</subfield><subfield code="c">kart. : EUR 39.90 (DE), EUR 41.10 (AT), CHF 49.90 (freier Preis)</subfield><subfield code="9">978-3-8362-6509-6</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3836265095</subfield><subfield code="9">3-8362-6509-5</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783836265096</subfield></datafield><datafield tag="028" ind1="5" ind2="2"><subfield code="a">Bestellnummer: 459/06509</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1101912735</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1173724435</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-20</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-473</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-1028</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-1051</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 250</subfield><subfield code="0">(DE-625)143626:</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">ST 300</subfield><subfield code="0">(DE-625)143650:</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="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 316f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Deru, Matthieu</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1186996420</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Deep Learning mit TensorFlow, Keras und TensorFlow.js</subfield><subfield code="c">Matthieu Deru, Alassane Ndiaye</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Bonn</subfield><subfield code="b">Rheinwerk Verlag</subfield><subfield code="c">2019</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">423 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 16.8 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="490" ind1="0" ind2=" "><subfield code="a">Rheinwerk Computing</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Auf dem Cover: Für KI und Data Science ; Von der Aufbereitung der Daten bis zur Visualisierung ; Mit Python, HTML5 und JavaScript Deep Learning entdecken ; Mit ml5.js TensorBoard, Matplotlib, Estimators, Tf.keras, Eager Execution u.v.m.</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Keras</subfield><subfield code="g">Framework, Informatik</subfield><subfield code="0">(DE-588)1160521077</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</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">JavaScript</subfield><subfield code="0">(DE-588)4420180-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">HTML 5.0</subfield><subfield code="0">(DE-588)7704810-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Deep Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">TensorFlow.js</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">TensorFlow</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Keras</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Neuronale Netze</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Deep Neural Networks</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Deep-Learning-Netze</subfield></datafield><datafield tag="689" ind1="0" 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="0" ind2="1"><subfield code="a">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Keras</subfield><subfield code="g">Framework, Informatik</subfield><subfield code="0">(DE-588)1160521077</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">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">HTML 5.0</subfield><subfield code="0">(DE-588)7704810-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">JavaScript</subfield><subfield code="0">(DE-588)4420180-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><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">Ndiaye, Alassane</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1187002445</subfield><subfield code="4">aut</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Galileo Press</subfield><subfield code="0">(DE-588)1065964404</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="q">text/html</subfield><subfield code="u">http://deposit.dnb.de/cgi-bin/dokserv?id=9aae0cc1396444598165b2a45f5a4789&prov=M&dok_var=1&dok_ext=htm</subfield><subfield code="3">Inhaltstext</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</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=030850892&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-030850892</subfield></datafield></record></collection> |
| id | DE-604.BV045465685 |
| illustrated | Illustrated |
| indexdate | 2025-02-13T07:00:23Z |
| institution | BVB |
| institution_GND | (DE-588)1065964404 |
| isbn | 9783836265096 3836265095 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-030850892 |
| oclc_num | 1101912735 |
| open_access_boolean | |
| owner | DE-20 DE-91G DE-BY-TUM DE-473 DE-BY-UBG DE-703 DE-860 DE-1102 DE-M347 DE-1028 DE-29T DE-Aug4 DE-573 DE-859 DE-83 DE-1051 |
| owner_facet | DE-20 DE-91G DE-BY-TUM DE-473 DE-BY-UBG DE-703 DE-860 DE-1102 DE-M347 DE-1028 DE-29T DE-Aug4 DE-573 DE-859 DE-83 DE-1051 |
| physical | 423 Seiten Illustrationen, Diagramme 24 cm x 16.8 cm |
| publishDate | 2019 |
| publishDateSearch | 2019 |
| publishDateSort | 2019 |
| publisher | Rheinwerk Verlag |
| record_format | marc |
| series2 | Rheinwerk Computing |
| spelling | Deru, Matthieu Verfasser (DE-588)1186996420 aut Deep Learning mit TensorFlow, Keras und TensorFlow.js Matthieu Deru, Alassane Ndiaye 1. Auflage Bonn Rheinwerk Verlag 2019 423 Seiten Illustrationen, Diagramme 24 cm x 16.8 cm txt rdacontent n rdamedia nc rdacarrier Rheinwerk Computing Auf dem Cover: Für KI und Data Science ; Von der Aufbereitung der Daten bis zur Visualisierung ; Mit Python, HTML5 und JavaScript Deep Learning entdecken ; Mit ml5.js TensorBoard, Matplotlib, Estimators, Tf.keras, Eager Execution u.v.m. Keras Framework, Informatik (DE-588)1160521077 gnd rswk-swf Deep Learning (DE-588)1135597375 gnd rswk-swf JavaScript (DE-588)4420180-1 gnd rswk-swf Python Programmiersprache (DE-588)4434275-5 gnd rswk-swf TensorFlow (DE-588)1153577011 gnd rswk-swf HTML 5.0 (DE-588)7704810-6 gnd rswk-swf Deep Learning TensorFlow.js TensorFlow Keras Neuronale Netze Deep Neural Networks Machine Learning Deep-Learning-Netze Deep Learning (DE-588)1135597375 s TensorFlow (DE-588)1153577011 s Keras Framework, Informatik (DE-588)1160521077 s DE-604 Python Programmiersprache (DE-588)4434275-5 s HTML 5.0 (DE-588)7704810-6 s JavaScript (DE-588)4420180-1 s Ndiaye, Alassane Verfasser (DE-588)1187002445 aut Galileo Press (DE-588)1065964404 pbl X:MVB text/html http://deposit.dnb.de/cgi-bin/dokserv?id=9aae0cc1396444598165b2a45f5a4789&prov=M&dok_var=1&dok_ext=htm Inhaltstext DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030850892&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis |
| spellingShingle | Deru, Matthieu Ndiaye, Alassane Deep Learning mit TensorFlow, Keras und TensorFlow.js Keras Framework, Informatik (DE-588)1160521077 gnd Deep Learning (DE-588)1135597375 gnd JavaScript (DE-588)4420180-1 gnd Python Programmiersprache (DE-588)4434275-5 gnd TensorFlow (DE-588)1153577011 gnd HTML 5.0 (DE-588)7704810-6 gnd |
| subject_GND | (DE-588)1160521077 (DE-588)1135597375 (DE-588)4420180-1 (DE-588)4434275-5 (DE-588)1153577011 (DE-588)7704810-6 |
| title | Deep Learning mit TensorFlow, Keras und TensorFlow.js |
| title_auth | Deep Learning mit TensorFlow, Keras und TensorFlow.js |
| title_exact_search | Deep Learning mit TensorFlow, Keras und TensorFlow.js |
| title_full | Deep Learning mit TensorFlow, Keras und TensorFlow.js Matthieu Deru, Alassane Ndiaye |
| title_fullStr | Deep Learning mit TensorFlow, Keras und TensorFlow.js Matthieu Deru, Alassane Ndiaye |
| title_full_unstemmed | Deep Learning mit TensorFlow, Keras und TensorFlow.js Matthieu Deru, Alassane Ndiaye |
| title_short | Deep Learning mit TensorFlow, Keras und TensorFlow.js |
| title_sort | deep learning mit tensorflow keras und tensorflow js |
| topic | Keras Framework, Informatik (DE-588)1160521077 gnd Deep Learning (DE-588)1135597375 gnd JavaScript (DE-588)4420180-1 gnd Python Programmiersprache (DE-588)4434275-5 gnd TensorFlow (DE-588)1153577011 gnd HTML 5.0 (DE-588)7704810-6 gnd |
| topic_facet | Keras Framework, Informatik Deep Learning JavaScript Python Programmiersprache TensorFlow HTML 5.0 |
| url | http://deposit.dnb.de/cgi-bin/dokserv?id=9aae0cc1396444598165b2a45f5a4789&prov=M&dok_var=1&dok_ext=htm http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030850892&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT derumatthieu deeplearningmittensorflowkerasundtensorflowjs AT ndiayealassane deeplearningmittensorflowkerasundtensorflowjs AT galileopress deeplearningmittensorflowkerasundtensorflowjs |