Verfügbarkeit: Neuronale Netze mit C# programmieren

Neuronale Netze mit C# programmieren: mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Basler, Daniel (VerfasserIn)
Format:	Buch
Sprache:	German
Veröffentlicht:	München Hanser [2021]
Schlagworte:	Maschinelles Lernen C sharp Neuronales Netz Unternehmen Amazon Cognitive Toolkit Deep Learning Industrie 4.0 Infer.NET Machine Learning Microsoft ML Framework Predictive Analysis Tensor Flow FBITPRAL: Programmierung allgemein INF2020
Online-Zugang:	Inhaltsverzeichnis
Beschreibung:	XVI, 357 Seiten Illustrationen, Diagramme 25 cm
ISBN:	9783446462298 3446462295

Internformat

MARC


LEADER	00000nam a22000008c 4500
001	BV046425477
003	DE-604
005	20210512
007	t
008	200214s2021 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 19,N49 \|2 dnb
016	7		\|a 1200495330 \|2 DE-101
020			\|a 9783446462298 \|c hbk. : EUR 59.99 (DE), EUR 61.70 (AT) \|9 978-3-446-46229-8
020			\|a 3446462295 \|9 3-446-46229-5
024	3		\|a 9783446462298
028	5	2	\|a Bestellnummer: 553/46229
035			\|a (OCoLC)1249681418
035			\|a (DE-599)DNB1200495330
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-BY
049			\|a DE-20 \|a DE-91G \|a DE-860 \|a DE-1050 \|a DE-12 \|a DE-210 \|a DE-19 \|a DE-92 \|a DE-1046 \|a DE-859 \|a DE-898
084			\|a ST 301 \|0 (DE-625)143651: \|2 rvk
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
084			\|a DAT 758 \|2 stub
084			\|a 004 \|2 sdnb
084			\|a DAT 717 \|2 stub
100	1		\|a Basler, Daniel \|e Verfasser \|0 (DE-588)123339536X \|4 aut
245	1	0	\|a Neuronale Netze mit C# programmieren \|b mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz \|c Daniel Basler
246	1	3	\|a Neuronale Netze mit C sharp programmieren
264		1	\|a München \|b Hanser \|c [2021]
264		4	\|c ©2021
300			\|a XVI, 357 Seiten \|b Illustrationen, Diagramme \|c 25 cm
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
650	0	7	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a C sharp \|0 (DE-588)4616843-6 \|2 gnd \|9 rswk-swf
650	0	7	\|a Neuronales Netz \|0 (DE-588)4226127-2 \|2 gnd \|9 rswk-swf
650	0	7	\|a Unternehmen \|0 (DE-588)4061963-1 \|2 gnd \|9 rswk-swf
653			\|a Amazon Cognitive Toolkit
653			\|a Deep Learning
653			\|a Industrie 4.0
653			\|a Infer.NET
653			\|a Machine Learning
653			\|a Microsoft ML Framework
653			\|a Predictive Analysis
653			\|a Tensor Flow
653			\|a FBITPRAL: Programmierung allgemein
653			\|a INF2020
689	0	0	\|a Unternehmen \|0 (DE-588)4061963-1 \|D s
689	0	1	\|a Neuronales Netz \|0 (DE-588)4226127-2 \|D s
689	0	2	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0	3	\|a C sharp \|0 (DE-588)4616843-6 \|D s
689	0		\|5 DE-604
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, E-PDF \|z 978-3-446-46426-1
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, E-Pub \|z 978-3-446-46635-7
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=031837817&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-031837817

Datensatz im Suchindex

_version_	1804180973507575808
adam_text	INHALT VORWORT ............................................................................................................XIII AUFBAU DES BUCHES ...................................................................................... XV 1 KUENSTLICHE INTELLIGENZ ................................................................................ 1 1.1 GRUNDLAGEN ...................................................................................................................... 1 1.1.1 SCHWACHE KUENSTLICHE INTELLIGENZ ........................................................................ 2 1.1.2 STARKE KUENSTLICHE INTELLIGENZ ............................................................................. 3 1.1.3 HYBRIDEKUENSTLICHEINTELLIGENZ .......................................................................... 3 1.2 THEMENFELDER DER KUENSTLICHEN INTELLIGENZ ...................................................................... 4 1.2.1 MACHINE LEARNING ............................................................................................... 5 1.2.2 DEEP LEARNING ..................................................................................................... 5 1.2.3 COGNITIVE COMPUTING ......................................................................................... 6 1.2.4 BIG DATA UND DATA SCIENCE ................................................................................. 6 1.2.5 PREDICTIVE ANALYTICS ........................................................................................... 7 1.2.6 NATURAL LANGUAGE PROCESSING ............................................................................. 7 1.3 KL-SERVICE-PLATTFORMEN ..................................................................................................... 8 1.3.1 AMAZON ................................................................................................................ 8 1.3.2 GOOGLE .................................................................................................................. 9 1.3.3 MICROSOFT COGNITIVE SERVICES ........................................................................... 11 1.3.4 IBM .................................................................................................................... 12 1.4 KUENSTLICHE NEURONALE NETZE ............................................................................................ 13 1.4.1 FUNKTIONSWEISE .................................................................................................. 13 1.4.2 NETZTYPEN .......................................................................................................... 14 1.4.3 ANWENDUNGSBEREICHE ....................................................................................... 16 1.5 GRUNDBAUSTEIN NEURON ................................................................................................... 16 1.5.1 AKTIVIERUNGSFUNKTION ....................................................................................... 17 1.5.2 MATRIZENDARSTELLUNG ......................................................................................... 20 1.6 ARCHITEKTURPRINZIPIEN .................................................................................................. 21 2 KONZEPTE UND METHODEN VON MACHINE LEARNING ...................................23 2.1 ML - MACHINE LEARNING ................................................................................................ 23 2.2 ALGORITHMEN UND MODELLE ............................................................................................. 25 2.3 DIE SCHRITTE IN EINEM MACHINE-LEARNING-PROJEKT ........................................................ 26 2.4 MACHINE-LEARNING-VERFAHREN .......................................................................................... 28 2.4.1 KLASSIFIKATION ..................................................................................................... 29 2.4.2 REGRESSION ......................................................................................................... 29 2.4.3 CLUSTERING ........................................................................................................... 29 2.4.4 BAYES-KLASSIFIKATION ......................................................................................... 30 2.4.5 KUENSTLICHE NEURONALE NETZE ............................................................................. 30 2.5 LERNFORMEN ..................................................................................................................... 31 2.5.1 UEBERWACHTES LERNEN ......................................................................................... 31 2.5.2 UNUEBERWACHTES LERNEN ..................................................................................... 31 2.5.3 SEMI-UEBERWACHTES LERNEN ............................................................................... 32 2.5.4 VERSTAERKENDES LERNEN ....................................................................................... 32 2.6 MACHINE-LEARNING-ALGORITHMEN ................................................................................... 33 2.6.1 /C-NEAREST-NEIGHBOUR......................................................................................... 34 2.6.2 SUPPORT VECTOR MACHINE ................................................................................... 35 2.6.3 ENTSCHEIDUNGSBAEUME ....................................................................................... 37 2.6.4 DECISION TREE UND RANDOM-FOREST .................................................................... 38 2.6.5 CLUSTERING ........................................................................................................... 38 2.6.5.1 K-MEANS CLUSTERING ............................................................................ 38 2.6.5.2 EM-CLUSTERING ..................................................................................... 39 2.6.5.3 HIERARCHISCHE CLUSTERANALYSE ............................................................ 39 2.7 TRAINING UND VALIDIERUNG DES ML-MODELLS .................................................................... 40 2.8 DAS EINFACHE NEURONALE NETZ ......................................................................................... 41 2.9 DEEP LEARNING ................................................................................................................ 48 2.10 EINSATZGEBIETE UND ANWENDUNGEN ............................................................................... 49 3 NEURONALE NETZE ........................................................................................ 51 3.1 VOM PROBLEM ZUM KNN ................................................................................................. 51 3.2 KNN-MODELLE .................................................................................................................. 52 3.3 MATHEMATIK NEURONALER NETZE ....................................................................................... 55 3.3.1 LINEARE ALGEBRA ................................................................................................. 55 3.3.2 VEKTOR ................................................................................................................. 56 3.3.2.1 RECHNEN MIT VEKTOREN ........................................................................ 57 3.3.2.2 SKALARPRODUKT ..................................................................................... 58 3.3.3 MATRIX ................................................................................................................. 58 3.3.3.1 RECHNEN MIT MATRIZEN ........................................................................ 59 3.3.3.2 MATRIZENMULTIPLIKATION ...................................................................... 59 3.3.3.3 TRANSPONIEREN ..................................................................................... 61 3.3.4 TENSOR ................................................................................................................ 61 3.3.5 EIGENWERT-UND SINGULAERWERTZERLEGUNG .......................................................... 61 3.4 MEHRSCHICHTIGE NEURONALE NETZE ................................................................................... 62 3.4.1 MULTILAYER PERCEPTRON (MLP) ............................................................................ 62 3.5 PREDICTIVE MAINTENANCE ................................................................................................. 65 3.6 MASCHINENSIMULATION MIT MLP ..................................................................................... 67 3.6.1 DATENMODELLIERUNG ........................................................................................... 67 3.6.1.1 ZIEL DES FEEDFORWARD-NETZES .............................................................. 68 3.6.1.2 MEHRKLASSEN-KLASSIFIKATION ................................................................ 68 3.6.2 ENTWURF .............................................................................................................. 70 3.6.3 PROJEKT ANLEGEN ................................................................................................. 71 3.6.4 ERFASSUNG UND BERECHNUNG DER DATEN ............................................................ 73 3.6.5 BIAS-NEURON ...................................................................................................... 75 3.6.6 DIE PROGRAMMIERUNG ....................................................................................... 76 3.6.7 AKTIVIERUNGSFUNKTIONEN IMPLEMENTIEREN ........................................................ 85 3.6.8 FAZIT .................................................................................................................. 86 3.7 LERNALGORITHMUS FUER NEURONEN ..................................................................................... 87 3.7.1 KOSTENFUNKTION ................................................................................................. 87 3.7.2 GRADIENTENABSTIEGSVERFAHREN ........................................................................... 88 3.7.3 BACKPROPAGATION-ALGORITHMUS ......................................................................... 89 3.8 BACKPROPAGATION PROGRAMMIEREN ................................................................................. 92 3.9 IMPLEMENTIERUNG .......................................................................................................... 97 4 TRAINING VON NEURONALEN NETZEN ........................................................... 111 4.1 TRAININGS- UND TESTPHASE ............................................................................................. 111 4.1.1 GENERALISIERUNG ............................................................................................... 112 4.1.2 DIMENSIONSREDUZIERUNG ................................................................................. 112 4.2 BATCH-, INKREMENTELLES UND MINI-BATCH-TRAINING........................................................ 113 4.2.1 BATCH-TRAINING ................................................................................................. 113 4.2.2 INKREMENTELLES TRAINING ................................................................................. 113 4.2.3 MINI-BATCH-TRAINING ....................................................................................... 114 4.3 LERNPROZESS BEIM BACKPROPAGATION-ALGORITHMUS ...................................................... 114 4.3.1 PROBLEMSTELLUNG ............................................................................................... 116 4.3.2 VORBEREITEN DER DATEN ..................................................................................... 116 4.3.3 DAS NEURONALE NETZ PROGRAMMIEREN .............................................................. 117 4.3.4 BENUTZEROBERFLAECHE ......................................................................................... 118 4.3.4.1 CODE-BEHIND DER MAINWINDOW-KLASSE ............................................ 121 4.3.4.2 NUTZEN DER HOLD-OUT VALIDATION........................................................ 124 4.3.5 PROGRAMMABLAUF ............................................................................................. 127 4.3.6 DAS NEURONALE NETZ IMPLEMENTIEREN .............................................................. 127 4.3.7 AUSWERTUNG ERMITTELN ..................................................................................... 137 4.4 SIMULATIONSERGEBNIS .................................................................................................... 138 4.5 PARAMETERANPASSUNGEN ............................................................................................... 140 5 RECURRENT NEURAL NETWORKS ................................................................. 141 5.1 SEQUENZEN UND RUECKKOPPLUNG ................................................................................... 142 5.2 ARCHITEKTUR EINES RNN................................................................................................ 144 5.3 BACKPROPAGATION THROUGH TIME ................................................................................. 147 5.4 LONG SHORT-TERM MEMORY NETWORKS ........................................................................... 149 5.4.1 FUNKTIONSWEISE VON LSTMS ............................................................................ 151 5.4.1.1 FORGET-GATE ......................................................................................... 152 5.4.1.2 INPUT-GATE ......................................................................................... 152 5.4.1.3 OUTPUT-GATE ....................................................................................... 154 5.4.1.4 ZUSAMMENFASSUNG ............................................................................ 154 5.4.2 GRADIENT CLIPPING ........................................................................................... 155 5.4.3 VARIANTEN ......................................................................................................... 155 5.4.4 LSTM-IMPLEMENTIERUNG .................................................................................. 156 6 CONVOLUTIONAL NEURAL NETWORKS ........................................................... 159 6.1 AUFBAU EINES CNN ......................................................................................................... 160 6.2 DETEKTIONSTEIL ................................................................................................................. 162 6.2.1 KANTENERKENNUNG ........................................................................................... 162 6.2.2 POOLING ............................................................................................................. 164 6.2.3 SCHRITTWEITE ..................................................................................................... 165 6.2.4 2D- UND 3D-VOLUMEN ....................................................................................... 165 6.2.5 AKTIVIERUNGSFUNKTION ..................................................................................... 166 6.2.6 EIN SEHR EINFACHES CNN .................................................................................. 167 6.2.7 SUBSAMPLING ................................................................................................... 168 6.2.8 CNN MIT POOLING LAYER ................................................................................... 169 6.3 IDENTIFIKATIONSTEIL ......................................................................................................... 170 6.4 SCHLUSSBEMERKUNG ....................................................................................................... 171 7 MACHINE LEARNING FRAMEWORKS............................................................. 173 7.1 EINBINDUNG VON ML-FRAMEWORKS IN C# ...................................................................... 174 7.2 TENSORFLOW..................................................................................................................... 175 7.2.1 ABLAUF IN TENSORFLOW ..................................................................................... 176 7.2.2 DAS TENSORBOARD ............................................................................................. 177 7.2.3 BEGRIFFE ............................................................................................................. 178 7.2.4 TENSORFLOW PLAYGROUND ................................................................................. 178 7.3 KERAS ............................................................................................................................ 179 7.4 INFER.NET ....................................................................................................................... 180 7.4.1 PROBABILISTISCHE PROGRAMMIERUNG ................................................................... 181 7.4.2 ARBEITSWEISE VON INFER.NET ............................................................................ 182 7.4.3 INFER.NET-ARCHITEKTUR ..................................................................................... 184 7.4.4 INFER.NET MODELLING-API ................................................................................. 185 7.4.5 LERNEN UND TRAINIEREN ................................................................................... 186 7.4.6 INFER.NET IN DER ANWENDUNG .......................................................................... 186 7.4.7 DAS MODELL ENTWERFEN ..................................................................................... 187 7.4.8 INFER.NET ANWENDEN ....................................................................................... 188 7.5 ML.NET MIT AUTOML UND MODELBUILDER ...................................................................... 192 7.5.1 EINBINDEN VON ML.NET .................................................................................... 193 7.5.2 WAS IST AUTOML ............................................................................................... 193 7.5.3 MODEL BUILDER ................................................................................................. 195 7.5.4 EINBINDEN IN DAS PROJEKT ............................................................................... 195 7.5.5 SZENARIO ........................................................................................................... 196 7.5.6 DATEN ................................................................................................................ 197 7.5.7 TRAINING UND AUSWERTUNG ............................................................................. 200 7.5.8 DER CODE .......................................................................................................... 200 7.5.9 AUTOMATISIERT MODELLIEREN ............................................................................. 201 7.5.10 DIE KOMMANDOZEILE (CLI) ............................................................................... 207 7.5.11 DIE ZUKUNFT VON AUTOML ................................................................................. 207 7.6 BENUTZERDEFINIERTES ML.NET ...................................................................................... 208 7.6.1 ML.NET-KOMPONENTEN................................................................................... 209 7.6.2 BENUTZERDEFINIERTER WORKFLOW ....................................................................... 211 7.6.3 ERSTELLEN EINER BENUTZERDEFINIERTEN ANWENDUNG .......................................... 212 7.6.4 DATENTRANSFORMATION ....................................................................................... 214 7.6.5 ML.NET-ALGORITHMUS ..................................................................................... 215 7.6.6 ERSTELLEN UND TRAINIEREN EINES ML-MODELLS .................................................. 215 7.6.7 MODELLAUSWERTUNG ........................................................................................... 216 7.6.8 MODELLBEREITSTELLUNG ....................................................................................... 218 7.6.9 TENSORFLOW, ONNX UND ML.NET ................................................................... 218 8 SCISHARP STACK ....................................................................................... 221 8.1 TENSORFLOW.NET ............................................................................................................ 222 8.1.1 TENSORFLOW.NET-SDK INSTALLIEREN ................................................................. 222 8.1.2 TENSOR .............................................................................................................. 224 8.1.3 PLATZHALTER ...................................................................................................... 225 8.1.4 VARIABLE .......................................................................................................... 226 8.1.5 KONSTANTE ........................................................................................................ 227 8.1.6 BERECHNUNGSGRAPH ......................................................................................... 228 8.1.7 LINEARE REGRESSION ......................................................................................... 229 8.1.8 VON DER THEORIE ZUM CODE ............................................................................. 230 8.2 KERAS.NET .................................................................................................................... 233 8.2.1 KERAS.NET INSTALLIEREN ................................................................................... 233 8.2.2 MODELLE ERSTELLEN ............................................................................................ 234 8.3 NEURALNETWORK.NET .................................................................................................... 236 9 MACHINE LEARNING AS A SERVICE ............................................................ 237 9.1 AMAZON MACHINE LEARNING UND KL-SERVICES ............................................................. 238 9.1.1 AMAZON LEX .................................................................................................... 239 9.1.2 DIE LEX-CHATBOT-STRUKTUR ............................................................................... 240 9.1.3 ENTWICKELN MIT AWS-LAMBDA-FUNKTIONEN .................................................... 242 9.2 ERSTELLEN EINES LEX-CHATBOTS FUER .NET ....................................................................... 244 9.2.1 ERSTE SCHRITTE .................................................................................................... 244 9.2.2 BEISPIEL CHATBOT ............................................................................................... 245 9.2.3 INTENTS ............................................................................................................... 247 9.2.4 TESTEN SIE DEN BOT ........................................................................................... 249 9.2.5 AWS-LAMBDA-FUNKTION................................. 251 9.2.6 SLOTS ................................................................................................................. 255 9.2.7 ERROR HANDLING ................................................................................................. 255 9.2.8 KONFIGURIEREN VON COGNITO ............................................................................. 256 9.2.9 DIE WEB-APPLIKATION ....................................................................................... 257 9.3 AZURE COGNITIVE SERVICES ............................................................................................. 259 9.3.1 INTELLIGENTE KONTEXTBASIERTE SUCHFUNKTION .................................................... 260 9.3.1.1 BING-WEBSUCHE ................................................................................. 260 9.3.1.2 BING SUCHE UEBER REST API ................................................................ 262 9.3.1.3 DIE EIGENE SUCHMASCHINE .................................................................. 263 9.4 AZURE MACHINE LEARNING STUDIO ................................................................................. 269 9.4.1 ARBEITSBEREICH ................................................................................................ 269 10 ANWENDUNGEN ENTWERFEN .................................................................... 273 10.1 PREDICTIVE ANALYTICS ..................................................................................................... 273 10.1.1 FALLBEISPIEL: ENERGIEBRANCHE ......................................................................... 274 10.1.2 ZEITREIHENANALYSE ........................................................................................... 274 10.1.3 BEISPIELPROGRAMM UND ANWENDUNG DER PROGNOSE ...................................... 276 10.1.4 DEFINIEREN DER PIPELINE ................................................................................... 277 10.2 BILDKLASSIFIKATION ......................................................................................................... 280 10.2.1 BENOETIGTE DATEN ............................................................................................... 280 10.2.2 PROJEKT KONFIGURIEREN ..................................................................................... 281 10.2.3 IMPORTIEREN DES MNIST-DATENSATZES .............................................................. 283 10.2.4 AKTIVIERUNGSFUNKTION ..................................................................................... 287 10.2.5 INPUT LAYER ....................................................................................................... 288 10.2.6 HIDDEN LAYER ................................................................................................... 289 10.2.7 OUTPUT LAYER ................................................................................................... 291 10.2.8 NEURAL NETWORK ............................................................................................... 293 10.2.9 INITIALISIERUNG UND AUSWERTUNG .................................................................... 297 10.2.10 TRAINING UND BACKPROPAGATION ..................................................................... 300 10.2.11 AUSWERTUNG UND VERBESSERUNG .................................................................... 301 10.3 VISUELLE MUSTER ERKENNEN ........................................................................................... 302 10.3.1 AUFGABENSTELLUNG ............................................................................................. 302 10.3.2 CONVOLUTIONAL LAYER ......................................................................................... 303 10.3.3 POOLING LAYER .................................................................................................. 303 10.3.4 FLATTEN LAYER ................................................................................................... 305 10.3.5 FULLY CONNECTED LAYER ................................................................................... 306 10.3.6 METHODEN ......................................................................................................... 306 10.3.7 TRAINING .......................................................................................................... 307 10.4 OBJEKTERKENNUNG ........................................................................................................ 309 10.4.1 TRANSFERLERNEN MIT ML.NET .......................................................................... 310 10.4.2 NEUE BILDDATEN VORBEREITEN .......................................................................... 311 10.4.3 TRAINIERTES TENSORFLOW-MODELL VERWENDEN .................................................. 313 10.4.4 MLCONTEXT, PIPELINE UND PROGNOSE ............................................................... 315 10.5 NATURAL LANGUAGE PROCESSING ..................................................................................... 317 10.5.1 TEXTKLASSIFIKATION ........................................................................................... 318 10.5.2 MERKMALSVEKTOREN (FEATURE VECTORS) ............................................................ 320 10.5.3 TEXTERKENNUNG MIT CNN ................................................................................. 322 10.5.4 TEXTKLASSIFIKATION MIT RNN ........................................................................... 323 10.5.5 WORD EMBEDDING MIT ML.NET ....................................................................... 325 10.5.6 STOPPWOERTER .................................................................................................... 328 10.6 STANFORD CORENLP FUER .NET ......................................................................................... 331 10.7 SENTIMENT-ANALYSE ...................................................................................................... 333 10.7.1 SENTIMENT ........................................................................................................ 333 10.7.2 SENTIMENT-ANALYSE MIT ML.NET ..................................................................... 333 10.7.3 SENTIMENT-ANALYSE MIT AUTOML ..................................................................... 338 10.7.4 MODELL ERSTELLEN MIT DEM MODEL BUILDER ........................................................ 338 10.7.5 DAS MODELL ALS WEB-APP ................................................................................. 343 REFERENZEN UND QUELLEN ............................................................................... 347 STICHWORTVERZEICHNIS ..................................................................................... 351
any_adam_object	1
author	Basler, Daniel
author_GND	(DE-588)123339536X
author_facet	Basler, Daniel
author_role	aut
author_sort	Basler, Daniel
author_variant	d b db
building	Verbundindex
bvnumber	BV046425477
classification_rvk	ST 301 ST 250
classification_tum	DAT 758 DAT 717
ctrlnum	(OCoLC)1249681418 (DE-599)DNB1200495330
discipline	Informatik
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02624nam a22006738c 4500</leader><controlfield tag="001">BV046425477</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20210512 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">200214s2021 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">19,N49</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1200495330</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783446462298</subfield><subfield code="c">hbk. : EUR 59.99 (DE), EUR 61.70 (AT)</subfield><subfield code="9">978-3-446-46229-8</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3446462295</subfield><subfield code="9">3-446-46229-5</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783446462298</subfield></datafield><datafield tag="028" ind1="5" ind2="2"><subfield code="a">Bestellnummer: 553/46229</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1249681418</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1200495330</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-BY</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-20</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-210</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-898</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 250</subfield><subfield code="0">(DE-625)143626:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 758</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 717</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Basler, Daniel</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)123339536X</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Neuronale Netze mit C# programmieren</subfield><subfield code="b">mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz</subfield><subfield code="c">Daniel Basler</subfield></datafield><datafield tag="246" ind1="1" ind2="3"><subfield code="a">Neuronale Netze mit C sharp programmieren</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">München</subfield><subfield code="b">Hanser</subfield><subfield code="c">[2021]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">©2021</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XVI, 357 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">25 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">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">C sharp</subfield><subfield code="0">(DE-588)4616843-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Unternehmen</subfield><subfield code="0">(DE-588)4061963-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Amazon Cognitive Toolkit</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Deep Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Industrie 4.0</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Infer.NET</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Microsoft ML Framework</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Predictive Analysis</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Tensor Flow</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">FBITPRAL: Programmierung allgemein</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">INF2020</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Unternehmen</subfield><subfield code="0">(DE-588)4061963-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><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="3"><subfield code="a">C sharp</subfield><subfield code="0">(DE-588)4616843-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, E-PDF</subfield><subfield code="z">978-3-446-46426-1</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, E-Pub</subfield><subfield code="z">978-3-446-46635-7</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=031837817&sequence=000001&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:BVB01-031837817</subfield></datafield></record></collection>
id	DE-604.BV046425477
illustrated	Illustrated
indexdate	2024-07-10T08:44:16Z
institution	BVB
isbn	9783446462298 3446462295
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-031837817
oclc_num	1249681418
open_access_boolean
owner	DE-20 DE-91G DE-BY-TUM DE-860 DE-1050 DE-12 DE-210 DE-19 DE-BY-UBM DE-92 DE-1046 DE-859 DE-898 DE-BY-UBR
owner_facet	DE-20 DE-91G DE-BY-TUM DE-860 DE-1050 DE-12 DE-210 DE-19 DE-BY-UBM DE-92 DE-1046 DE-859 DE-898 DE-BY-UBR
physical	XVI, 357 Seiten Illustrationen, Diagramme 25 cm
publishDate	2021
publishDateSearch	2021
publishDateSort	2021
publisher	Hanser
record_format	marc
spelling	Basler, Daniel Verfasser (DE-588)123339536X aut Neuronale Netze mit C# programmieren mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz Daniel Basler Neuronale Netze mit C sharp programmieren München Hanser [2021] ©2021 XVI, 357 Seiten Illustrationen, Diagramme 25 cm txt rdacontent n rdamedia nc rdacarrier Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf C sharp (DE-588)4616843-6 gnd rswk-swf Neuronales Netz (DE-588)4226127-2 gnd rswk-swf Unternehmen (DE-588)4061963-1 gnd rswk-swf Amazon Cognitive Toolkit Deep Learning Industrie 4.0 Infer.NET Machine Learning Microsoft ML Framework Predictive Analysis Tensor Flow FBITPRAL: Programmierung allgemein INF2020 Unternehmen (DE-588)4061963-1 s Neuronales Netz (DE-588)4226127-2 s Maschinelles Lernen (DE-588)4193754-5 s C sharp (DE-588)4616843-6 s DE-604 Erscheint auch als Online-Ausgabe, E-PDF 978-3-446-46426-1 Erscheint auch als Online-Ausgabe, E-Pub 978-3-446-46635-7 DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=031837817&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis
spellingShingle	Basler, Daniel Neuronale Netze mit C# programmieren mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz Maschinelles Lernen (DE-588)4193754-5 gnd C sharp (DE-588)4616843-6 gnd Neuronales Netz (DE-588)4226127-2 gnd Unternehmen (DE-588)4061963-1 gnd
subject_GND	(DE-588)4193754-5 (DE-588)4616843-6 (DE-588)4226127-2 (DE-588)4061963-1
title	Neuronale Netze mit C# programmieren mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz
title_alt	Neuronale Netze mit C sharp programmieren
title_auth	Neuronale Netze mit C# programmieren mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz
title_exact_search	Neuronale Netze mit C# programmieren mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz
title_full	Neuronale Netze mit C# programmieren mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz Daniel Basler
title_fullStr	Neuronale Netze mit C# programmieren mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz Daniel Basler
title_full_unstemmed	Neuronale Netze mit C# programmieren mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz Daniel Basler
title_short	Neuronale Netze mit C# programmieren
title_sort	neuronale netze mit c programmieren mit praktischen beispielen fur machine learning im unternehmenseinsatz
title_sub	mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz
topic	Maschinelles Lernen (DE-588)4193754-5 gnd C sharp (DE-588)4616843-6 gnd Neuronales Netz (DE-588)4226127-2 gnd Unternehmen (DE-588)4061963-1 gnd
topic_facet	Maschinelles Lernen C sharp Neuronales Netz Unternehmen
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=031837817&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT baslerdaniel neuronalenetzemitcprogrammierenmitpraktischenbeispielenfurmachinelearningimunternehmenseinsatz AT baslerdaniel neuronalenetzemitcsharpprogrammieren

Verfügbarkeit

Es ist kein Print-Exemplar vorhanden.

Fernleihe Bestellen Achtung: Nicht im THWS-Bestand! Inhaltsverzeichnis

MARC

Datensatz im Suchindex

Es ist kein Print-Exemplar vorhanden.

Ähnliche Einträge