Verfügbarkeit: Deep Learning kompakt für Dummies

Deep Learning kompakt für Dummies:

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mueller, John Paul 1958- (VerfasserIn), Massaron, Luca (VerfasserIn)
Weitere Verfasser:	Linke, Simone (ÜbersetzerIn)
Format:	Buch
Sprache:	German
Veröffentlicht:	Weinheim Wiley-VCH 2020
Ausgabe:	1. Auflage
Schriftenreihe:	... für Dummies Lernen einfach gemacht
Schlagworte:	Deep learning Deep Learning Informatik Künstliche Intelligenz CSF0: Künstliche Intelligenz
Online-Zugang:	http://www.wiley-vch.de/publish/dt/books/ISBN978-3-527-71687-6/ Inhaltsverzeichnis
Beschreibung:	Auf dem Cover: "Die Grundlagen von Deep Learning verstehen ; die Funktionsweise von neuronalen Netzen begreifen ; Bilder klassifizieren, Texte verarbeiten"
Beschreibung:	364 Seiten Illustrationen, Diagramme 21.6 cm x 14 cm
ISBN:	9783527716876 3527716874

Internformat

MARC


LEADER	00000nam a22000008c 4500
001	BV046658266
003	DE-604
005	20221122
007	t
008	200406s2020 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 20,N06 \|2 dnb
016	7		\|a 1203961979 \|2 DE-101
020			\|a 9783527716876 \|c Pbk. : circa EUR 19.99 (DE) \|9 978-3-527-71687-6
020			\|a 3527716874 \|9 3-527-71687-4
024	3		\|a 9783527716876
035			\|a (OCoLC)1153979987
035			\|a (DE-599)DNB1203961979
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-BW
049			\|a DE-860 \|a DE-1102 \|a DE-1050 \|a DE-706 \|a DE-29T \|a DE-1043 \|a DE-898 \|a DE-1046 \|a DE-N2 \|a DE-1051 \|a DE-859 \|a DE-M347 \|a DE-20 \|a DE-523 \|a DE-573 \|a DE-1049 \|a DE-703 \|a DE-83 \|a DE-19 \|a DE-1029 \|a DE-634 \|a DE-858 \|a DE-1047 \|a DE-862 \|a DE-861 \|a DE-1052
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a 004 \|2 sdnb
100	1		\|a Mueller, John Paul \|d 1958- \|e Verfasser \|0 (DE-588)137976984 \|4 aut
240	1	0	\|a Deep learning for dummies
245	1	0	\|a Deep Learning kompakt für Dummies \|c John Paul Mueller und Luca Massaron ; Übersetzung aus dem Amerikanischen von Simone Linke
250			\|a 1. Auflage
264		1	\|a Weinheim \|b Wiley-VCH \|c 2020
300			\|a 364 Seiten \|b Illustrationen, Diagramme \|c 21.6 cm x 14 cm
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
490	0		\|a ... für Dummies
490	0		\|a Lernen einfach gemacht
500			\|a Auf dem Cover: "Die Grundlagen von Deep Learning verstehen ; die Funktionsweise von neuronalen Netzen begreifen ; Bilder klassifizieren, Texte verarbeiten"
650	0	7	\|a Deep learning \|0 (DE-588)1135597375 \|2 gnd \|9 rswk-swf
653			\|a Deep Learning
653			\|a Informatik
653			\|a Künstliche Intelligenz
653			\|a CSF0: Künstliche Intelligenz
689	0	0	\|a Deep learning \|0 (DE-588)1135597375 \|D s
689	0		\|5 DE-604
700	1		\|a Massaron, Luca \|e Verfasser \|0 (DE-588)1104968622 \|4 aut
700	1		\|a Linke, Simone \|0 (DE-588)1140737058 \|4 trl
710	2		\|a Wiley-VCH \|0 (DE-588)16179388-5 \|4 pbl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, EPUB \|z 978-3-527-82597-4
856	4	2	\|m X:MVB \|u http://www.wiley-vch.de/publish/dt/books/ISBN978-3-527-71687-6/
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=032069393&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis

Datensatz im Suchindex

DE-BY-862_location	2000
DE-BY-FWS_call_number	2000/ST 302 M946
DE-BY-FWS_katkey	759718
DE-BY-FWS_media_number	083000508695 083000508724
_version_	1806176782925168640
adam_text	INHALTSVERZEICHNIS UEBER DIE AUTOREN . 9 WIDMUNG VON JOHN MUELLER . 9 WIDMUNG VON LUCA MASSARON . 10 DANKSAGUNG VON JOHN MUELLER . 10 DANKSAGUNG VON LUCA MASSARON . 10 EINFUEHRUNG . 21 UEBER DIESES BUCH . 21 TOERICHTE ANNAHMEN UEBER DEN LESER . 23 SYMBOLE, DIE IN DIESEM BUCH VERWENDET WERDEN . 23 WEITERE RESSOURCEN . 24 WIE ES WEITERGEHT . 24 TEILI EINFUEHRUNG IN DEEP LEARNING . 27 KAPITEL 1 EINFUEHRUNG IN DEEP LEARNING. 29 DEFINITION VON DEEP LEARNING . 30 KUENSTLICHE INTELLIGENZ ALS OBERBEGRIFF . 30 DIE ROLLE DER KL . 32 MASCHINELLES LERNEN ALS TEIL DER KL . 35 DEEP LEARNING ALS FORM DES MASCHINELLEN LERNENS . 37 DEEP LEARNING IN DER PRAXIS . 39 DER PROZESS DES LERNENS . 39 AUFGABENBEWAELTIGUNG MIT DEEP LEARNING . 39 DEEP LEARNING ALS BESTANDTEIL GROESSERER ANWENDUNGEN. . 40 PROGRAMMIERUMGEBUNG FUER DEEP LEARNING . 40 DEEP LEARNING: HYPE VS. REALITAET . 43 IHRE ERSTEN SCHRITTE . 43 UNGEEIGNETE SZENARIEN FUER DEEP LEARNING . 43 KAPITEL 2 MASCHINELLES LERNEN. 45 DEFINITION VON MASCHINELLEM LERNEN . 45 FUNKTIONSWEISE VON MASCHINELLEM LERNEN . 46 LERNEN DURCH UNTERSCHIEDLICHE STRATEGIEN . 47 TRAINING, VALIDIERUNG UND TEST . 49 14 INHALTSVERZEICHNIS SUCHE NACH GENERALISIERUNGEN . 51 DER EINFLUSS VON BIAS . 51 BEACHTUNG DER KOMPLEXITAET DES MODELLS . 52 LERNSTRATEGIEN UND ARTEN VON ALGORITHMEN . 52 FUENF WESENTLICHE STRATEGIEN . 53 VERSCHIEDENE ARTEN VON ALGORITHMEN . 54 SINNVOLLE EINSATZBEREICHE FUER MASCHINELLES LERNEN . 59 ANWENDUNGSSZENARIEN FUER MASCHINELLES LERNEN . 59 DIE GRENZEN DES MASCHINELLEN LERNENS . 62 KAPITEL 3 INSTALLATION UND VERWENDUNG VON PYTHON . 65 VERWENDUNG VON PYTHON IN DIESEM BUCH . 66 INSTALLATION VON ANACONDA . 66 ANACONDA VON CONTINUUM ANALYTICS . 67 INSTALLATION VON ANACONDA UNTER LINUX . 67 INSTALLATION VON ANACONDA UNTER MAC OS X . 68 INSTALLATION VON ANACONDA UNTER WINDOWS . 70 JUPYTER NOTEBOOK . 72 VERWENDUNG VON JUPYTER NOTEBOOK . 73 VERWENDETE DATENSAETZE IN DIESEM BUCH . 79 ERSTELLEN EINER ANWENDUNG . 81 DIE ARBEIT MIT ZELLEN . 81 HINZUFUEGEN VON DOKUMENTATIONSZELLEN . 82 ANDERE ZELLARTEN . 83 EINRUECKUNG VON CODEZEILEN . 83 HINZUFUEGEN VON KOMMENTAREN . 85 WEITERE INFORMATIONEN ZU PYTHON . 88 ARBEITEN IN DER CLOUD . 89 VERWENDUNG DER DATENSAETZE UND KERNELS VON KAGGLE . 89 VERWENDUNG VON GOOGLE COLABORATORY . 89 KAPITEL 4 FRAMEWORKS FUER DEEP LEARNING. 93 DAS FRAMEWORK-PRINZIP . 94 UNTERSCHIEDE ZWISCHEN FRAMEWORKS . 94 HOHE BELIEBTHEIT VON FRAMEWORKS . 95 FRAMEWORKS SPEZIELL FUER DEEP LEARNING . 96 AUSWAHL EINES FRAMEWORKS . 97 EINFACHE FRAMEWORKS FUER DEEP LEARNING . 98 KURZVORSTELLUNG VON TENSORFLOW . 101 INHALTSVERZEICHNIS 15 TEIL II GRUNDLAGEN VON DEEP LEARNING . 113 KAPITEL 5 RECHNEN MIT MATRIZEN . 115 NOETIGE MATHEMATISCHE GRUNDLAGEN . 116 DIE ARBEIT MIT DATEN . 116 MATRIXDARSTELLUNG VON DATEN . 117 SKALAR-, VEKTOR-UND MATRIXOPERATIONEN . 118 ERZEUGUNG EINER MATRIX . 119 MULTIPLIKATION VON MATRIZEN . 121 FORTGESCHRITTENE MATRIXOPERATIONEN . 123 DATENANALYSEN MIT TENSOREN . 125 EFFEKTIVE NUTZUNG VON VEKTORISIERUNG . 127 DER LERNPROZESS ALS OPTIMIERUNG . 128 KOSTENFUNKTIONEN . 128 MINIMIERUNG DES FEHLERS . 129 DIE RICHTIGE RICHTUNG . 130 KAPITEL 6 GRUNDLAGEN DER LINEAREN REGRESSION . 133 KOMBINATION VON VARIABLEN . 134 DIE EINFACHE LINEARE REGRESSION. 134 DIE MULTIPLE LINEARE REGRESSION . 135 VERWENDUNG DES GRADIENTENABSTIEGS . 137 DIE LINEARE REGRESSION IN AKTION . 138 VERMISCHUNG VON VARIABLEN UNTERSCHIEDLICHEN TYPS . 140 MODELLIERUNG DER ANTWORTEN . 140 MODELLIERUNG DER MERKMALE . 141 UMGANG MIT KOMPLEXEN ZUSAMMENHAENGEN . 142 NUTZUNG VON WAHRSCHEINLICHKEITEN . 144 SPEZIFIKATION EINER BINAEREN ANTWORT . 144 UMWANDLUNG NUMERISCHER SCHAETZUNGEN IN WAHRSCHEINLICHKEITEN . 145 SCHAETZUNG DER RICHTIGEN MERKMALE . 148 IRREFUEHRENDE ERGEBNISSE DURCH INKOMPATIBLE MERKMALE. 148 VERMEIDUNG EINER UEBERANPASSUNG DURCH MERKMALSAUSWAHL UND REGULARISIERUNG . 149 LERNEN AUS EINZELNEN BEISPIELEN . 150 VERWENDUNG DES GRADIENTENABSTIEGS . 150 STOCHASTISCHES GRADIENTENABSTIEGSVERFAHREN . 151 16 INHALTSVERZEICHNIS KAPITEL 7 EINFUEHRUNG IN NEURONALE NETZE . 155 DAS FASZINIERENDE PERZEPTRON . 156 HOEHEN UND TIEFEN DES PERZEPTRONS . 156 DIE FUNKTIONSWEISE DES PERZEPTRONS . 157 TRENNBARE UND NICHT TRENNBARE DATEN . 158 KOMPLEXERE LERNVERFAHREN UND NEURONALE NETZE . 160 DAS NEURON ALS GRUNDBAUSTEIN . 160 VORWAERTSAUSRICHTUNG IN FEEDFORWARD-NETZEN . 162 SCHICHTEN UND NOCH MEHR SCHICHTEN . 164 LERNEN MITTELS RUECKWAERTSPROPAGIERUNG . 167 VERMEIDUNG VON UEBERANPASSUNG . 170 KAPITEL 8 ENTWURF EINES EINFACHEN NEURONALEN NETZES . 173 GRUNDLEGENDE FUNKTIONSWEISE NEURONALER NETZE . 173 DEFINITION DER GRUNDLEGENDEN ARCHITEKTUR . 175 DIE WICHTIGSTEN FUNKTIONEN EINES NEURONALEN NETZES . 176 LOESEN EINES EINFACHEN PROBLEMS . 180 EIN BLICK INS INNERE VON NEURONALEN NETZEN . 183 AUSWAHL DER RICHTIGEN AKTIVIERUNGSFUNKTION . 183 AUSWAHL EINES CLEVEREN OPTIMIERERS . 185 AUSWAHL EINER SINNVOLLEN LERNRATE . 186 KAPITEL 9 DEEP LEARNING IM DETAIL . 187 DATEN, DATEN, DATEN . 188 STRUKTURIERTE UND UNSTRUKTURIERTE DATEN . 188 MOORESCHES GESETZ . 189 DATENWACHSTUM INFOLGE DES MOORESCHEN GESETZES. 191 VORTEILE DURCH ALL DIE NEUEN DATEN . 191 INNOVATIONEN DANK DATEN . 192 RECHTZEITIGKEIT UND QUALITAET VON DATEN . 192 MEHR TEMPO BEI DER DATENVERARBEITUNG . 193 NUTZUNG LEISTUNGSSTARKER HARDWARE . 194 WEITERE INVESTITIONEN IN DEEP LEARNING . 195 NEUERUNGEN VON DEEP LEARNING . 195 IMMER MEHR SCHICHTEN . 196 BESSERE AKTIVIERUNGSFUNKTIONEN . 198 REGULARISIERUNG DURCH DROPOUT . 199 INHALTSVERZEICHNIS 17 DIE SUCHE NACH NOCH SMARTEREN LOESUNGEN . 201 KONTINUIERLICHES LERNEN (ONLINE LEARNING) . 201 UEBERTRAGUNG VON WISSEN (TRANSFER LEARNING) . 201 SIMPLE KOMPLETTLOESUNGEN (END-TO-END LEARNING) . 202 KAPITEL 10 KONVOLUTIONSNETZE. 205 BILDERKENNUNG MIT KONVOLUTIONSNETZEN . 206 GRUNDSAETZLICHER AUFBAU VON DIGITALEN BILDERN . 206 KONVOLUTIONEN (FALTUNGEN) . 208 FUNKTIONSPRINZIP VON KONVOLUTIONEN . 209 VEREINFACHTES POOLING . 212 BESCHREIBUNG DER LENET-ARCHITEKTUR . 214 ERKENNUNG VON KANTEN UND FORMEN IN BILDERN . 219 VISUALISIERUNG VON KONVOLUTIONEN . 220 EINIGE ERFOLGREICHE ARCHITEKTUREN . 222 UEBERTRAGUNG VON WISSEN (TRANSFER LEARNING) . 223 KAPITEL 11 REKURRENTE NEURONALE NETZE . 227 EINFUEHRUNG IN REKURRENTE NEURONALE NETZE . 227 MODELLIERUNG VON SEQUENZEN DURCH ERINNERUNG . 228 ERKENNUNG UND UEBERSETZUNG VON SPRACHE . 230 KORREKTE BESCHRIFTUNG VON BILDERN . 233 LSTM-ZELLEN (LONG SHORT-TERM MEMORY) . 234 UNTERSCHIEDLICHE GEDAECHTNISSE . 235 DIE LSTM-ARCHITEKTUR . 235 VERSCHIEDENE LSTM-VARIANTEN . 238 DER AUFMERKSAMKEITSMECHANISMUS . 239 TEIL III ANWENDUNG VON DEEP LEARNING. 241 KAPITEL 12 BILDKLASSIFIKATION . 243 HERAUSFORDERUNGEN BEI DER BILDKLASSIFIKATION . 244 IMAGENET UND ALTERNATIVEN . 244 ERSTELLEN VON ZUSATZBILDERN (IMAGE AUGMENTATION) . 246 UNTERSCHEIDUNG VON VERKEHRSZEICHEN . 249 VORBEREITUNG DER BILDDATEN . 250 DURCHFUEHREN EINER KLASSIFIKATION . 253 18 INHALTSVERZEICHNIS KAPITEL 13 KOMPLEXE KONVOLUTIONSNETZE . 259 UNTERSCHIEDLICHE AUFGABEN BEIM ERKENNEN VON OBJEKTEN IM BILD . 260 LOKALISIERUNG VON OBJEKTEN . 261 KLASSIFIKATION MEHRERER OBJEKTE . 262 ANNOTATION MEHRERER OBJEKTE IN BILDERN . 263 SEGMENTIERUNG VON BILDERN . 264 WAHRNEHMUNG VON OBJEKTEN IN IHRER UMGEBUNG . 265 FUNKTIONSWEISE VON RETINANET . 266 VERWENDUNG DES CODES VON KERAS RETINANET . 267 BOESWILLIGE ANGRIFFE AUF DL-ANWENDUNGEN . 272 HEIMTUECKISCHE PIXEL . 274 HACKING MIT STICKERN UND ANDEREN ARTEFAKTEN . 275 KAPITEL 14 SPRACHVERARBEITUNG . 277 VERARBEITUNG VON SPRACHE . 278 VERSTEHEN DURCH TOKENISIERUNG . 279 ZUSAMMENFUEHREN ALLER TEXTE . 281 AUSWENDIGLERNEN VON WICHTIGEN SEQUENZEN . 284 SEMANTIKANALYSE DURCH WORTEINBETTUNGEN . 284 KL FUER STIMMUNGSANALYSEN . 289 KAPITEL 15 AUTOMATISCH ERZEUGTE MUSIK UND VISUELLE KUNST. . 297 COMPUTERGENERIERTE KUNST . 298 NACHAHMUNG EINES KUENSTLERISCHEN STILS . 298 STATISTISCHE VERFAHREN ALS GRUNDLAGE . 300 DER UNTERSCHIED ZWISCHEN KREATIVITAET UND DEEP LEARNING . 302 IMITATION EINES KUENSTLERS . 303 NEUE WERKE IM STILE EINES BESTIMMTEN MALERS . 303 KOMBINATION VON STILEN ZUM ERZEUGEN NEUER WERKE . 305 UEBERZEUGENDE IMITATE MIT EINEM GAN. 305 MUSIKKOMPOSITION MIT DEEP LEARNING . 306 INHALTSVERZEICHNIS 19 KAPITEL 16 GENERATIVE ADVERSARIAL NETWORKS . 309 KONKURRIERENDE NEURONALE NETZE . 310 WETTBEWERB ALS SCHLUESSEL ZUM ERFOLG . 310 REALISTISCHERE ERGEBNISSE . 313 KOMPLEXERE GANS FUER ANSPRUCHSVOLLERE AUFGABEN . 320 REALISTISCHE IMITATE VON PROMIGESICHTERN . 321 MEHR BILDDETAILS UND BILDUEBERSETZUNG . 321 KAPITEL 17 VERSTAERKENDES LERNEN MIT DEEP LEARNING . 323 STRATEGISCHE SPIELE MIT NEURONALEN NETZEN . 324 GRUNDPRINZIP DES VERSTAERKENDEN LERNENS . 324 SIMULIERTE SPIELUMGEBUNGEN . 326 Q-IEARNING . 330 FUNKTIONSWEISE VON ALPHAGO . 333 EINE ECHTE GEWINNERSTRATEGIE . 335 SELBSTSTAENDIGES LERNEN IN GROSSEM STIL . 337 TEIL IV DER TOP-TEN-TEIL. 339 KAPITEL 18 ZEHN ANWENDUNGSSZENARIEN FUER DEEP LEARNING. . 341 KOLORIEREN VON SCHWARZ-WEISS-AUFNAHMEN . 341 ANALYSE DER KOERPERHALTUNG IN ECHTZEIT . 342 VERHALTENSANALYSEN IN ECHTZEIT . 343 UEBERSETZUNG VON SPRACHEN . 344 EINSPARUNGEN MIT SOLARANLAGEN . 345 COMPUTER ALS SPIELGEGNER . 345 ERZEUGUNG VON STIMMEN . 346 DEMOGRAFISCHE ANALYSEN . 347 KUNST BASIEREND AUF NORMALEN FOTOS . 348 VORHERSAGE VON NATURKATASTROPHEN . 348 KAPITEL 19 ZEHN UNVERZICHTBARE TOOLS FUER DEEP LEARNING . 351 KOMPILIEREN VON MATHEMATISCHEN AUSDRUECKEN MIT THEANO. . 351 STAERKUNG VON TENSORFLOW MIT KERAS . 352 20 INHALTSVERZEICHNIS DYNAMISCHE BERECHNUNG VON GRAPHEN MIT CHAINER . 353 EINRICHTUNG EINER MATLAB-AEHNLICHEN UMGEBUNG MIT TORCH. . 354 DYNAMISCHE AUSFUEHRUNG VON AUFGABEN MIT PYTORCH. 354 SCHNELLERE DL-FORSCHUNG DANK CUDA . 355 GESCHAEFTLICHE ERFOLGE MIT DEEPLEARNING4J . 357 DATA-MINING MIT NEURAL DESIGNER . 358 ALGORITHMENTRAINING MIT MICROSOFT COGNITIVE TOOLKIT (CNTK) . 359 VOLLE GPU-LEISTUNG MIT MXNET . 359 STICHWORTVERZEICHNIS . 361
adam_txt	INHALTSVERZEICHNIS UEBER DIE AUTOREN . 9 WIDMUNG VON JOHN MUELLER . 9 WIDMUNG VON LUCA MASSARON . 10 DANKSAGUNG VON JOHN MUELLER . 10 DANKSAGUNG VON LUCA MASSARON . 10 EINFUEHRUNG . 21 UEBER DIESES BUCH . 21 TOERICHTE ANNAHMEN UEBER DEN LESER . 23 SYMBOLE, DIE IN DIESEM BUCH VERWENDET WERDEN . 23 WEITERE RESSOURCEN . 24 WIE ES WEITERGEHT . 24 TEILI EINFUEHRUNG IN DEEP LEARNING . 27 KAPITEL 1 EINFUEHRUNG IN DEEP LEARNING. 29 DEFINITION VON DEEP LEARNING . 30 KUENSTLICHE INTELLIGENZ ALS OBERBEGRIFF . 30 DIE ROLLE DER KL . 32 MASCHINELLES LERNEN ALS TEIL DER KL . 35 DEEP LEARNING ALS FORM DES MASCHINELLEN LERNENS . 37 DEEP LEARNING IN DER PRAXIS . 39 DER PROZESS DES LERNENS . 39 AUFGABENBEWAELTIGUNG MIT DEEP LEARNING . 39 DEEP LEARNING ALS BESTANDTEIL GROESSERER ANWENDUNGEN. . 40 PROGRAMMIERUMGEBUNG FUER DEEP LEARNING . 40 DEEP LEARNING: HYPE VS. REALITAET . 43 IHRE ERSTEN SCHRITTE . 43 UNGEEIGNETE SZENARIEN FUER DEEP LEARNING . 43 KAPITEL 2 MASCHINELLES LERNEN. 45 DEFINITION VON MASCHINELLEM LERNEN . 45 FUNKTIONSWEISE VON MASCHINELLEM LERNEN . 46 LERNEN DURCH UNTERSCHIEDLICHE STRATEGIEN . 47 TRAINING, VALIDIERUNG UND TEST . 49 14 INHALTSVERZEICHNIS SUCHE NACH GENERALISIERUNGEN . 51 DER EINFLUSS VON BIAS . 51 BEACHTUNG DER KOMPLEXITAET DES MODELLS . 52 LERNSTRATEGIEN UND ARTEN VON ALGORITHMEN . 52 FUENF WESENTLICHE STRATEGIEN . 53 VERSCHIEDENE ARTEN VON ALGORITHMEN . 54 SINNVOLLE EINSATZBEREICHE FUER MASCHINELLES LERNEN . 59 ANWENDUNGSSZENARIEN FUER MASCHINELLES LERNEN . 59 DIE GRENZEN DES MASCHINELLEN LERNENS . 62 KAPITEL 3 INSTALLATION UND VERWENDUNG VON PYTHON . 65 VERWENDUNG VON PYTHON IN DIESEM BUCH . 66 INSTALLATION VON ANACONDA . 66 ANACONDA VON CONTINUUM ANALYTICS . 67 INSTALLATION VON ANACONDA UNTER LINUX . 67 INSTALLATION VON ANACONDA UNTER MAC OS X . 68 INSTALLATION VON ANACONDA UNTER WINDOWS . 70 JUPYTER NOTEBOOK . 72 VERWENDUNG VON JUPYTER NOTEBOOK . 73 VERWENDETE DATENSAETZE IN DIESEM BUCH . 79 ERSTELLEN EINER ANWENDUNG . 81 DIE ARBEIT MIT ZELLEN . 81 HINZUFUEGEN VON DOKUMENTATIONSZELLEN . 82 ANDERE ZELLARTEN . 83 EINRUECKUNG VON CODEZEILEN . 83 HINZUFUEGEN VON KOMMENTAREN . 85 WEITERE INFORMATIONEN ZU PYTHON . 88 ARBEITEN IN DER CLOUD . 89 VERWENDUNG DER DATENSAETZE UND KERNELS VON KAGGLE . 89 VERWENDUNG VON GOOGLE COLABORATORY . 89 KAPITEL 4 FRAMEWORKS FUER DEEP LEARNING. 93 DAS FRAMEWORK-PRINZIP . 94 UNTERSCHIEDE ZWISCHEN FRAMEWORKS . 94 HOHE BELIEBTHEIT VON FRAMEWORKS . 95 FRAMEWORKS SPEZIELL FUER DEEP LEARNING . 96 AUSWAHL EINES FRAMEWORKS . 97 EINFACHE FRAMEWORKS FUER DEEP LEARNING . 98 KURZVORSTELLUNG VON TENSORFLOW . 101 INHALTSVERZEICHNIS 15 TEIL II GRUNDLAGEN VON DEEP LEARNING . 113 KAPITEL 5 RECHNEN MIT MATRIZEN . 115 NOETIGE MATHEMATISCHE GRUNDLAGEN . 116 DIE ARBEIT MIT DATEN . 116 MATRIXDARSTELLUNG VON DATEN . 117 SKALAR-, VEKTOR-UND MATRIXOPERATIONEN . 118 ERZEUGUNG EINER MATRIX . 119 MULTIPLIKATION VON MATRIZEN . 121 FORTGESCHRITTENE MATRIXOPERATIONEN . 123 DATENANALYSEN MIT TENSOREN . 125 EFFEKTIVE NUTZUNG VON VEKTORISIERUNG . 127 DER LERNPROZESS ALS OPTIMIERUNG . 128 KOSTENFUNKTIONEN . 128 MINIMIERUNG DES FEHLERS . 129 DIE RICHTIGE RICHTUNG . 130 KAPITEL 6 GRUNDLAGEN DER LINEAREN REGRESSION . 133 KOMBINATION VON VARIABLEN . 134 DIE EINFACHE LINEARE REGRESSION. 134 DIE MULTIPLE LINEARE REGRESSION . 135 VERWENDUNG DES GRADIENTENABSTIEGS . 137 DIE LINEARE REGRESSION IN AKTION . 138 VERMISCHUNG VON VARIABLEN UNTERSCHIEDLICHEN TYPS . 140 MODELLIERUNG DER ANTWORTEN . 140 MODELLIERUNG DER MERKMALE . 141 UMGANG MIT KOMPLEXEN ZUSAMMENHAENGEN . 142 NUTZUNG VON WAHRSCHEINLICHKEITEN . 144 SPEZIFIKATION EINER BINAEREN ANTWORT . 144 UMWANDLUNG NUMERISCHER SCHAETZUNGEN IN WAHRSCHEINLICHKEITEN . 145 SCHAETZUNG DER RICHTIGEN MERKMALE . 148 IRREFUEHRENDE ERGEBNISSE DURCH INKOMPATIBLE MERKMALE. 148 VERMEIDUNG EINER UEBERANPASSUNG DURCH MERKMALSAUSWAHL UND REGULARISIERUNG . 149 LERNEN AUS EINZELNEN BEISPIELEN . 150 VERWENDUNG DES GRADIENTENABSTIEGS . 150 STOCHASTISCHES GRADIENTENABSTIEGSVERFAHREN . 151 16 INHALTSVERZEICHNIS KAPITEL 7 EINFUEHRUNG IN NEURONALE NETZE . 155 DAS FASZINIERENDE PERZEPTRON . 156 HOEHEN UND TIEFEN DES PERZEPTRONS . 156 DIE FUNKTIONSWEISE DES PERZEPTRONS . 157 TRENNBARE UND NICHT TRENNBARE DATEN . 158 KOMPLEXERE LERNVERFAHREN UND NEURONALE NETZE . 160 DAS NEURON ALS GRUNDBAUSTEIN . 160 VORWAERTSAUSRICHTUNG IN FEEDFORWARD-NETZEN . 162 SCHICHTEN UND NOCH MEHR SCHICHTEN . 164 LERNEN MITTELS RUECKWAERTSPROPAGIERUNG . 167 VERMEIDUNG VON UEBERANPASSUNG . 170 KAPITEL 8 ENTWURF EINES EINFACHEN NEURONALEN NETZES . 173 GRUNDLEGENDE FUNKTIONSWEISE NEURONALER NETZE . 173 DEFINITION DER GRUNDLEGENDEN ARCHITEKTUR . 175 DIE WICHTIGSTEN FUNKTIONEN EINES NEURONALEN NETZES . 176 LOESEN EINES EINFACHEN PROBLEMS . 180 EIN BLICK INS INNERE VON NEURONALEN NETZEN . 183 AUSWAHL DER RICHTIGEN AKTIVIERUNGSFUNKTION . 183 AUSWAHL EINES CLEVEREN OPTIMIERERS . 185 AUSWAHL EINER SINNVOLLEN LERNRATE . 186 KAPITEL 9 DEEP LEARNING IM DETAIL . 187 DATEN, DATEN, DATEN . 188 STRUKTURIERTE UND UNSTRUKTURIERTE DATEN . 188 MOORESCHES GESETZ . 189 DATENWACHSTUM INFOLGE DES MOORESCHEN GESETZES. 191 VORTEILE DURCH ALL DIE NEUEN DATEN . 191 INNOVATIONEN DANK DATEN . 192 RECHTZEITIGKEIT UND QUALITAET VON DATEN . 192 MEHR TEMPO BEI DER DATENVERARBEITUNG . 193 NUTZUNG LEISTUNGSSTARKER HARDWARE . 194 WEITERE INVESTITIONEN IN DEEP LEARNING . 195 NEUERUNGEN VON DEEP LEARNING . 195 IMMER MEHR SCHICHTEN . 196 BESSERE AKTIVIERUNGSFUNKTIONEN . 198 REGULARISIERUNG DURCH DROPOUT . 199 INHALTSVERZEICHNIS 17 DIE SUCHE NACH NOCH SMARTEREN LOESUNGEN . 201 KONTINUIERLICHES LERNEN (ONLINE LEARNING) . 201 UEBERTRAGUNG VON WISSEN (TRANSFER LEARNING) . 201 SIMPLE KOMPLETTLOESUNGEN (END-TO-END LEARNING) . 202 KAPITEL 10 KONVOLUTIONSNETZE. 205 BILDERKENNUNG MIT KONVOLUTIONSNETZEN . 206 GRUNDSAETZLICHER AUFBAU VON DIGITALEN BILDERN . 206 KONVOLUTIONEN (FALTUNGEN) . 208 FUNKTIONSPRINZIP VON KONVOLUTIONEN . 209 VEREINFACHTES POOLING . 212 BESCHREIBUNG DER LENET-ARCHITEKTUR . 214 ERKENNUNG VON KANTEN UND FORMEN IN BILDERN . 219 VISUALISIERUNG VON KONVOLUTIONEN . 220 EINIGE ERFOLGREICHE ARCHITEKTUREN . 222 UEBERTRAGUNG VON WISSEN (TRANSFER LEARNING) . 223 KAPITEL 11 REKURRENTE NEURONALE NETZE . 227 EINFUEHRUNG IN REKURRENTE NEURONALE NETZE . 227 MODELLIERUNG VON SEQUENZEN DURCH ERINNERUNG . 228 ERKENNUNG UND UEBERSETZUNG VON SPRACHE . 230 KORREKTE BESCHRIFTUNG VON BILDERN . 233 LSTM-ZELLEN (LONG SHORT-TERM MEMORY) . 234 UNTERSCHIEDLICHE GEDAECHTNISSE . 235 DIE LSTM-ARCHITEKTUR . 235 VERSCHIEDENE LSTM-VARIANTEN . 238 DER AUFMERKSAMKEITSMECHANISMUS . 239 TEIL III ANWENDUNG VON DEEP LEARNING. 241 KAPITEL 12 BILDKLASSIFIKATION . 243 HERAUSFORDERUNGEN BEI DER BILDKLASSIFIKATION . 244 IMAGENET UND ALTERNATIVEN . 244 ERSTELLEN VON ZUSATZBILDERN (IMAGE AUGMENTATION) . 246 UNTERSCHEIDUNG VON VERKEHRSZEICHEN . 249 VORBEREITUNG DER BILDDATEN . 250 DURCHFUEHREN EINER KLASSIFIKATION . 253 18 INHALTSVERZEICHNIS KAPITEL 13 KOMPLEXE KONVOLUTIONSNETZE . 259 UNTERSCHIEDLICHE AUFGABEN BEIM ERKENNEN VON OBJEKTEN IM BILD . 260 LOKALISIERUNG VON OBJEKTEN . 261 KLASSIFIKATION MEHRERER OBJEKTE . 262 ANNOTATION MEHRERER OBJEKTE IN BILDERN . 263 SEGMENTIERUNG VON BILDERN . 264 WAHRNEHMUNG VON OBJEKTEN IN IHRER UMGEBUNG . 265 FUNKTIONSWEISE VON RETINANET . 266 VERWENDUNG DES CODES VON KERAS RETINANET . 267 BOESWILLIGE ANGRIFFE AUF DL-ANWENDUNGEN . 272 HEIMTUECKISCHE PIXEL . 274 HACKING MIT STICKERN UND ANDEREN ARTEFAKTEN . 275 KAPITEL 14 SPRACHVERARBEITUNG . 277 VERARBEITUNG VON SPRACHE . 278 VERSTEHEN DURCH TOKENISIERUNG . 279 ZUSAMMENFUEHREN ALLER TEXTE . 281 AUSWENDIGLERNEN VON WICHTIGEN SEQUENZEN . 284 SEMANTIKANALYSE DURCH WORTEINBETTUNGEN . 284 KL FUER STIMMUNGSANALYSEN . 289 KAPITEL 15 AUTOMATISCH ERZEUGTE MUSIK UND VISUELLE KUNST. . 297 COMPUTERGENERIERTE KUNST . 298 NACHAHMUNG EINES KUENSTLERISCHEN STILS . 298 STATISTISCHE VERFAHREN ALS GRUNDLAGE . 300 DER UNTERSCHIED ZWISCHEN KREATIVITAET UND DEEP LEARNING . 302 IMITATION EINES KUENSTLERS . 303 NEUE WERKE IM STILE EINES BESTIMMTEN MALERS . 303 KOMBINATION VON STILEN ZUM ERZEUGEN NEUER WERKE . 305 UEBERZEUGENDE IMITATE MIT EINEM GAN. 305 MUSIKKOMPOSITION MIT DEEP LEARNING . 306 INHALTSVERZEICHNIS 19 KAPITEL 16 GENERATIVE ADVERSARIAL NETWORKS . 309 KONKURRIERENDE NEURONALE NETZE . 310 WETTBEWERB ALS SCHLUESSEL ZUM ERFOLG . 310 REALISTISCHERE ERGEBNISSE . 313 KOMPLEXERE GANS FUER ANSPRUCHSVOLLERE AUFGABEN . 320 REALISTISCHE IMITATE VON PROMIGESICHTERN . 321 MEHR BILDDETAILS UND BILDUEBERSETZUNG . 321 KAPITEL 17 VERSTAERKENDES LERNEN MIT DEEP LEARNING . 323 STRATEGISCHE SPIELE MIT NEURONALEN NETZEN . 324 GRUNDPRINZIP DES VERSTAERKENDEN LERNENS . 324 SIMULIERTE SPIELUMGEBUNGEN . 326 Q-IEARNING . 330 FUNKTIONSWEISE VON ALPHAGO . 333 EINE ECHTE GEWINNERSTRATEGIE . 335 SELBSTSTAENDIGES LERNEN IN GROSSEM STIL . 337 TEIL IV DER TOP-TEN-TEIL. 339 KAPITEL 18 ZEHN ANWENDUNGSSZENARIEN FUER DEEP LEARNING. . 341 KOLORIEREN VON SCHWARZ-WEISS-AUFNAHMEN . 341 ANALYSE DER KOERPERHALTUNG IN ECHTZEIT . 342 VERHALTENSANALYSEN IN ECHTZEIT . 343 UEBERSETZUNG VON SPRACHEN . 344 EINSPARUNGEN MIT SOLARANLAGEN . 345 COMPUTER ALS SPIELGEGNER . 345 ERZEUGUNG VON STIMMEN . 346 DEMOGRAFISCHE ANALYSEN . 347 KUNST BASIEREND AUF NORMALEN FOTOS . 348 VORHERSAGE VON NATURKATASTROPHEN . 348 KAPITEL 19 ZEHN UNVERZICHTBARE TOOLS FUER DEEP LEARNING . 351 KOMPILIEREN VON MATHEMATISCHEN AUSDRUECKEN MIT THEANO. . 351 STAERKUNG VON TENSORFLOW MIT KERAS . 352 20 INHALTSVERZEICHNIS DYNAMISCHE BERECHNUNG VON GRAPHEN MIT CHAINER . 353 EINRICHTUNG EINER MATLAB-AEHNLICHEN UMGEBUNG MIT TORCH. . 354 DYNAMISCHE AUSFUEHRUNG VON AUFGABEN MIT PYTORCH. 354 SCHNELLERE DL-FORSCHUNG DANK CUDA . 355 GESCHAEFTLICHE ERFOLGE MIT DEEPLEARNING4J . 357 DATA-MINING MIT NEURAL DESIGNER . 358 ALGORITHMENTRAINING MIT MICROSOFT COGNITIVE TOOLKIT (CNTK) . 359 VOLLE GPU-LEISTUNG MIT MXNET . 359 STICHWORTVERZEICHNIS . 361
any_adam_object	1
any_adam_object_boolean	1
author	Mueller, John Paul 1958- Massaron, Luca
author2	Linke, Simone
author2_role	trl
author2_variant	s l sl
author_GND	(DE-588)137976984 (DE-588)1104968622 (DE-588)1140737058
author_facet	Mueller, John Paul 1958- Massaron, Luca Linke, Simone
author_role	aut aut
author_sort	Mueller, John Paul 1958-
author_variant	j p m jp jpm l m lm
building	Verbundindex
bvnumber	BV046658266
classification_rvk	ST 300 ST 302
ctrlnum	(OCoLC)1153979987 (DE-599)DNB1203961979
discipline	Informatik
discipline_str_mv	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">BV046658266</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20221122</controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">200406s2020 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">20,N06</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1203961979</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783527716876</subfield><subfield code="c">Pbk. : circa EUR 19.99 (DE)</subfield><subfield code="9">978-3-527-71687-6</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3527716874</subfield><subfield code="9">3-527-71687-4</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783527716876</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1153979987</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1203961979</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-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-860</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-N2</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-1029</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-858</subfield><subfield code="a">DE-1047</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-861</subfield><subfield code="a">DE-1052</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 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Mueller, John Paul</subfield><subfield code="d">1958-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)137976984</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Deep learning for dummies</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Deep Learning kompakt für Dummies</subfield><subfield code="c">John Paul Mueller und Luca Massaron ; Übersetzung aus dem Amerikanischen von Simone Linke</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Weinheim</subfield><subfield code="b">Wiley-VCH</subfield><subfield code="c">2020</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">364 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">21.6 cm x 14 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">... für Dummies</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">Lernen einfach gemacht</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Auf dem Cover: "Die Grundlagen von Deep Learning verstehen ; die Funktionsweise von neuronalen Netzen begreifen ; Bilder klassifizieren, Texte verarbeiten"</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="653" ind1=" " ind2=" "><subfield code="a">Deep Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Informatik</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligenz</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">CSF0: Künstliche Intelligenz</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=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Massaron, Luca</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1104968622</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Linke, Simone</subfield><subfield code="0">(DE-588)1140737058</subfield><subfield code="4">trl</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Wiley-VCH</subfield><subfield code="0">(DE-588)16179388-5</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, EPUB</subfield><subfield code="z">978-3-527-82597-4</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="u">http://www.wiley-vch.de/publish/dt/books/ISBN978-3-527-71687-6/</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=032069393&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield></record></collection>
id	DE-604.BV046658266
illustrated	Illustrated
index_date	2024-07-03T14:18:45Z
indexdate	2024-08-01T11:26:47Z
institution	BVB
institution_GND	(DE-588)16179388-5
isbn	9783527716876 3527716874
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-032069393
oclc_num	1153979987
open_access_boolean
owner	DE-860 DE-1102 DE-1050 DE-706 DE-29T DE-1043 DE-898 DE-BY-UBR DE-1046 DE-N2 DE-1051 DE-859 DE-M347 DE-20 DE-523 DE-573 DE-1049 DE-703 DE-83 DE-19 DE-BY-UBM DE-1029 DE-634 DE-858 DE-1047 DE-862 DE-BY-FWS DE-861 DE-1052
owner_facet	DE-860 DE-1102 DE-1050 DE-706 DE-29T DE-1043 DE-898 DE-BY-UBR DE-1046 DE-N2 DE-1051 DE-859 DE-M347 DE-20 DE-523 DE-573 DE-1049 DE-703 DE-83 DE-19 DE-BY-UBM DE-1029 DE-634 DE-858 DE-1047 DE-862 DE-BY-FWS DE-861 DE-1052
physical	364 Seiten Illustrationen, Diagramme 21.6 cm x 14 cm
publishDate	2020
publishDateSearch	2020
publishDateSort	2020
publisher	Wiley-VCH
record_format	marc
series2	... für Dummies Lernen einfach gemacht
spellingShingle	Mueller, John Paul 1958- Massaron, Luca Deep Learning kompakt für Dummies Deep learning (DE-588)1135597375 gnd
subject_GND	(DE-588)1135597375
title	Deep Learning kompakt für Dummies
title_alt	Deep learning for dummies
title_auth	Deep Learning kompakt für Dummies
title_exact_search	Deep Learning kompakt für Dummies
title_exact_search_txtP	Deep Learning kompakt für Dummies
title_full	Deep Learning kompakt für Dummies John Paul Mueller und Luca Massaron ; Übersetzung aus dem Amerikanischen von Simone Linke
title_fullStr	Deep Learning kompakt für Dummies John Paul Mueller und Luca Massaron ; Übersetzung aus dem Amerikanischen von Simone Linke
title_full_unstemmed	Deep Learning kompakt für Dummies John Paul Mueller und Luca Massaron ; Übersetzung aus dem Amerikanischen von Simone Linke
title_short	Deep Learning kompakt für Dummies
title_sort	deep learning kompakt fur dummies
topic	Deep learning (DE-588)1135597375 gnd
topic_facet	Deep learning
url	http://www.wiley-vch.de/publish/dt/books/ISBN978-3-527-71687-6/ http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032069393&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT muellerjohnpaul deeplearningfordummies AT massaronluca deeplearningfordummies AT linkesimone deeplearningfordummies AT wileyvch deeplearningfordummies AT muellerjohnpaul deeplearningkompaktfurdummies AT massaronluca deeplearningkompaktfurdummies AT linkesimone deeplearningkompaktfurdummies AT wileyvch deeplearningkompaktfurdummies

Verfügbarkeit

Inhaltsverzeichnis

Schweinfurt Zentralbibliothek Lesesaal

Bestandesangaben von Schweinfurt Zentralbibliothek Lesesaal
Signatur:	2000 ST 302 M946
Exemplar 1	ausleihbar Verfügbar Bestellen

Schweinfurt Zentralbibliothek Lesesaal

Bestandesangaben von Schweinfurt Zentralbibliothek Lesesaal
Signatur:	2000 ST 302 M946
Exemplar 1	ausleihbar Checked out – Rückgabe bis: 01.01.2099 Vormerken

MARC

Datensatz im Suchindex

Schweinfurt Zentralbibliothek Lesesaal

Schweinfurt Zentralbibliothek Lesesaal

Ähnliche Einträge