Holdings: Machine Learning für Softwareentwickler

Machine Learning für Softwareentwickler: von der Python-Codezeile zur Deep-Learning-Anwendung

Saved in:

Bibliographic Details
Main Author:	Perrotta, Paolo 1969- (Author)
Format:	Book
Language:	German
Published:	Heidelberg dpunkt.verlag 2020
Edition:	1. Auflage
Subjects:	Deep Learning Python > Programmiersprache Neuronales Netz Maschinelles Lernen
Online Access:	Inhaltsverzeichnis
Physical Description:	xvi, 379 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm
ISBN:	9783864907876 386490787X

Staff View

MARC


LEADER	00000nam a22000008c 4500
001	BV046803519
003	DE-604
005	20230906
007	t\|
008	200713s2020 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 20,N19 \|2 dnb
016	7		\|a 1209223031 \|2 DE-101
020			\|a 9783864907876 \|c pbk. : EUR 34.90 (DE) \|9 978-3-86490-787-6
020			\|a 386490787X \|9 3-86490-787-X
024	3		\|a 9783864907876
035			\|a (OCoLC)1197708218
035			\|a (DE-599)DNB1209223031
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-BW
049			\|a DE-1102 \|a DE-706 \|a DE-1046 \|a DE-1050 \|a DE-92 \|a DE-29T \|a DE-83 \|a DE-898 \|a DE-859 \|a DE-91G \|a DE-860 \|a DE-11 \|a DE-M347 \|a DE-739 \|a DE-573 \|a DE-19 \|a DE-20 \|a DE-634 \|a DE-703 \|a DE-Aug4 \|a DE-862 \|a DE-1028
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a ST 301 \|0 (DE-625)143651: \|2 rvk
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
084			\|a 004 \|2 sdnb
084			\|a DAT 708 \|2 stub
100	1		\|a Perrotta, Paolo \|d 1969- \|e Verfasser \|0 (DE-588)174034342 \|4 aut
245	1	0	\|a Machine Learning für Softwareentwickler \|b von der Python-Codezeile zur Deep-Learning-Anwendung \|c Paolo Perrotta
250			\|a 1. Auflage
264		1	\|a Heidelberg \|b dpunkt.verlag \|c 2020
300			\|a xvi, 379 Seiten \|b Illustrationen, Diagramme \|c 24 cm x 16.5 cm
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
650	0	7	\|a Deep Learning \|0 (DE-588)1135597375 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|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 Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd \|9 rswk-swf
689	0	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0	1	\|a Neuronales Netz \|0 (DE-588)4226127-2 \|D s
689	0	2	\|a Deep Learning \|0 (DE-588)1135597375 \|D s
689	0	3	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	0		\|5 DE-604
689	1	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	1		\|5 DE-604
710	2		\|a Dpunkt.Verlag (Heidelberg) \|0 (DE-588)6085529-0 \|4 pbl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 978-3-96910-025-7
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, EPUB \|z 978-3-96910-026-4
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, MOBI \|z 978-3-96910-027-1
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=032212208&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
943	1		\|a oai:aleph.bib-bvb.de:BVB01-032212208

Record in the Search Index

DE-BY-862_location	2000
DE-BY-FWS_call_number	2000/ST 302 P461
DE-BY-FWS_katkey	1049430
DE-BY-FWS_media_number	083000525114
_version_	1824556306262917120
adam_text	INHALT DANKSAGUNG . XV WIE UM ALLES IN DER WELT IST SO ETWAS MOEGLICH? . 1 UEBER DIESES BUCH . 2 BEVOR WIR BEGINNEN . 3 TEIL 1 VON NULL AUF BILDERKENNUNG 7 1 EINFUEHRUNG IN MACHINE LEARNING .9 PROGRAMMIERUNG UND MACHINE LEARNING IM VERGLEICH . 10 UEBERWACHTES LERNEN . 12 DIE MATHEMATIK HINTER DEM ZAUBERTRICK . 14 DAS SYSTEM EINRICHTEN . 18 2 IHR ERSTES ML-PROGRAMM . 21 DIE AUFGABENSTELLUNG . 22 PIZZAVORHERSAGE MIT UEBERWACHTEM LERNEN . 22 ZUSAMMENHAENGE IN DEN DATEN ERKENNEN .23 EINE LINEARE REGRESSION PROGRAMMIEREN .25 DAS MODELL DEFINIEREN . 26 EINE VORHERSAGE TREFFEN .28 DAS TRAINING IMPLEMENTIEREN . 29 LOS GEHT * S! . 33 BIAS HINZUFUEGEN .34 ZUSAMMENFASSUNG . 37 PRAKTISCHE UEBUNG: DIE LERNRATE OPTIMIEREN . 39 VI INHALT 3 AM GRADIENTEN ENTLANG . 41 UNSER ALGORITHMUS BRINGT ES NICHT . 42 DAS GRADIENTENVERFAHREN .43 EIN WENIG MATHEMATIK . 45 ABWAERTS . 46 DIE DRITTE DIMENSION .48 PARTIELLE ABLEITUNG . 49 DIE PROBE AUFS EXEMPEL . 51 PROBLEME BEIM GRADIENTENVERFAHREN . 53 ZUSAMMENFASSUNG .55 PRAKTISCHE UEBUNG: UEBER DAS ZIEL HINAUS .56 4 HYPERRAEUME . 57 NOCH MEHR DIMENSIONEN . 58 MATRIZENRECHNUNG . 61 MATRIZEN MULTIPLIZIEREN . 61 MATRIZEN TRANSPONIEREN . 65 DAS ML-PROGRAMM ERWEITERN . 65 DIE DATEN AUFBEREITEN .66 DIE VORHERSAGEFUNKTION ANPASSEN . 68 DIE VERLUSTFUNKTION ANPASSEN . 70 DIE GRADIENTENFUNKTION ANPASSEN . 71 DER CODE IM GANZEN . 71 BYE-BYE, BIAS! . 73 EIN LETZTER TESTLAUF . 74 ZUSAMMENFASSUNG . 75 PRAKTISCHE UEBUNG: STATISTIK IN DER PRAXIS . 75 5 EIN BINAERER KLASSIFIZIERER .77 GRENZEN DER LINEAREN REGRESSION . 78 INVASION DER SIGMOIDEN . 81 KONFIDENZ . 82 GLAETTEN . 84 DEN GRADIENTEN ANPASSEN . 86 WAS IST MIT DER MODELLFUNKTION GESCHEHEN? .87 INHALT VII KLASSIFIZIERUNG IN AKTION . 89 ZUSAMMENFASSUNG . 91 PRAKTISCHE UEBUNG: GEWICHTIGE ENTSCHEIDUNGEN . 92 6 EINE AUFGABE AUS DER PRAXIS . 93 DIE DATEN . 94 MNIST .94 TRAININGS- UND TESTDATENSATZ .96 UNSERE EIGENE MNIST-BIBLIOTHEK . 97 DIE EINGABEMATRIZEN VORBEREITEN . 97 DIE DATEN AUFBEREITEN .100 ANWENDUNG IN DER PRAXIS .102 ZUSAMMENFASSUNG .104 PRAKTISCHE UEBUNG: KNIFFLIGE ZIFFERN .104 7 DIE GROSSE HERAUSFORDERUNG .105 VON ZWEI ZU MEHR KLASSEN . 105 1 -AUS-N-CODIERUNG . 107 1 -AUS-N-CODIERUNG IN AKTION .109 DIE ANTWORTEN DES KLASSIFIZIEREN DECODIEREN .109 MEHR GEWICHTE .110 DIE MATRIXDIMENSIONEN UEBERPRUEFEN . 111 DER AUGENBLICK DER WAHRHEIT .112 ZUSAMMENFASSUNG . 115 PRAKTISCHE UEBUNG: MINENSUCHER . 115 8 DAS PERZEPTRON . 119 GESTATTEN, DAS PERZEPTRON! .119 PERZEPTRONE KOMBINIEREN . 121 DIE GRENZEN VON PERZEPTRONEN .122 LINEAR SEPARIERBARE DATEN . 123 NICHT LINEAR SEPARIERBARE DATEN . 125 DIE GESCHICHTE DES PERZEPTRONS .126 DER ENTSCHEIDENDE SCHLAG . 127 NACH WEHEN . 128 VIII INHALT TEIL 2 NEURONALE NETZE 129 9 DAS NETZ ENTWERFEN . 131 EIN NEURONALES NETZ AUS PERZEPTRONEN ZUSAMMENSTELLEN .132 PERZEPTRONE VERKETTEN . 133 WIE VIELE KNOTEN? .136 DIE SOFTMAX-FUNKTION . 137 DER ENTWURF .139 ZUSAMMENFASSUNG .140 PRAKTISCHE UEBUNG: AUF EIGENE FAUST . 141 10 DAS NETZ ERSTELLEN .143 DIE FORWARD-PROPAGATION PROGRAMMIEREN .144 DIE SOFTMAX-FUNKTION SCHREIBEN . 145 DIE KLASSIFIZIERUNGSFUNKTIONEN SCHREIBEN . 148 KREUZENTROPIE . 148 ZUSAMMENFASSUNG .150 PRAKTISCHE UEBUNG: TEST DURCH ZEITREISE . 151 11 DAS NETZ TRAINIEREN . 153 WOZU BACKPROPAGATION? .154 VON DER KETTENREGEL ZUR BACKPROPAGATION . 155 DIE KETTENREGEL IN EINEM EINFACHEN NETZ . 155 ES WIRD KOMPLIZIERTER . 157 BACKPROPAGATION ANWENDEN .160 AUF KURS BLEIBEN . 161 DEN GRADIENTEN VON W 2 BERECHNEN .162 DEN GRADIENTEN VON W 1 BERECHNEN . 163 DIE FUNKTION BACK() ERSTELLEN .165 DIE GEWICHTE INITIALISIEREN .166 GEFAEHRLICHE SYMMETRIE .166 TOTE NEURONEN . 167 KORREKTE GEWICHTSINITIALISIERUNG .169 DAS FERTIGE NEURONALE NETZ .170 ZUSAMMENFASSUNG . 173 PRAKTISCHE UEBUNG: FEHLSTART . 173 INHALT IX 12 FUNKTIONSWEISE VON KLASSIFIZIERERN .175 EINE ENTSCHEIDUNGSGRENZE EINZEICHNEN . 175 HEIMSPIEL FUER DAS PERZEPTRON . 177 KLASSIFIZIERUNG VERSTEHEN . 178 EINE GERADE REICHT NICHT AUS . 181 DIE ENTSCHEIDUNGSGRENZE KRUEMMEN .182 ZUSAMMENFASSUNG .184 PRAKTISCHE UEBUNG: ALBTRAUMDATEN . 185 13 DAS MINI-BATCH-VERFAHREN . 187 DER LERNVORGANG GRAFISCH DARGESTELLT . 188 BATCH FUER BATCH .190 BATCHES ERSTELLEN . 191 TRAINING MIT BATCHES . 193 WAS GESCHIEHT BEI VERSCHIEDENEN BATCHGROESSEN? .194 EIN ZICKZACKPFAD . 195 GROSSE UND KLEINE BATCHES . 197 VOR- UND NACHTEILE VON BATCHES . 198 ZUSAMMENFASSUNG .199 PRAKTISCHE UEBUNG: DAS KLEINSTE BATCH . 199 14 DIE KUNST DES TESTENS . 201 DIE GEFAHR DER UEBERANPASSUNG .201 DAS PROBLEM MIT DEM TESTDATENSATZ . 204 ZUSAMMENFASSUNG . 206 PRAKTISCHE UEBUNG: UEBERLEGUNGEN ZUM TESTEN . 207 15 ENTWICKLUNG . 209 DATEN AUFBEREITEN . 210 DEN WERTEBEREICH DER EINGABEVARIABLEN PRUEFEN . 211 EINGABEVARIABLEN STANDARDISIEREN . 211 STANDARDISIERUNG IN DER PRAXIS . 213 DIE HYPERPARAMETER ANPASSEN . 214 DIE ANZAHL DER EPOCHEN FESTLEGEN . 215 DIE ANZAHL DER VERDECKTEN KNOTEN EINSTELLEN . 215 DIE LERNRATE EINSTELLEN . 218 DIE BATCHGROESSE FESTLEGEN .221 XII INHALT ANHANG 323 A GRUNDLAGEN VON PYTHON 323 WIE SIEHT PYTHON-CODE AUS? 326 DYNAMISCHE TYPISIERUNG 327 EINRUECKUNGEN 327 DIE BAUSTEINE VON PYTHON 328 DATENTYPEN UND OPERATOREN 329 DATENSTRUKTUREN 330 STRINGS 331 SCHLEIFEN 332 FUNKTIONEN DEFINIEREN UND AUFRUFEN 333 SCHLUESSELWORTARGUMENTE 334 STANDARDARGUMENTE 335 MODULE UND PAKETE 335 MODULE DEFINIEREN UND IMPORTIEREN 335 DAS MAIN -IDIOM 337 PAKETE VERWALTEN 339 OBJEKTE ERSTELLEN UND VERWENDEN 341 DAS WAR * S 342 B WOERTERBUCH DES MACHINE LEARNING 345 STICHWORTVERZEICHNIS 367
adam_txt	INHALT DANKSAGUNG . XV WIE UM ALLES IN DER WELT IST SO ETWAS MOEGLICH? . 1 UEBER DIESES BUCH . 2 BEVOR WIR BEGINNEN . 3 TEIL 1 VON NULL AUF BILDERKENNUNG 7 1 EINFUEHRUNG IN MACHINE LEARNING .9 PROGRAMMIERUNG UND MACHINE LEARNING IM VERGLEICH . 10 UEBERWACHTES LERNEN . 12 DIE MATHEMATIK HINTER DEM ZAUBERTRICK . 14 DAS SYSTEM EINRICHTEN . 18 2 IHR ERSTES ML-PROGRAMM . 21 DIE AUFGABENSTELLUNG . 22 PIZZAVORHERSAGE MIT UEBERWACHTEM LERNEN . 22 ZUSAMMENHAENGE IN DEN DATEN ERKENNEN .23 EINE LINEARE REGRESSION PROGRAMMIEREN .25 DAS MODELL DEFINIEREN . 26 EINE VORHERSAGE TREFFEN .28 DAS TRAINING IMPLEMENTIEREN . 29 LOS GEHT * S! . 33 BIAS HINZUFUEGEN .34 ZUSAMMENFASSUNG . 37 PRAKTISCHE UEBUNG: DIE LERNRATE OPTIMIEREN . 39 VI INHALT 3 AM GRADIENTEN ENTLANG . 41 UNSER ALGORITHMUS BRINGT ES NICHT . 42 DAS GRADIENTENVERFAHREN .43 EIN WENIG MATHEMATIK . 45 ABWAERTS . 46 DIE DRITTE DIMENSION .48 PARTIELLE ABLEITUNG . 49 DIE PROBE AUFS EXEMPEL . 51 PROBLEME BEIM GRADIENTENVERFAHREN . 53 ZUSAMMENFASSUNG .55 PRAKTISCHE UEBUNG: UEBER DAS ZIEL HINAUS .56 4 HYPERRAEUME . 57 NOCH MEHR DIMENSIONEN . 58 MATRIZENRECHNUNG . 61 MATRIZEN MULTIPLIZIEREN . 61 MATRIZEN TRANSPONIEREN . 65 DAS ML-PROGRAMM ERWEITERN . 65 DIE DATEN AUFBEREITEN .66 DIE VORHERSAGEFUNKTION ANPASSEN . 68 DIE VERLUSTFUNKTION ANPASSEN . 70 DIE GRADIENTENFUNKTION ANPASSEN . 71 DER CODE IM GANZEN . 71 BYE-BYE, BIAS! . 73 EIN LETZTER TESTLAUF . 74 ZUSAMMENFASSUNG . 75 PRAKTISCHE UEBUNG: STATISTIK IN DER PRAXIS . 75 5 EIN BINAERER KLASSIFIZIERER .77 GRENZEN DER LINEAREN REGRESSION . 78 INVASION DER SIGMOIDEN . 81 KONFIDENZ . 82 GLAETTEN . 84 DEN GRADIENTEN ANPASSEN . 86 WAS IST MIT DER MODELLFUNKTION GESCHEHEN? .87 INHALT VII KLASSIFIZIERUNG IN AKTION . 89 ZUSAMMENFASSUNG . 91 PRAKTISCHE UEBUNG: GEWICHTIGE ENTSCHEIDUNGEN . 92 6 EINE AUFGABE AUS DER PRAXIS . 93 DIE DATEN . 94 MNIST .94 TRAININGS- UND TESTDATENSATZ .96 UNSERE EIGENE MNIST-BIBLIOTHEK . 97 DIE EINGABEMATRIZEN VORBEREITEN . 97 DIE DATEN AUFBEREITEN .100 ANWENDUNG IN DER PRAXIS .102 ZUSAMMENFASSUNG .104 PRAKTISCHE UEBUNG: KNIFFLIGE ZIFFERN .104 7 DIE GROSSE HERAUSFORDERUNG .105 VON ZWEI ZU MEHR KLASSEN . 105 1 -AUS-N-CODIERUNG . 107 1 -AUS-N-CODIERUNG IN AKTION .109 DIE ANTWORTEN DES KLASSIFIZIEREN DECODIEREN .109 MEHR GEWICHTE .110 DIE MATRIXDIMENSIONEN UEBERPRUEFEN . 111 DER AUGENBLICK DER WAHRHEIT .112 ZUSAMMENFASSUNG . 115 PRAKTISCHE UEBUNG: MINENSUCHER . 115 8 DAS PERZEPTRON . 119 GESTATTEN, DAS PERZEPTRON! .119 PERZEPTRONE KOMBINIEREN . 121 DIE GRENZEN VON PERZEPTRONEN .122 LINEAR SEPARIERBARE DATEN . 123 NICHT LINEAR SEPARIERBARE DATEN . 125 DIE GESCHICHTE DES PERZEPTRONS .126 DER ENTSCHEIDENDE SCHLAG . 127 NACH WEHEN . 128 VIII INHALT TEIL 2 NEURONALE NETZE 129 9 DAS NETZ ENTWERFEN . 131 EIN NEURONALES NETZ AUS PERZEPTRONEN ZUSAMMENSTELLEN .132 PERZEPTRONE VERKETTEN . 133 WIE VIELE KNOTEN? .136 DIE SOFTMAX-FUNKTION . 137 DER ENTWURF .139 ZUSAMMENFASSUNG .140 PRAKTISCHE UEBUNG: AUF EIGENE FAUST . 141 10 DAS NETZ ERSTELLEN .143 DIE FORWARD-PROPAGATION PROGRAMMIEREN .144 DIE SOFTMAX-FUNKTION SCHREIBEN . 145 DIE KLASSIFIZIERUNGSFUNKTIONEN SCHREIBEN . 148 KREUZENTROPIE . 148 ZUSAMMENFASSUNG .150 PRAKTISCHE UEBUNG: TEST DURCH ZEITREISE . 151 11 DAS NETZ TRAINIEREN . 153 WOZU BACKPROPAGATION? .154 VON DER KETTENREGEL ZUR BACKPROPAGATION . 155 DIE KETTENREGEL IN EINEM EINFACHEN NETZ . 155 ES WIRD KOMPLIZIERTER . 157 BACKPROPAGATION ANWENDEN .160 AUF KURS BLEIBEN . 161 DEN GRADIENTEN VON W 2 BERECHNEN .162 DEN GRADIENTEN VON W 1 BERECHNEN . 163 DIE FUNKTION BACK() ERSTELLEN .165 DIE GEWICHTE INITIALISIEREN .166 GEFAEHRLICHE SYMMETRIE .166 TOTE NEURONEN . 167 KORREKTE GEWICHTSINITIALISIERUNG .169 DAS FERTIGE NEURONALE NETZ .170 ZUSAMMENFASSUNG . 173 PRAKTISCHE UEBUNG: FEHLSTART . 173 INHALT IX 12 FUNKTIONSWEISE VON KLASSIFIZIERERN .175 EINE ENTSCHEIDUNGSGRENZE EINZEICHNEN . 175 HEIMSPIEL FUER DAS PERZEPTRON . 177 KLASSIFIZIERUNG VERSTEHEN . 178 EINE GERADE REICHT NICHT AUS . 181 DIE ENTSCHEIDUNGSGRENZE KRUEMMEN .182 ZUSAMMENFASSUNG .184 PRAKTISCHE UEBUNG: ALBTRAUMDATEN . 185 13 DAS MINI-BATCH-VERFAHREN . 187 DER LERNVORGANG GRAFISCH DARGESTELLT . 188 BATCH FUER BATCH .190 BATCHES ERSTELLEN . 191 TRAINING MIT BATCHES . 193 WAS GESCHIEHT BEI VERSCHIEDENEN BATCHGROESSEN? .194 EIN ZICKZACKPFAD . 195 GROSSE UND KLEINE BATCHES . 197 VOR- UND NACHTEILE VON BATCHES . 198 ZUSAMMENFASSUNG .199 PRAKTISCHE UEBUNG: DAS KLEINSTE BATCH . 199 14 DIE KUNST DES TESTENS . 201 DIE GEFAHR DER UEBERANPASSUNG .201 DAS PROBLEM MIT DEM TESTDATENSATZ . 204 ZUSAMMENFASSUNG . 206 PRAKTISCHE UEBUNG: UEBERLEGUNGEN ZUM TESTEN . 207 15 ENTWICKLUNG . 209 DATEN AUFBEREITEN . 210 DEN WERTEBEREICH DER EINGABEVARIABLEN PRUEFEN . 211 EINGABEVARIABLEN STANDARDISIEREN . 211 STANDARDISIERUNG IN DER PRAXIS . 213 DIE HYPERPARAMETER ANPASSEN . 214 DIE ANZAHL DER EPOCHEN FESTLEGEN . 215 DIE ANZAHL DER VERDECKTEN KNOTEN EINSTELLEN . 215 DIE LERNRATE EINSTELLEN . 218 DIE BATCHGROESSE FESTLEGEN .221 XII INHALT ANHANG 323 A GRUNDLAGEN VON PYTHON 323 WIE SIEHT PYTHON-CODE AUS? 326 DYNAMISCHE TYPISIERUNG 327 EINRUECKUNGEN 327 DIE BAUSTEINE VON PYTHON 328 DATENTYPEN UND OPERATOREN 329 DATENSTRUKTUREN 330 STRINGS 331 SCHLEIFEN 332 FUNKTIONEN DEFINIEREN UND AUFRUFEN 333 SCHLUESSELWORTARGUMENTE 334 STANDARDARGUMENTE 335 MODULE UND PAKETE 335 MODULE DEFINIEREN UND IMPORTIEREN 335 DAS MAIN -IDIOM 337 PAKETE VERWALTEN 339 OBJEKTE ERSTELLEN UND VERWENDEN 341 DAS WAR * S 342 B WOERTERBUCH DES MACHINE LEARNING 345 STICHWORTVERZEICHNIS 367
any_adam_object	1
any_adam_object_boolean	1
author	Perrotta, Paolo 1969-
author_GND	(DE-588)174034342
author_facet	Perrotta, Paolo 1969-
author_role	aut
author_sort	Perrotta, Paolo 1969-
author_variant	p p pp
building	Verbundindex
bvnumber	BV046803519
classification_rvk	ST 300 ST 301 ST 302 ST 250
classification_tum	DAT 708
ctrlnum	(OCoLC)1197708218 (DE-599)DNB1209223031
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">BV046803519</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20230906</controlfield><controlfield tag="007">t\|</controlfield><controlfield tag="008">200713s2020 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">20,N19</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1209223031</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783864907876</subfield><subfield code="c">pbk. : EUR 34.90 (DE)</subfield><subfield code="9">978-3-86490-787-6</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">386490787X</subfield><subfield code="9">3-86490-787-X</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783864907876</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1197708218</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1209223031</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-1102</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-1028</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 301</subfield><subfield code="0">(DE-625)143651:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">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">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 708</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Perrotta, Paolo</subfield><subfield code="d">1969-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)174034342</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Machine Learning für Softwareentwickler</subfield><subfield code="b">von der Python-Codezeile zur Deep-Learning-Anwendung</subfield><subfield code="c">Paolo Perrotta</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">dpunkt.verlag</subfield><subfield code="c">2020</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">xvi, 379 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 16.5 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">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">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">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="689" ind1="0" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">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">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><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="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Dpunkt.Verlag (Heidelberg)</subfield><subfield code="0">(DE-588)6085529-0</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, PDF</subfield><subfield code="z">978-3-96910-025-7</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">978-3-96910-026-4</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, MOBI</subfield><subfield code="z">978-3-96910-027-1</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=032212208&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:BVB01-032212208</subfield></datafield></record></collection>
id	DE-604.BV046803519
illustrated	Illustrated
index_date	2024-07-03T14:56:39Z
indexdate	2025-02-20T07:21:28Z
institution	BVB
institution_GND	(DE-588)6085529-0
isbn	9783864907876 386490787X
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-032212208
oclc_num	1197708218
open_access_boolean
owner	DE-1102 DE-706 DE-1046 DE-1050 DE-92 DE-29T DE-83 DE-898 DE-BY-UBR DE-859 DE-91G DE-BY-TUM DE-860 DE-11 DE-M347 DE-739 DE-573 DE-19 DE-BY-UBM DE-20 DE-634 DE-703 DE-Aug4 DE-862 DE-BY-FWS DE-1028
owner_facet	DE-1102 DE-706 DE-1046 DE-1050 DE-92 DE-29T DE-83 DE-898 DE-BY-UBR DE-859 DE-91G DE-BY-TUM DE-860 DE-11 DE-M347 DE-739 DE-573 DE-19 DE-BY-UBM DE-20 DE-634 DE-703 DE-Aug4 DE-862 DE-BY-FWS DE-1028
physical	xvi, 379 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm
publishDate	2020
publishDateSearch	2020
publishDateSort	2020
publisher	dpunkt.verlag
record_format	marc
spellingShingle	Perrotta, Paolo 1969- Machine Learning für Softwareentwickler von der Python-Codezeile zur Deep-Learning-Anwendung Deep Learning (DE-588)1135597375 gnd Python Programmiersprache (DE-588)4434275-5 gnd Neuronales Netz (DE-588)4226127-2 gnd Maschinelles Lernen (DE-588)4193754-5 gnd
subject_GND	(DE-588)1135597375 (DE-588)4434275-5 (DE-588)4226127-2 (DE-588)4193754-5
title	Machine Learning für Softwareentwickler von der Python-Codezeile zur Deep-Learning-Anwendung
title_auth	Machine Learning für Softwareentwickler von der Python-Codezeile zur Deep-Learning-Anwendung
title_exact_search	Machine Learning für Softwareentwickler von der Python-Codezeile zur Deep-Learning-Anwendung
title_exact_search_txtP	Machine Learning für Softwareentwickler von der Python-Codezeile zur Deep-Learning-Anwendung
title_full	Machine Learning für Softwareentwickler von der Python-Codezeile zur Deep-Learning-Anwendung Paolo Perrotta
title_fullStr	Machine Learning für Softwareentwickler von der Python-Codezeile zur Deep-Learning-Anwendung Paolo Perrotta
title_full_unstemmed	Machine Learning für Softwareentwickler von der Python-Codezeile zur Deep-Learning-Anwendung Paolo Perrotta
title_short	Machine Learning für Softwareentwickler
title_sort	machine learning fur softwareentwickler von der python codezeile zur deep learning anwendung
title_sub	von der Python-Codezeile zur Deep-Learning-Anwendung
topic	Deep Learning (DE-588)1135597375 gnd Python Programmiersprache (DE-588)4434275-5 gnd Neuronales Netz (DE-588)4226127-2 gnd Maschinelles Lernen (DE-588)4193754-5 gnd
topic_facet	Deep Learning Python Programmiersprache Neuronales Netz Maschinelles Lernen
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032212208&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT perrottapaolo machinelearningfursoftwareentwicklervonderpythoncodezeilezurdeeplearninganwendung AT dpunktverlagheidelberg machinelearningfursoftwareentwicklervonderpythoncodezeilezurdeeplearninganwendung

Holdings

Indexes

THWS Schweinfurt Zentralbibliothek Lesesaal

Holdings details from THWS Schweinfurt Zentralbibliothek Lesesaal
Call Number:	2000 ST 302 P461
Copy 1	ausleihbar Available Place a Hold

MARC

Record in the Search Index

THWS Schweinfurt Zentralbibliothek Lesesaal

Similar Items