Deep Learning – Grundlagen und Implementierung
Neuronale Netze mit Python und PyTorch programmieren
Buch in deiner Nähe kaufen
Beschreibung
Grundprinzipien und Konzepte neuronaler Netze systematisch und verständlich erklärt
- Deep-Learning-Grundlagen für Data Scientists und Softwareentwickler mit Erfahrung im Machine Learning
- Implementierung der Deep-Learning-Konzepte mit dem beliebten Framework PyTorch
- Zahlreiche Codebeispiele in Python verdeutlichen die konkrete Umsetzung
Dieses Buch vermittelt Ihnen das konzeptionelle und praktische Rüstzeug, um ein tiefes Verständnis für die Funktionsweise neuronaler Netze zu bekommen. Sie lernen die Grundprinzipien des Deep Learning kennen, zu deren Veranschaulichung Seth Weidman gut nachvollziehbare Konzeptmodelle entwickelt hat, die von Codebeispielen begleitet werden. Das Buch eignet sich für Data Scientists und Softwareentwickler mit Erfahrung im Machine Learning.
Sie beginnen mit den Basics des Deep Learning und gelangen schnell zu den Details fortgeschrittener Architekturen, indem Sie deren Aufbau von Grund auf neu implementieren. Dabei lernen Sie mehrschichtige neuronale Netze wie Convolutional und Recurrent Neural Networks kennen. Diese neuronalen Netzwerkkonzepte setzen Sie dann mit dem beliebten Framework PyTorch praktisch um. Auf diese Weise bauen Sie ein fundiertes Wissen darüber auf, wie neuronale Netze mathematisch, rechnerisch und konzeptionell funktionieren.
Autor*in
Seth Weidman
Seth Weidman ist Data Scientist. Er teilt seine Zeit auf zwischen der Lösung von Machine-Learning-Problemen bei Facebook und seinem Engagement für PyTorch. Zuvor war er im Bereich Machine Learning bei Trunk Club tätig und hat später Machine Learning und Deep Learning im Corporate Training Team von Metis unterrichtet. Seine Passion ist es, komplexe Konzepte einfach zu erklären.
Themen in »Deep Learning – Grundlagen und Implementierung«
AI Algorithmen Artificial Intelligence Data Science KI Künstliche Intelligenz Machine Learning Maschinelles Lernen Neural Networks Statistische Datenanalyse Supervised Learning Unsupervised Learning überwachtes Lernen