Neuronale Netze programmieren mit Python von Roland Schwaiger | Ihre Einführung in die Künstliche Intelligenz. Inkl. KI-Lernumgebung und Einstieg in TensorFlow | ISBN 9783836261425

Neuronale Netze programmieren mit Python

Ihre Einführung in die Künstliche Intelligenz. Inkl. KI-Lernumgebung und Einstieg in TensorFlow

von Roland Schwaiger und Joachim Steinwendner
Mitwirkende
Autor / AutorinRoland Schwaiger
Autor / AutorinJoachim Steinwendner
Dieser Titel wurde ersetzt durch:×
Buchcover Neuronale Netze programmieren mit Python | Roland Schwaiger | EAN 9783836261425 | ISBN 3-8362-6142-1 | ISBN 978-3-8362-6142-5
Insgesamt erhält der Leser eine rundum gelungene, recht gründliche und gut verständliche Einführung ins maschinelle Lernen mit neuronalen Netzen, die durch zahlreiche Codebeispiele immer nah an der Praxis bleibt.
Entwickler bekommen hier eine Menge Theorie inklusive der mathematischen Grundlagen serviert (...).

Neuronale Netze programmieren mit Python

Ihre Einführung in die Künstliche Intelligenz. Inkl. KI-Lernumgebung und Einstieg in TensorFlow

von Roland Schwaiger und Joachim Steinwendner
Mitwirkende
Autor / AutorinRoland Schwaiger
Autor / AutorinJoachim Steinwendner
Neuronale Netze stehen im Mittelpunkt, wenn es um Künstliche Intelligenz und Machine Learning geht. Sie revolutionieren derzeit die verschiedensten Anwendungsgebiete vom Strategiespiel bis zur Bild- und Spracherkennung. In ihnen stecken geniale Ideen, die sich zum Glück einfach erklären lassen. Um sie zu verstehen und gewinnbringend einzusetzen, programmieren Sie verschiedene Netztypen selbst nach! Und zwar in Python, der Hauptsprache der KI-Welt. Sie werden sich dabei mit Mathematik und Programmierung befassen, brauchen aber keine konkreten Vorkenntnisse.
Aus dem Inhalt:
Die Grundidee hinter Neuronalen Netzen Ein einfaches Neuronales Netz aufbauen Neuronale Netze trainieren Überwachtes und unüberwachtes Lernen Einführung in TensorFlow Kompaktkurs Python Wichtige mathematische Grundlagen Reinforcement Learning Verschiedene Netzarten und ihre Anwendungsbereiche Back Propagation Deep Learning Werkzeuge für Data Scientists