|
|
|
|
LEADER |
07993cam a2200841 4500 |
001 |
183-1041617607 |
003 |
DE-627 |
005 |
20220726193929.0 |
007 |
cr uuu---uuuuu |
008 |
181204s2018 gw |||||o 00| ||ger c |
020 |
|
|
|a 9783958457010
|c : electronic bk.
|9 978-3-95845-701-0
|
035 |
|
|
|a (DE-627)1041617607
|
035 |
|
|
|a (DE-599)GBV1041617607
|
035 |
|
|
|a (EBC)EBC5598176
|
035 |
|
|
|a (EBL)EBL5598176
|
035 |
|
|
|a (EBP)03829883X
|
040 |
|
|
|a DE-627
|b ger
|c DE-627
|e rda
|
041 |
|
|
|a ger
|
044 |
|
|
|c XA-DE-NW
|
082 |
0 |
|
|a 006.31
|
082 |
0 |
4 |
|a 004
|
084 |
|
|
|a ST 300
|2 rvk
|0 (DE-625)rvk/143650:
|
084 |
|
|
|a ST 302
|2 rvk
|0 (DE-625)rvk/143652:
|
084 |
|
|
|a 54.72
|2 bkl
|
100 |
1 |
|
|a Goodfellow, Ian
|d 1987-
|e VerfasserIn
|0 (DE-588)112365512X
|0 (DE-627)877327394
|0 (DE-576)481865705
|4 aut
|
245 |
1 |
0 |
|a Deep Learning
|b das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze
|c Ian Goodfellow, Yoshua Bengio, Aaron Courville ; Übersetzung aus dem Amerikanischen von Guido Lenz
|
250 |
|
|
|a 1. Auflage
|
264 |
|
1 |
|a Frechen
|b mitp
|c 2018
|
300 |
|
|
|a 1 Online-Ressource (xxii, 883 Seiten)
|b Illustrationen, Diagramme
|
336 |
|
|
|a Text
|b txt
|2 rdacontent
|
337 |
|
|
|a Computermedien
|b c
|2 rdamedia
|
338 |
|
|
|a Online-Ressource
|b cr
|2 rdacarrier
|
500 |
|
|
|a Literaturverzeichnis: Seite 813-870
|
520 |
|
|
|a Mathematische Grundlagen für Machine und Deep Learning Umfassende Behandlung zeitgemäßer Verfahren: tiefe Feedforward-Netze, Regularisierung, Performance-Optimierung sowie CNNs, Rekurrente und Rekursive Neuronale Netze Zukunftsweisende Deep-Learning-Ansätze sowie von Ian Goodfellow neu entwickelte Konzepte wie Generative Adversarial Networks Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning. In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt. In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf. Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt. Teil I: Angewandte Mathematik und Grundlagen für das Machine Learning Lineare Algebra Wahrscheinlichkeits- und Informationstheorie Bayessche Statistik Numerische Berechnung Teil II: Deep-Learning-Verfahren Tiefe Feedforward-Netze Regularisierung Optimierung beim Trainieren tiefer Modelle Convolutional Neural Networks Sequenzmodellierung für Rekurrente und Rekursive Netze Praxisorientierte Methodologie Anwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher Sprache Teil III: Deep-Learning-Forschung Lineare Faktorenmodelle Autoencoder Representation Learning Probabilistische graphische Modelle Monte-Carlo-Verfahren Die Partitionsfunktion Approximative Inferenz Tiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m.
|
650 |
|
0 |
|a Machine learning
|2 DE-289
|
650 |
|
4 |
|a Machine learning
|
650 |
|
4 |
|a Electronic books
|
689 |
0 |
0 |
|D s
|0 (DE-588)4193754-5
|0 (DE-627)105224782
|0 (DE-576)21008944X
|a Maschinelles Lernen
|2 gnd
|
689 |
0 |
1 |
|D s
|0 (DE-588)4035811-2
|0 (DE-627)10624566X
|0 (DE-576)209014903
|a Lineare Algebra
|2 gnd
|
689 |
0 |
2 |
|D s
|0 (DE-588)4128130-5
|0 (DE-627)104653515
|0 (DE-576)209599480
|a Numerisches Verfahren
|2 gnd
|
689 |
0 |
3 |
|D s
|0 (DE-588)4575639-9
|0 (DE-627)325115648
|0 (DE-576)213881209
|a Feedforward-Netz
|2 gnd
|
689 |
0 |
4 |
|D s
|0 (DE-588)4226127-2
|0 (DE-627)104455810
|0 (DE-576)210311614
|a Neuronales Netz
|2 gnd
|
689 |
0 |
|
|5 DE-101
|
689 |
1 |
0 |
|D s
|0 (DE-588)1135597375
|0 (DE-627)890512922
|0 (DE-576)489847412
|a Deep learning
|2 gnd
|
689 |
1 |
1 |
|D s
|0 (DE-588)4193754-5
|0 (DE-627)105224782
|0 (DE-576)21008944X
|a Maschinelles Lernen
|2 gnd
|
689 |
1 |
|
|5 (DE-627)
|
700 |
1 |
|
|a Bengio, Yoshua
|e VerfasserIn
|0 (DE-588)1126443166
|0 (DE-627)880916370
|0 (DE-576)174970420
|4 aut
|
700 |
1 |
|
|a Courville, Aaron
|e VerfasserIn
|0 (DE-588)1171761546
|0 (DE-627)1040703402
|0 (DE-576)513847170
|4 aut
|
700 |
1 |
|
|a Lenz, Guido
|e ÜbersetzerIn
|4 trl
|
776 |
1 |
|
|z 9783958457003
|
776 |
0 |
8 |
|i Erscheint auch als
|n Druck-Ausgabe
|a Goodfellow, Ian, 1987 -
|t Deep Learning
|b 1. Auflage
|d Frechen : mitp, 2018
|h xxii, 883 Seiten
|w (DE-627)1633735990
|w (DE-576)49992505X
|z 9783958457003
|z 3958457002
|
856 |
4 |
0 |
|u https://ebookcentral.proquest.com/lib/kxp/detail.action?docID=5598176
|x Aggregator
|3 Volltext
|
912 |
0 |
|
|a ZDB-30-PQE
|
924 |
1 |
|
|a 3539674705
|b DE-18
|9 18
|c GBV
|d d
|k https://ebookcentral.proquest.com/lib/subhh/detail.action?docID=5598176
|k http://emedien.sub.uni-hamburg.de/han/proquest-ebook-central/ebookcentral.proquest.com/lib/subhh/detail.action?docID=5598176
|
924 |
1 |
|
|a 1850562008
|b DE-104
|9 104
|c GBV
|d d
|g 2019 EB 107
|k https://ebookcentral.proquest.com/lib/tuclausthal-ebooks/detail.action?docID=5598176
|
924 |
1 |
|
|a 359632890X
|b DE-Ilm1
|9 Ilm 1
|c GBV
|d d
|g INF 2020
|h Internet
|k https://ebookcentral.proquest.com/lib/ubilm-ebooks/detail.action?docID=5598176
|
924 |
1 |
|
|a 3582878805
|b DE-18-302
|9 18/xxx
|c GBV
|d d
|g E-Book
|h HIBS-E
|k https://ebookcentral.proquest.com/lib/hawhamburg-ebooks/detail.action?docID=5598176
|
924 |
1 |
|
|a 3469292108
|b DE-7
|9 7
|c GBV
|d d
|k http://han.sub.uni-goettingen.de/han/ebookcentral1/ebookcentral.proquest.com/lib/subgoettingen/detail.action?docID=5598176
|
924 |
1 |
|
|a 3664895010
|b DE-28
|9 28
|c GBV
|d d
|k https://ebookcentral.proquest.com/lib/ubrostock-ebooks/detail.action?docID=5598176
|
924 |
1 |
|
|a 3563654859
|b DE-Wim2
|9 Wim 2
|c GBV
|d d
|k https://ebookcentral.proquest.com/lib/bauhaus/detail.action?docID=5598176
|
924 |
1 |
|
|a 3521090574
|b DE-3
|9 3
|c GBV
|d d
|g ebook
|k https://ebookcentral.proquest.com/lib/ulbhalle-ebooks/detail.action?docID=5598176
|
924 |
1 |
|
|a 3618879342
|b DE-89
|9 89
|c GBV
|d d
|k https://ebookcentral.proquest.com/lib/tib-hannover/detail.action?docID=5598176
|
924 |
1 |
|
|a 3643328818
|b DE-755
|9 755
|c GBV
|d d
|k https://ebookcentral.proquest.com/lib/hs-emden-leer/detail.action?docID=5598176
|
924 |
1 |
|
|a 3918089304
|b DE-289
|9 289
|c BSZ
|d d
|k https://ebookcentral.proquest.com/lib/kiz-uniulm/detail.action?docID=5598176
|l Zum Online-Dokument
|l nur aus dem Campusnetz erreichbar
|
924 |
1 |
|
|a 3692626312
|b DE-Mit1
|9 Mit 1
|c BSZ
|d d
|k https://ebookcentral.proquest.com/lib/hs-mittweida/detail.action?docID=5598176
|l G
|
924 |
1 |
|
|a 3563312257
|b DE-Fn1
|9 Fn 1
|c BSZ
|d d
|g eBook Central
|k https://ebookcentral.proquest.com/lib/hsfurtwangen/detail.action?docID=5598176
|l zum Online-Dokument
|l Campuslizenz / extern auch via VPN oder Shibboleth
|
924 |
1 |
|
|a 3664717368
|b DE-991
|9 991
|c BSZ
|d d
|g eBook ProQuest
|k https://ebookcentral.proquest.com/lib/hsalbsig-ebooks/detail.action?docID=5598176
|l Zum Online-Dokument
|l Nur aus dem Campusnetz erreichbar
|
924 |
1 |
|
|a 3722798418
|b DE-753
|9 753
|c BSZ
|d d
|g E-Book ProQuest Ebook Central
|k https://ebookcentral.proquest.com/lib/hs-esslingen/detail.action?docID=5598176
|l Zum Online-Dokument
|l Zugang für Hochschulangehörige im Netz der HS Esslingen / extern via VPN oder Shibboleth (Login über Institution)
|
936 |
r |
v |
|a ST 300
|b Allgemeines
|k Informatik
|k Monografien
|k Künstliche Intelligenz
|k Allgemeines
|0 (DE-627)1271119005
|0 (DE-625)rvk/143650:
|0 (DE-576)201119005
|
936 |
r |
v |
|a ST 302
|b Expertensysteme; Wissensbasierte Systeme
|k Informatik
|k Monografien
|k Künstliche Intelligenz
|k Expertensysteme; Wissensbasierte Systeme
|0 (DE-627)127111898X
|0 (DE-625)rvk/143652:
|0 (DE-576)20111898X
|
936 |
b |
k |
|a 54.72
|j Künstliche Intelligenz
|0 (DE-627)10641240X
|
951 |
|
|
|a BO
|
980 |
|
|
|a 1041617607
|b 183
|c sid-183-col-kxpbbi
|
SOLR
_version_ |
1797788776715517952 |
author |
Goodfellow, Ian, Bengio, Yoshua, Courville, Aaron |
author2 |
Lenz, Guido |
author2_role |
trl |
author2_variant |
g l gl |
author_facet |
Goodfellow, Ian, Bengio, Yoshua, Courville, Aaron, Lenz, Guido |
author_role |
aut, aut, aut |
author_sort |
Goodfellow, Ian 1987- |
author_variant |
i g ig, y b yb, a c ac |
building |
Library A |
collection |
ZDB-30-PQE, sid-183-col-kxpbbi |
contents |
Mathematische Grundlagen für Machine und Deep Learning Umfassende Behandlung zeitgemäßer Verfahren: tiefe Feedforward-Netze, Regularisierung, Performance-Optimierung sowie CNNs, Rekurrente und Rekursive Neuronale Netze Zukunftsweisende Deep-Learning-Ansätze sowie von Ian Goodfellow neu entwickelte Konzepte wie Generative Adversarial Networks Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning. In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt. In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf. Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt. Teil I: Angewandte Mathematik und Grundlagen für das Machine Learning Lineare Algebra Wahrscheinlichkeits- und Informationstheorie Bayessche Statistik Numerische Berechnung Teil II: Deep-Learning-Verfahren Tiefe Feedforward-Netze Regularisierung Optimierung beim Trainieren tiefer Modelle Convolutional Neural Networks Sequenzmodellierung für Rekurrente und Rekursive Netze Praxisorientierte Methodologie Anwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher Sprache Teil III: Deep-Learning-Forschung Lineare Faktorenmodelle Autoencoder Representation Learning Probabilistische graphische Modelle Monte-Carlo-Verfahren Die Partitionsfunktion Approximative Inferenz Tiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m. |
ctrlnum |
(DE-627)1041617607, (DE-599)GBV1041617607, (EBC)EBC5598176, (EBL)EBL5598176, (EBP)03829883X |
dewey-full |
006.31, 004 |
dewey-hundreds |
000 - Computer science, information, general works |
dewey-ones |
006 - Special computer methods, 004 - Computer science |
dewey-raw |
006.31, 004 |
dewey-search |
006.31, 004 |
dewey-sort |
16.31 |
dewey-tens |
000 - Computer science, information, general works |
edition |
1. Auflage |
facet_912a |
ZDB-30-PQE |
facet_avail |
Online |
facet_local_del330 |
Maschinelles Lernen, Lineare Algebra, Numerisches Verfahren, Feedforward-Netz, Neuronales Netz, Deep learning |
finc_class_facet |
Informatik |
fincclass_txtF_mv |
science-computerscience |
footnote |
Literaturverzeichnis: Seite 813-870 |
format |
eBook |
format_access_txtF_mv |
Book, E-Book |
format_de105 |
Ebook |
format_de14 |
Book, E-Book |
format_de15 |
Book, E-Book |
format_del152 |
Buch |
format_detail_txtF_mv |
text-online-monograph-independent |
format_dezi4 |
e-Book |
format_finc |
Book, E-Book |
format_legacy |
ElectronicBook |
format_legacy_nrw |
Book, E-Book |
format_nrw |
Book, E-Book |
format_strict_txtF_mv |
E-Book |
geogr_code |
not assigned |
geogr_code_person |
not assigned |
id |
183-1041617607 |
illustrated |
Not Illustrated |
imprint |
Frechen, mitp, 2018 |
imprint_str_mv |
Frechen: mitp, 2018 |
institution |
FID-BBI-DE-23 |
is_hierarchy_id |
|
is_hierarchy_title |
|
isbn |
9783958457010 |
isbn_isn_mv |
9783958457003, 3958457002 |
language |
German |
last_indexed |
2024-04-30T19:23:01.019Z |
marc_error |
[geogr_code]Unable to make public java.lang.AbstractStringBuilder java.lang.AbstractStringBuilder.append(java.lang.String) accessible: module java.base does not "opens java.lang" to unnamed module @64e01542 |
match_str |
goodfellow2018deeplearningdasumfassendehandbuchgrundlagenaktuelleverfahrenundalgorithmenneueforschungsansatze |
mega_collection |
K10plus Verbundkatalog |
physical |
1 Online-Ressource (xxii, 883 Seiten); Illustrationen, Diagramme |
publishDate |
2018 |
publishDateSort |
2018 |
publishPlace |
Frechen |
publisher |
mitp |
record_format |
marcfinc |
record_id |
1041617607 |
recordtype |
marcfinc |
rvk_facet |
ST 300, ST 302 |
rvk_label |
Informatik, Monografien, Künstliche Intelligenz, Allgemeines, Expertensysteme; Wissensbasierte Systeme |
rvk_path |
ST, SQ - SU, ST 300, ST 302, ST 300 - ST 308 |
rvk_path_str_mv |
ST, SQ - SU, ST 300, ST 302, ST 300 - ST 308 |
source_id |
183 |
spelling |
Goodfellow, Ian 1987- VerfasserIn (DE-588)112365512X (DE-627)877327394 (DE-576)481865705 aut, Deep Learning das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze Ian Goodfellow, Yoshua Bengio, Aaron Courville ; Übersetzung aus dem Amerikanischen von Guido Lenz, 1. Auflage, Frechen mitp 2018, 1 Online-Ressource (xxii, 883 Seiten) Illustrationen, Diagramme, Text txt rdacontent, Computermedien c rdamedia, Online-Ressource cr rdacarrier, Literaturverzeichnis: Seite 813-870, Mathematische Grundlagen für Machine und Deep Learning Umfassende Behandlung zeitgemäßer Verfahren: tiefe Feedforward-Netze, Regularisierung, Performance-Optimierung sowie CNNs, Rekurrente und Rekursive Neuronale Netze Zukunftsweisende Deep-Learning-Ansätze sowie von Ian Goodfellow neu entwickelte Konzepte wie Generative Adversarial Networks Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning. In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt. In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf. Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt. Teil I: Angewandte Mathematik und Grundlagen für das Machine Learning Lineare Algebra Wahrscheinlichkeits- und Informationstheorie Bayessche Statistik Numerische Berechnung Teil II: Deep-Learning-Verfahren Tiefe Feedforward-Netze Regularisierung Optimierung beim Trainieren tiefer Modelle Convolutional Neural Networks Sequenzmodellierung für Rekurrente und Rekursive Netze Praxisorientierte Methodologie Anwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher Sprache Teil III: Deep-Learning-Forschung Lineare Faktorenmodelle Autoencoder Representation Learning Probabilistische graphische Modelle Monte-Carlo-Verfahren Die Partitionsfunktion Approximative Inferenz Tiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m., Machine learning DE-289, Machine learning, Electronic books, s (DE-588)4193754-5 (DE-627)105224782 (DE-576)21008944X Maschinelles Lernen gnd, s (DE-588)4035811-2 (DE-627)10624566X (DE-576)209014903 Lineare Algebra gnd, s (DE-588)4128130-5 (DE-627)104653515 (DE-576)209599480 Numerisches Verfahren gnd, s (DE-588)4575639-9 (DE-627)325115648 (DE-576)213881209 Feedforward-Netz gnd, s (DE-588)4226127-2 (DE-627)104455810 (DE-576)210311614 Neuronales Netz gnd, DE-101, s (DE-588)1135597375 (DE-627)890512922 (DE-576)489847412 Deep learning gnd, (DE-627), Bengio, Yoshua VerfasserIn (DE-588)1126443166 (DE-627)880916370 (DE-576)174970420 aut, Courville, Aaron VerfasserIn (DE-588)1171761546 (DE-627)1040703402 (DE-576)513847170 aut, Lenz, Guido ÜbersetzerIn trl, 9783958457003, Erscheint auch als Druck-Ausgabe Goodfellow, Ian, 1987 - Deep Learning 1. Auflage Frechen : mitp, 2018 xxii, 883 Seiten (DE-627)1633735990 (DE-576)49992505X 9783958457003 3958457002, https://ebookcentral.proquest.com/lib/kxp/detail.action?docID=5598176 Aggregator Volltext |
spellingShingle |
Goodfellow, Ian, Bengio, Yoshua, Courville, Aaron, Deep Learning: das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze, Mathematische Grundlagen für Machine und Deep Learning Umfassende Behandlung zeitgemäßer Verfahren: tiefe Feedforward-Netze, Regularisierung, Performance-Optimierung sowie CNNs, Rekurrente und Rekursive Neuronale Netze Zukunftsweisende Deep-Learning-Ansätze sowie von Ian Goodfellow neu entwickelte Konzepte wie Generative Adversarial Networks Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning. In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt. In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf. Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt. Teil I: Angewandte Mathematik und Grundlagen für das Machine Learning Lineare Algebra Wahrscheinlichkeits- und Informationstheorie Bayessche Statistik Numerische Berechnung Teil II: Deep-Learning-Verfahren Tiefe Feedforward-Netze Regularisierung Optimierung beim Trainieren tiefer Modelle Convolutional Neural Networks Sequenzmodellierung für Rekurrente und Rekursive Netze Praxisorientierte Methodologie Anwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher Sprache Teil III: Deep-Learning-Forschung Lineare Faktorenmodelle Autoencoder Representation Learning Probabilistische graphische Modelle Monte-Carlo-Verfahren Die Partitionsfunktion Approximative Inferenz Tiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m., Machine learning, Electronic books, Maschinelles Lernen, Lineare Algebra, Numerisches Verfahren, Feedforward-Netz, Neuronales Netz, Deep learning |
title |
Deep Learning: das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze |
title_auth |
Deep Learning das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze |
title_full |
Deep Learning das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze Ian Goodfellow, Yoshua Bengio, Aaron Courville ; Übersetzung aus dem Amerikanischen von Guido Lenz |
title_fullStr |
Deep Learning das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze Ian Goodfellow, Yoshua Bengio, Aaron Courville ; Übersetzung aus dem Amerikanischen von Guido Lenz |
title_full_unstemmed |
Deep Learning das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze Ian Goodfellow, Yoshua Bengio, Aaron Courville ; Übersetzung aus dem Amerikanischen von Guido Lenz |
title_short |
Deep Learning |
title_sort |
deep learning das umfassende handbuch : grundlagen, aktuelle verfahren und algorithmen, neue forschungsansätze |
title_sub |
das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze |
title_unstemmed |
Deep Learning: das umfassende Handbuch : Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze |
topic |
Machine learning, Electronic books, Maschinelles Lernen, Lineare Algebra, Numerisches Verfahren, Feedforward-Netz, Neuronales Netz, Deep learning |
topic_facet |
Machine learning, Electronic books, Maschinelles Lernen, Lineare Algebra, Numerisches Verfahren, Feedforward-Netz, Neuronales Netz, Deep learning |
url |
https://ebookcentral.proquest.com/lib/kxp/detail.action?docID=5598176 |
work_keys_str_mv |
AT goodfellowian deeplearningdasumfassendehandbuchgrundlagenaktuelleverfahrenundalgorithmenneueforschungsansatze, AT bengioyoshua deeplearningdasumfassendehandbuchgrundlagenaktuelleverfahrenundalgorithmenneueforschungsansatze, AT courvilleaaron deeplearningdasumfassendehandbuchgrundlagenaktuelleverfahrenundalgorithmenneueforschungsansatze, AT lenzguido deeplearningdasumfassendehandbuchgrundlagenaktuelleverfahrenundalgorithmenneueforschungsansatze |