Machine Learning für Softwareentwickler : von der Python-Codezeile zur Deep-Learning-Anwendung
Bibliographische Detailangaben
- Titel
- Machine Learning für Softwareentwickler von der Python-Codezeile zur Deep-Learning-Anwendung
- verantwortlich
- Ausgabe
- 1. Auflage
- veröffentlicht
- Erscheinungsjahr
- 2020
- Andere Ausgaben
- Machine Learning für Softwareentwickler: von der Python-Codezeile zur Deep-Learning-Anwendung
- Medientyp
- E-Book
- Datenquelle
- K10plus Verbundkatalog
- Tags
- Tag hinzufügen
Zugang
Weitere Informationen sehen Sie, wenn Sie angemeldet sind. Noch keinen Account? Jetzt registrieren.
- Details Klicken Sie hier, um den Inhalt der Registerkarte zu laden.
- Standorte Klicken Sie hier, um den Inhalt der Registerkarte zu laden.
- Internformat Klicken Sie hier, um den Inhalt der Registerkarte zu laden.
- Zusammenfassung
- Intro -- Inhalt -- Danksagung -- Wie um alles in der Welt ist so etwas möglich? -- Über dieses Buch -- Bevor wir beginnen -- Teil 1: Von null auf Bilderkennung -- Kapitel 1: Einführung in Machine Learning -- Programmierung und Machine Learning im Vergleich -- Überwachtes Lernen -- Die Mathematik hinter dem Zaubertrick -- Das System einrichten -- Kapitel 2: Ihr erstes ML-Programm -- Die Aufgabenstellung -- Pizzavorhersage mit überwachtem Lernen -- Zusammenhänge in den Daten erkennen -- Eine lineare Regression programmieren -- Das Modell definieren -- Eine Vorhersage treffen -- Das Training implementieren -- Los geht's! -- Bias hinzufügen -- Zusammenfassung -- Praktische Übung: Die Lernrate optimieren -- Kapitel 3: Am Gradienten entlang -- Unser Algorithmus bringt es nicht -- Das Gradientenverfahren -- Ein wenig Mathematik -- Abwärts -- Die dritte Dimension -- Partielle Ableitung -- Die Probe aufs Exempel -- Probleme beim Gradientenverfahren -- Zusammenfassung -- Praktische Übung: Über das Ziel hinaus -- Kapitel 4: Hyperräume -- Noch mehr Dimensionen -- Matrizenrechnung -- Matrizen multiplizieren -- Matrizen transponieren -- Das ML-Programm erweitern -- Die Daten aufbereiten -- Die Vorhersagefunktion anpassen -- Die Verlustfunktion anpassen -- Die Gradientenfunktion anpassen -- Der Code im Ganzen -- Bye-bye, Bias! -- Ein letzter Testlauf -- Zusammenfassung -- Praktische Übung: Statistik in der Praxis -- Kapitel 5: Ein binärer Klassifizierer -- Grenzen der linearen Regression -- Invasion der Sigmoiden -- Konfidenz -- Glätten -- Den Gradienten anpassen -- Was ist mit der Modellfunktion geschehen? -- Klassifizierung in Aktion -- Zusammenfassung -- Praktische Übung: Gewichtige Entscheidungen -- Kapitel 6: Eine Aufgabe aus der Praxis -- Die Daten -- MNIST -- Trainings- und Testdatensatz -- Unsere eigene MNIST-Bibliothek.
- Umfang
- 1 Online-Ressource (xvi, 379 Seiten)
- Sprache
- Deutsch
- Schlagworte
- BK-Notation
- 54.72 Künstliche Intelligenz
- ISBN
-
9783969100257