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
Perrotta, Paolo (VerfasserIn)
Ausgabe
1. Auflage
veröffentlicht
Heidelberg: dpunkt.verlag, 2020
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.

LEADER 04603cam a2200529 4500
001 183-1733436456
003 DE-627
005 20220729133045.0
007 cr uuu---uuuuu
008 200919s2020 gw |||||o 00| ||ger c
020 |a 9783969100257  |9 978-3-96910-025-7 
035 |a (DE-627)1733436456 
035 |a (DE-599)KEP058221719 
035 |a (EBL)EBL6341803 
035 |a (EBC)EBC6341803 
035 |a (EBP)058221719 
040 |a DE-627  |b ger  |c DE-627  |e rda 
041 |a ger 
044 |c XA-DE 
084 |a 54.72  |2 bkl 
100 1 |a Perrotta, Paolo  |d 1969-  |e VerfasserIn  |0 (DE-588)174034342  |0 (DE-627)69893170X  |0 (DE-576)134870166  |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 1 Online-Ressource (xvi, 379 Seiten) 
336 |a Text  |b txt  |2 rdacontent 
337 |a Computermedien  |b c  |2 rdamedia 
338 |a Online-Ressource  |b cr  |2 rdacarrier 
520 |a 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. 
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)7692360-5  |0 (DE-627)620305878  |0 (DE-576)319400204  |a Python 3.x  |2 gnd 
689 0 |5 (DE-627) 
776 1 |z 9783864907876 
776 0 8 |i Erscheint auch als  |n Druck-Ausgabe  |z 9783864907876 
856 4 0 |u https://ebookcentral.proquest.com/lib/kxp/detail.action?docID=6341803  |m X:EBC  |x Aggregator  |z lizenzpflichtig 
912 |a ZDB-30-PQE 
924 1 |a 375930107X  |b DE-104  |9 104  |c GBV  |d d  |g 2021 EB 174  |k https://ebookcentral.proquest.com/lib/tuclausthal-ebooks/detail.action?docID=6341803 
924 1 |a 3793110966  |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=6341803 
924 1 |a 4427820727  |b DE-Fl3  |9 Fl 3  |c GBV  |d d  |k https://ebookcentral.proquest.com/lib/zhbflensburg-ebooks/detail.action?docID=6341803 
924 1 |a 4505248313  |b DE-755  |9 755  |c GBV  |d d  |k https://ebookcentral.proquest.com/lib/hs-emden-leer/detail.action?docID=6341803 
924 1 |a 3759375529  |b DE-Brg3  |9 Brg 3  |c GBV  |d d  |g Online-Ressource  |k https://thh-friedensau.idm.oclc.org/login?url=http://ebookcentral.proquest.com/lib/thhfriedensau/detail.action?docID=6341803 
924 1 |a 4048452665  |b DE-31  |9 31  |c BSZ  |d d  |k https://www.redi-bw.de/start/blbka/EC-proquest/6341803 
924 1 |a 3844029087  |b DE-289  |9 289  |c BSZ  |d d  |k https://ebookcentral.proquest.com/lib/kiz-uniulm/detail.action?docID=6341803  |l Zum Online-Dokument  |l Preview: E-Book zur Anschaffung vorschlagen (nur aus dem Campusnetz möglich) 
936 b k |a 54.72  |j Künstliche Intelligenz  |0 (DE-627)10641240X 
951 |a BO 
980 |a 1733436456  |b 183  |c sid-183-col-kxpbbi 
openURL url_ver=Z39.88-2004&ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fkatalog.fid-bbi.de%3Agenerator&rft.title=Machine+Learning+f%C3%BCr+Softwareentwickler%3A+von+der+Python-Codezeile+zur+Deep-Learning-Anwendung&rft.date=2020&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rft.genre=book&rft.btitle=Machine+Learning+f%C3%BCr+Softwareentwickler%3A+von+der+Python-Codezeile+zur+Deep-Learning-Anwendung&rft.au=Perrotta%2C+Paolo&rft.pub=dpunkt.verlag&rft.edition=1.+Auflage&rft.isbn=3969100259
SOLR
_version_ 1799238554342129664
author Perrotta, Paolo
author_facet Perrotta, Paolo
author_role aut
author_sort Perrotta, Paolo 1969-
author_variant p p pp
building Library A
collection ZDB-30-PQE, sid-183-col-kxpbbi
contents 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.
ctrlnum (DE-627)1733436456, (DE-599)KEP058221719, (EBL)EBL6341803, (EBC)EBC6341803, (EBP)058221719
edition 1. Auflage
facet_912a ZDB-30-PQE
facet_avail Online
facet_local_del330 Maschinelles Lernen, Python 3.x
fincclass_txtF_mv science-computerscience
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 183-1733436456
illustrated Not Illustrated
imprint Heidelberg, dpunkt.verlag, 2020
imprint_str_mv Heidelberg: dpunkt.verlag, 2020
institution FID-BBI-DE-23
is_hierarchy_id
is_hierarchy_title
isbn 9783969100257
isbn_isn_mv 9783864907876
language German
last_indexed 2024-05-16T19:26:35.586Z
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 @4598ee71
match_str perrotta2020machinelearningfursoftwareentwicklervonderpythoncodezeilezurdeeplearninganwendung
mega_collection K10plus Verbundkatalog
physical 1 Online-Ressource (xvi, 379 Seiten)
publishDate 2020
publishDateSort 2020
publishPlace Heidelberg
publisher dpunkt.verlag
record_format marcfinc
record_id 1733436456
recordtype marcfinc
rvk_facet No subject assigned
source_id 183
spelling Perrotta, Paolo 1969- VerfasserIn (DE-588)174034342 (DE-627)69893170X (DE-576)134870166 aut, Machine Learning für Softwareentwickler von der Python-Codezeile zur Deep-Learning-Anwendung Paolo Perrotta, 1. Auflage, Heidelberg dpunkt.verlag 2020, 1 Online-Ressource (xvi, 379 Seiten), Text txt rdacontent, Computermedien c rdamedia, Online-Ressource cr rdacarrier, 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., Electronic books, s (DE-588)4193754-5 (DE-627)105224782 (DE-576)21008944X Maschinelles Lernen gnd, s (DE-588)7692360-5 (DE-627)620305878 (DE-576)319400204 Python 3.x gnd, (DE-627), 9783864907876, Erscheint auch als Druck-Ausgabe 9783864907876, https://ebookcentral.proquest.com/lib/kxp/detail.action?docID=6341803 X:EBC Aggregator lizenzpflichtig
spellingShingle Perrotta, Paolo, Machine Learning für Softwareentwickler: von der Python-Codezeile zur Deep-Learning-Anwendung, 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., Electronic books, Maschinelles Lernen, Python 3.x
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_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 für softwareentwickler von der python-codezeile zur deep-learning-anwendung
title_sub von der Python-Codezeile zur Deep-Learning-Anwendung
title_unstemmed Machine Learning für Softwareentwickler: von der Python-Codezeile zur Deep-Learning-Anwendung
topic Electronic books, Maschinelles Lernen, Python 3.x
topic_facet Electronic books, Maschinelles Lernen, Python 3.x
url https://ebookcentral.proquest.com/lib/kxp/detail.action?docID=6341803
work_keys_str_mv AT perrottapaolo machinelearningfursoftwareentwicklervonderpythoncodezeilezurdeeplearninganwendung