|
|
|
|
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
|
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 |