Produkt zum Begriff AICL:
-
Ekman, Magnus: Learning Deep Learning
Learning Deep Learning , NVIDIA's Full-Color Guide to Deep Learning: All StudentsNeed to Get Started and Get Results Learning Deep Learning is a complete guide to DL.Illuminating both the core concepts and the hands-on programming techniquesneeded to succeed, this book suits seasoned developers, data scientists,analysts, but also those with no prior machine learning or statisticsexperience. After introducing the essential building blocks of deep neural networks, such as artificial neurons and fully connected, convolutional, and recurrent layers,Magnus Ekman shows how to use them to build advanced architectures, includingthe Transformer. He describes how these concepts are used to build modernnetworks for computer vision and natural language processing (NLP), includingMask R-CNN, GPT, and BERT. And he explains how a natural language translatorand a system generating natural language descriptions of images. Throughout, Ekman provides concise, well-annotated code examples usingTensorFlow with Keras. Corresponding PyTorch examples are provided online, andthe book thereby covers the two dominating Python libraries for DL used inindustry and academia. He concludes with an introduction to neural architecturesearch (NAS), exploring important ethical issues and providing resources forfurther learning. Exploreand master core concepts: perceptrons, gradient-based learning, sigmoidneurons, and back propagation See how DL frameworks make it easier to developmore complicated and useful neural networks Discover how convolutional neuralnetworks (CNNs) revolutionize image classification and analysis Apply recurrentneural networks (RNNs) and long short-term memory (LSTM) to text and othervariable-length sequences Master NLP with sequence-to-sequence networks and theTransformer architecture Build applications for natural language translation andimage captioning , >
Preis: 49.28 € | Versand*: 0 € -
Zeigermann, Oliver: Machine Learning - kurz & gut
Machine Learning - kurz & gut , Der kompakte Schnelleinstieg in Machine Learning und Deep Learning Die 3. Auflage des Bestsellers wurde ergänzt durch Kapitel zu Large Language Models wie ChatGPT und zu MLOps Anhand konkreter Datensätze lernen Sie einen typischen Workflow kennen: vom Datenimport über Datenbereinigung, Datenanalyse bis hin zur Datenvisualisierung Nicht nur für zukünftige Data Scientists und ML-Profis geeignet, sondern durch seine durchdachte Didaktik auch für Interessierte, die nur am Rande mit ML zu tun haben, wie z.B. Softwareentwickler*innen Machine Learning beeinflusst heute beinahe alle Bereiche der Technik und der Gesellschaft. Dieses Buch bietet Interessierten, die einen technischen Hintergrund haben, die schnellstmögliche Einführung in das umfangreiche Themengebiet des maschinellen Lernens und der statistischen Datenanalyse. Dabei werden alle wesentlichen Themen abgedeckt und mit praktischen Beispielen in Python illustriert. Verwendet werden dabei die Bibliotheken Scikit-Learn, Pandas, NumPy, TensorFlow und Keras. Nach der Lektüre dieses Buchs haben Sie einen Überblick über das gesamte Thema und können Ansätze einordnen und bewerten. Das Buch vermittelt Ihnen eine solide Grundlage, um Ihre ersten eigenen Machine-Learning-Modelle zu trainieren und vertiefende Literatur zu verstehen. Die aktualisierte 3. Auflage behandelt jetzt auch Large Language Models wie z.B. ChatGPT und MLOps. , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen
Preis: 19.90 € | Versand*: 0 € -
Raschka, Sebastian: Machine Learning Q and AI
Machine Learning Q and AI , "An advanced exploration of machine learning and AI, with each chapter asking and answering a question from the field. Divided into five sections: deep learning and neural networks; computer vision; natural language processing; production and deployment; and predictive performance and model evaluation"-- , >
Preis: 37.30 € | Versand*: 0 € -
Scheid, Sandro: Data Science
Data Science , Die Methoden der Datenanalyse gewinnen mit der exponentiell wachsenden Rechnerleistung und dem Aufschwung des Machine Learnings bzw. der Künstlichen Intelligenz immer mehr an Bedeutung. Das vorliegende Lehrbuch bietet einen anwendungsorientierten Einstieg in die für die modernen Verfahren der Datenanalyse ("Data Science") notwendigen Grundlagen. Das Buch behandelt im ersten Teil die deskriptive Statistik, mit der die Datenanalyse beginnen sollte. Im zweiten Teil wird die Wahrscheinlichkeitsrechnung behandelt, die als Grundlage für die weiteren Kapitel benötigt wird. Teil drei behandelt die klassischen Themen der induktiven Statistik. Danach werden im vierten Teil verschiedene weiterführende Methoden der Datenanalyse behandelt. Neben klassischen Methoden wie Faktoren- oder Clusteranalyse werden hier beispielsweise auch die Einsatzmöglichkeiten von Neuronalen Netzen gezeigt. Das Buch setzt keine besonderen mathematischen Kenntnisse voraus. Die Methoden sind in klarer, verständlicher Sprache beschrieben und durch zahlreiche praxisrelevante Beispiele illustriert. Praxisnahe Übungsaufgaben vertiefen das Verständnis. Herleitungen werden nur insoweit ausgeführt, wie sie zum Verständnis beitragen. Ziel des Buches ist es, eine verständliche, anschauliche Einführung in die oft als schwierig empfundene Statistik zu geben, ohne auf eine exakte Darstellung zu verzichten. , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen
Preis: 29.99 € | Versand*: 0 €
-
Wie kann man sich selbst Machine Learning, Künstliche Intelligenz und Natural Language Processing beibringen?
Um sich selbst Machine Learning, Künstliche Intelligenz und Natural Language Processing beizubringen, gibt es verschiedene Möglichkeiten. Man kann Online-Kurse und Tutorials nutzen, um die Grundlagen zu erlernen und praktische Erfahrungen zu sammeln. Es ist auch hilfreich, an Projekten zu arbeiten und mit vorhandenen Tools und Bibliotheken zu experimentieren. Zudem kann der Austausch mit anderen Fachleuten in Foren und Communitys dabei helfen, Fragen zu klären und neue Ideen zu entwickeln.
-
Ist Machine Learning bereits künstliche Intelligenz?
Machine Learning ist ein Teilgebiet der künstlichen Intelligenz. Es befasst sich mit der Entwicklung von Algorithmen und Modellen, die es Computern ermöglichen, aus Daten zu lernen und Vorhersagen zu treffen. Künstliche Intelligenz umfasst jedoch auch andere Bereiche wie Expertensysteme, natürliche Sprachverarbeitung und Robotik.
-
Verdient man Geld beim Praktikum in den Bereichen Data Science oder Machine Learning?
Es hängt von verschiedenen Faktoren ab, ob man Geld während eines Praktikums in den Bereichen Data Science oder Machine Learning verdient. In einigen Fällen bieten Unternehmen Praktikumsstellen mit einer Vergütung an, insbesondere wenn es sich um größere Unternehmen handelt. In anderen Fällen kann es sein, dass Praktika unbezahlt sind oder nur eine geringe Aufwandsentschädigung bieten. Es ist wichtig, die individuellen Bedingungen des Praktikums zu prüfen, um herauszufinden, ob eine Vergütung angeboten wird.
-
Wie wichtig ist das Fach Theoretische Informatik für Data Science und Machine Learning?
Das Fach Theoretische Informatik ist für Data Science und Machine Learning nicht unbedingt unverzichtbar, aber es kann dennoch von Vorteil sein. Theoretische Informatik vermittelt grundlegende Konzepte und Algorithmen, die in vielen Bereichen der Informatik relevant sind, einschließlich Data Science und Machine Learning. Ein solides Verständnis der theoretischen Grundlagen kann helfen, komplexe Probleme besser zu verstehen und effiziente Lösungen zu entwickeln.
Ähnliche Suchbegriffe für AICL:
-
Bishop, Christopher M.: Deep Learning
Deep Learning , This book offers a comprehensive introduction to the central ideas that underpin deep learning. It is intended both for newcomers to machine learning and for those already experienced in the field. Covering key concepts relating to contemporary architectures and techniques, this essential book equips readers with a robust foundation for potential future specialization. The field of deep learning is undergoing rapid evolution, and therefore this book focusses on ideas that are likely to endure the test of time. The book is organized into numerous bite-sized chapters, each exploring a distinct topic, and the narrative follows a linear progression, with each chapter building upon content from its predecessors. This structure is well-suited to teaching a two-semester undergraduate or postgraduate machine learning course, while remaining equally relevant to those engaged in active research or in self-study. A full understanding of machine learning requires some mathematical background and so the book includes a self-contained introduction to probability theory. However, the focus of the book is on conveying a clear understanding of ideas, with emphasis on the real-world practical value of techniques rather than on abstract theory. Complex concepts are therefore presented from multiple complementary perspectives including textual descriptions, diagrams, mathematical formulae, and pseudo-code. Chris Bishop is a Technical Fellow at Microsoft and is the Director of Microsoft Research AI4Science. He is a Fellow of Darwin College Cambridge, a Fellow of the Royal Academy of Engineering, and a Fellow of the Royal Society. Hugh Bishop is an Applied Scientist at Wayve, a deep learning autonomous driving company in London, where he designs and trains deep neural networks. He completed his MPhil in Machine Learning and Machine Intelligence at Cambridge University. ¿Chris Bishop wrote a terrific textbook on neural networks in 1995 and has a deep knowledge of the field and its core ideas. His many years of experience in explaining neural networks have made him extremely skillful at presenting complicated ideas in the simplest possible way and it is a delight to see these skills applied to the revolutionary new developments in the field.¿ -- Geoffrey Hinton "With the recent explosion of deep learning and AI as a research topic, and the quickly growing importance of AI applications, a modern textbook on the topic was badly needed. The "New Bishop" masterfully fills the gap, covering algorithms for supervised and unsupervised learning, modern deep learning architecture families, as well as how to apply all of this to various application areas." ¿ Yann LeCun ¿This excellent and very educational book will bring the reader up to date with the main concepts and advances in deep learning with a solid anchoring in probability. These concepts are powering current industrial AI systems and are likely to form the basis of further advances towards artificial general intelligence.¿ -- Yoshua Bengio , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen
Preis: 75.37 € | Versand*: 0 € -
Kneusel, Ronald T.: Practical Deep Learning
Practical Deep Learning , This book is for people with no experience with machine learning and who are looking for an intuition-based, hands-on introduction to deep learning using Python. Deep Learning for Complete Beginners: A Python-Based Introduction is for complete beginners in machine learning. It introduces fundamental concepts such as classes and labels, building a dataset, and what a model is and does before presenting classic machine learning models, neural networks, and modern convolutional neural networks. Experiments in Python--working with leading open-source toolkits and standard datasets--give you hands-on experience with each model and help you build intuition about how to transfer the examples in the book to your own projects. You'll start with an introduction to the Python language and the NumPy extension that is ubiquitous in machine learning. Prominent toolkits, like sklearn and Keras/TensorFlow are used as the backbone to enable you to focus on the elements of machine learning without the burden of writing implementations from scratch. An entire chapter on evaluating the performance of models gives you the knowledge necessary to understand claims on performance and to know which models are working well and which are not. The book culminates by presenting convolutional neural networks as an introduction to modern deep learning. Understanding how these networks work and how they are affected by parameter choices leaves you with the core knowledge necessary to dive into the larger, ever-changing world of deep learning. , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen , Erscheinungsjahr: 20210223, Produktform: Kartoniert, Themenüberschrift: COMPUTERS / Neural Networks, Keyword: programming gifts;gifts for geeks;geek gifts;gifts for nerds;tech gifts;machine learning books;NumPy;open source;Tensorflow;Keras;neural networks;machine learning for beginners;machine learning;deep learning;computers;technology;computer;code;coding;algorithm;computer programming;python;python programming;algorithms;python for data analysis;python machine learning;tech;computer books;programmer gifts;computer programmer gifts;programming;reference;statistics;engineering;guide;computer science, Fachschema: Englische Bücher / Naturwissenschaften~Fuzzy Logik - Fuzzy Set~Neuronales Netz - Neuronaler Computer - Neurocomputer~Programmiersprachen~Intelligenz / Künstliche Intelligenz~KI~Künstliche Intelligenz - AI, Fachkategorie: Programmier- und Skriptsprachen, allgemein~Maschinelles Lernen, Imprint-Titels: No Starch Press, Warengruppe: HC/Informatik, Fachkategorie: Neuronale Netze und Fuzzysysteme, Text Sprache: eng, Seitenanzahl: XXX, Seitenanzahl: 426, UNSPSC: 49019900, Warenverzeichnis für die Außenhandelsstatistik: 49019900, Verlag: Random House LLC US, Verlag: Random House LLC US, Länge: 234, Breite: 182, Höhe: 32, Gewicht: 882, Produktform: Kartoniert, Genre: Importe, Genre: Importe, Herkunftsland: VEREINIGTE STAATEN VON AMERIKA (US), Katalog: LIB_ENBOOK, Katalog: Gesamtkatalog, Katalog: Internationale Lagertitel, Katalog: internationale Titel, Katalog: Lagerartikel, Book on Demand, ausgew. Medienartikel, Relevanz: 0008, Tendenz: -1, Unterkatalog: AK, Unterkatalog: Bücher, Unterkatalog: Hardcover, Unterkatalog: Lagerartikel, WolkenId: 2412602
Preis: 45.24 € | Versand*: 0 € -
Easy Learning
Kinder-Wanduhr "Easy Learning", Durchmesser 30 cm, geräuscharm
Preis: 25.49 € | Versand*: 6.95 € -
Learning Resources® MathLink Steckwürfel - Big Builder
Baue Tiere, Fahrzeuge und mehr mit den MathLink-Würfeln!Folge dem Aktivitätsleitfaden oder erstelle deine eigenen Kreationen. Die bunten Würfel verbinden sich auf allen Seiten und funktionieren mit allen MathLink Cubes-Produkten. Das Set enthält 200 MathLink-Würfel in 10 Farben und einen Aktivitätsleitfaden mit 20 Bauherausforderungen.Produktdetails:Maße (Länge x Breite x Höhe): 46,7 x 31,8 x 27,4 cmMaße einzelner Würfel (Länge x Breite x Höhe): 2 x 2 x 2 cmInhalt: 200 MathLink-Würfel in 10 Farben, Aktivitätsleitfaden mit 20 BauanleitungenFördert die Kreativität und regt zum Entdecken anAlter: Ab 5 JahrenAchtung!Erstickungsgefahr aufgrund verschluckbarer Kleinteile.
Preis: 24.47 € | Versand*: 4.95 €
-
Warum Deep Learning im Vergleich zu Machine Learning?
Deep Learning unterscheidet sich von Machine Learning durch seine Fähigkeit, automatisch Merkmale aus den Daten zu extrahieren, anstatt dass diese manuell definiert werden müssen. Dadurch ist Deep Learning in der Lage, komplexere und abstraktere Muster in den Daten zu erkennen und zu lernen. Dies ermöglicht es Deep Learning-Modellen, in vielen Anwendungsbereichen, wie Bild- und Spracherkennung, bessere Leistungen zu erzielen als herkömmliche Machine Learning-Modelle.
-
Was ist der Unterschied zwischen Deep Learning und Machine Learning?
Deep Learning ist eine spezielle Methode des Machine Learning, die auf künstlichen neuronalen Netzwerken basiert. Es ermöglicht das Lernen von hierarchischen und komplexen Merkmalsdarstellungen, um automatisch Muster und Strukturen in Daten zu erkennen. Im Gegensatz dazu ist Machine Learning ein breiterer Begriff, der verschiedene Algorithmen und Techniken umfasst, um Computermodelle zu erstellen, die aus Daten lernen und Vorhersagen treffen können. Deep Learning ist also eine Teilmenge des Machine Learning.
-
Wie beeinflusst künstliche Intelligenz den Bereich der Informatik? Welche Rolle spielen Big Data und Data Mining in der Informatik?
Künstliche Intelligenz optimiert Prozesse in der Informatik, automatisiert Aufgaben und ermöglicht neue Anwendungen wie maschinelles Lernen. Big Data und Data Mining sind wichtige Werkzeuge in der Informatik, um große Datenmengen zu analysieren, Muster zu erkennen und fundierte Entscheidungen zu treffen. Sie spielen eine zentrale Rolle bei der Entwicklung von KI-Systemen und der Optimierung von Algorithmen.
-
Wie können moderne Technologien wie Machine Learning und künstliche Intelligenz zur Automobilanalyse eingesetzt werden?
Moderne Technologien wie Machine Learning und künstliche Intelligenz können zur Automobilanalyse eingesetzt werden, um große Mengen von Daten zu verarbeiten und Muster zu erkennen. Sie können dabei helfen, Fahrzeugdiagnosen schneller und genauer durchzuführen sowie präventive Wartungsmaßnahmen vorherzusagen. Zudem können sie zur Verbesserung der Fahrzeugsicherheit und Effizienz beitragen, indem sie Verkehrsdaten analysieren und Fahrerassistenzsysteme optimieren.
* Alle Preise verstehen sich inklusive der gesetzlichen Mehrwertsteuer und ggf. zuzüglich Versandkosten. Die Angebotsinformationen basieren auf den Angaben des jeweiligen Shops und werden über automatisierte Prozesse aktualisiert. Eine Aktualisierung in Echtzeit findet nicht statt, so dass es im Einzelfall zu Abweichungen kommen kann.