國立虎尾科技大學 |

Neuronale Netze kompakt = Vom Perceptron zum Deep Learning /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	Neuronale Netze kompakt/ von Daniel Sonnet.
其他題名:	Vom Perceptron zum Deep Learning /
作者:	Sonnet, Daniel.
面頁冊數:	VI, 146 S. 65 Abb., 50 Abb. in Farbe.online resource. :
Contained By:	Springer Nature eBook
標題:	History of Computing. -
電子資源:	https://doi.org/10.1007/978-3-658-29081-8
ISBN:	9783658290818

Neuronale Netze kompakt = Vom Perceptron zum Deep Learning /
Sonnet, Daniel.

Neuronale Netze kompaktVom Perceptron zum Deep Learning /[electronic resource] :von Daniel Sonnet. - 1st ed. 2022. - VI, 146 S. 65 Abb., 50 Abb. in Farbe.online resource. - IT kompakt,2195-366X. - IT kompakt,.

Der Start – das Perceptron -- Die Weiterentwicklung: Mehrschichtige neuronale Netze -- Heutiger Status Quo: Deep Learning -- Positive Beispiele zum Einsatz neuronaler Netze -- Grenzen neuronaler Netze.-Quickguide: Wie setze ich neuronale Netze ein.

Daten sind das neue Gold - und neuronale Netze haben bereits einigen Unternehmen geholfen, diesen Schatz auszugraben. Verschaffen Sie sich mit diesem Buch innerhalb kürzester Zeit einen soliden Überblick über neuronale Netze. Nach der Lektüre dieses Buches kennen Sie den historischen Werdegang dieser leistungsfähigen Approximatoren und Sie sind vertraut mit den aktuell wichtigsten Begriffen. Des Weiteren kennen Sie die Möglichkeiten sowie die Grenzen neuronaler Netze. Dieses Buch richtet sich in erster Linie an Praktiker, die einen schnellen Einstieg in das Thema suchen, ohne parallel einen Hochschulkurs in Mathematik und Statistik zu machen. Der Inhalt Der Start – das Perceptron Die Weiterentwicklung: Mehrschichtige neuronale Netze Heutiger Status Quo: Deep Learning Positive Beispiele zum Einsatz neuronaler Netze Grenzen neuronaler Netze Quickguide: Wie setze ich neuronale Netze ein Die Zielgruppen Praktiker des mittleren Managements mit wenig Zeit Menschen in Leitungsfunktion, denen bewusst ist, dass Daten ein neuer Treibstoff sind Start-Ups, die sich gerne das Label „Machine Learning“ geben wollen Neugierige zum Thema neuronale Netze Studierende aller Fachrichtungen Der Autor Dr. Daniel Sonnet lehrt an der Hochschule Fresenius in Hamburg die Fächer Mathematik, Statistik und Data Science. Seit über 15 Jahren analysiert er leidenschaftlich Daten für Unternehmen. Die vielfältigen Nutzungsmöglichkeiten sowie die Leistungsfähigkeit neuronaler Netze faszinierten ihn bereits während seines Studiums. Daniel Sonnet gründete zwei datengetriebene Unternehmen und berät Unternehmen zum Einsatz von Methoden des maschinellen Lernens. .

ISBN: 9783658290818

Standard No.: 10.1007/978-3-658-29081-8doiSubjects--Topical Terms:

669953
History of Computing.

LC Class. No.: Q334-342

Dewey Class. No.: 006.3

Neuronale Netze kompakt = Vom Perceptron zum Deep Learning /
LDR:03186nam a22003735i 4500 001 1088600
003 DE-He213
005 20220715140456.0
007 cr nn 008mamaa
008 221228s2022 gw | s |||| 0|ger d
020 $a 9783658290818 $9 978-3-658-29081-8
024 7 $a 10.1007/978-3-658-29081-8 $2 doi
035 $a 978-3-658-29081-8
050 4 $a Q334-342
050 4 $a TA347.A78
072 7 $a UYQ $2 bicssc
072 7 $a COM004000 $2 bisacsh
072 7 $a UYQ $2 thema
082 0 4 $a 006.3 $2 23
100 1 $a Sonnet, Daniel. $e author. $4 aut $4 http://id.loc.gov/vocabulary/relators/aut $3 1395802
245 1 0 $a Neuronale Netze kompakt $h [electronic resource] : $b Vom Perceptron zum Deep Learning / $c von Daniel Sonnet.
250 $a 1st ed. 2022.
264 1 $a Wiesbaden : $b Springer Fachmedien Wiesbaden : $b Imprint: Springer Vieweg, $c 2022.
300 $a VI, 146 S. 65 Abb., 50 Abb. in Farbe. $b online resource.
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
347 $a text file $b PDF $2 rda
490 1 $a IT kompakt, $x 2195-366X
505 0 $a Der Start – das Perceptron -- Die Weiterentwicklung: Mehrschichtige neuronale Netze -- Heutiger Status Quo: Deep Learning -- Positive Beispiele zum Einsatz neuronaler Netze -- Grenzen neuronaler Netze.-Quickguide: Wie setze ich neuronale Netze ein.
520 $a Daten sind das neue Gold - und neuronale Netze haben bereits einigen Unternehmen geholfen, diesen Schatz auszugraben. Verschaffen Sie sich mit diesem Buch innerhalb kürzester Zeit einen soliden Überblick über neuronale Netze. Nach der Lektüre dieses Buches kennen Sie den historischen Werdegang dieser leistungsfähigen Approximatoren und Sie sind vertraut mit den aktuell wichtigsten Begriffen. Des Weiteren kennen Sie die Möglichkeiten sowie die Grenzen neuronaler Netze. Dieses Buch richtet sich in erster Linie an Praktiker, die einen schnellen Einstieg in das Thema suchen, ohne parallel einen Hochschulkurs in Mathematik und Statistik zu machen. Der Inhalt Der Start – das Perceptron Die Weiterentwicklung: Mehrschichtige neuronale Netze Heutiger Status Quo: Deep Learning Positive Beispiele zum Einsatz neuronaler Netze Grenzen neuronaler Netze Quickguide: Wie setze ich neuronale Netze ein Die Zielgruppen Praktiker des mittleren Managements mit wenig Zeit Menschen in Leitungsfunktion, denen bewusst ist, dass Daten ein neuer Treibstoff sind Start-Ups, die sich gerne das Label „Machine Learning“ geben wollen Neugierige zum Thema neuronale Netze Studierende aller Fachrichtungen Der Autor Dr. Daniel Sonnet lehrt an der Hochschule Fresenius in Hamburg die Fächer Mathematik, Statistik und Data Science. Seit über 15 Jahren analysiert er leidenschaftlich Daten für Unternehmen. Die vielfältigen Nutzungsmöglichkeiten sowie die Leistungsfähigkeit neuronaler Netze faszinierten ihn bereits während seines Studiums. Daniel Sonnet gründete zwei datengetriebene Unternehmen und berät Unternehmen zum Einsatz von Methoden des maschinellen Lernens. .
650 2 4 $a History of Computing. $3 669953
650 2 4 $a Big Data. $3 1017136
650 2 4 $a Machine Learning. $3 1137723
650 1 4 $a Artificial Intelligence. $3 646849
650 0 $a Computers—History. $3 1390344
650 0 $a Big data. $3 981821
650 0 $a Machine learning. $3 561253
650 0 $a Artificial intelligence. $3 559380
710 2 $a SpringerLink (Online service) $3 593884
773 0 $t Springer Nature eBook
776 0 8 $i Printed edition: $z 9783658290801
830 0 $a IT kompakt, $x 2195-3651 $3 1264360
856 4 0 $u https://doi.org/10.1007/978-3-658-29081-8
912 $a ZDB-2-STI
950 $a Computer Science and Engineering (German Language) (SpringerNature-11774)