En savoir plus
Deep Learning ist ein Teilbereich des Machine Learning und basiert auf künstlichen neuronalen Netzen. Dieser praktische Leitfaden bietet einen schnellen Einstieg in die Schlüsseltechnologie und erschließt Grundlagen und Arbeitsweisen von Deep Learning.
Anhand Python-basierter Beispielanwendungen wird der Umgang mit den Frameworks Caffe/Caffe2 und TensorFlow gezeigt. Einfache, alltagstaugliche Beispiele laden zum Nachprogrammieren ein. Darüber hinaus erfahren Sie, warum moderne Grafikkarten, Big Data und Cloud Computing beim Deep Learning so wichtig sind. Wenn Sie bereits mit Python, NumPy und matplotlib arbeiten, ermöglicht Ihnen dieses Buch, praktische Erfahrungen mit Deep-Learning-Anwendungen zu machen.
Deep Learning - die Hintergründe
- Lernmethoden, die Deep Learning zugrunde liegen
- Aktuelle Anwendungsfelder wie maschinelle Übersetzungen, Sprach- und Bilderkennung bei Google, Facebook, IBM oder Amazon
Der Werkzeugkasten mit Docker
- Der Docker-Container zum Buch: Alle nötigen Tools und Programme sind bereits installiert, damit Sie die Beispiele des Buchs und eigene Deep-Learning-Anwendungen leicht ausführen können.
- Die Arbeitsumgebung kennenlernen: Jupyter Notebook, Beispieldatensätze, Web Scraping
Der Praxiseinstieg
- Einführung in Caffe/Caffe2 und TensorFlow
- Deep-Learning-Anwendungen nachprogrammieren: Handschrifterkennung, Bilderkennung und -klassifizierung, Deep Dreaming
- Lösungen für Big-Data-Szenarien: verteilte Anwendungen, Spark, Cloud-Systeme
- Modelle in produktive Systeme überführen
Der Beispielcode und der Docker-Container zu diesem Buch stehen als
Download bereit unter:
https://github.com/rawar/deeplearning
https://hub.docker.com/r/rawar/deeplearning/
A propos de l'auteur
Ramon Wartala ist Diplom-Informatiker, er lebt in Hamburg und arbeitet als Director Technology für die Online-Marketing-Agentur Performance Media Deutschland GmbH. Darüber hinaus verfasst er Artikel für verschiedene nationale und internationale Computermagazine und hält Vorträge zu Themen der Softwareentwicklung. Neben den klassischen Datenbank-Anwendungen beschäftigen ihn vor allem auch solche, die mithilfe des Hadoop-Frameworks realisiert werden.
Résumé
Deep Learning ist ein Teilbereich des Machine Learning und basiert auf künstlichen neuronalen Netzen. Dieser praktische Leitfaden bietet einen schnellen Einstieg in die Schlüsseltechnologie und erschließt Grundlagen und Arbeitsweisen von Deep Learning.
Anhand Python-basierter Beispielanwendungen wird der Umgang mit den Frameworks Caffe/Caffe2 und TensorFlow gezeigt. Einfache, alltagstaugliche Beispiele laden zum Nachprogrammieren ein. Darüber hinaus erfahren Sie, warum moderne Grafikkarten, Big Data und Cloud Computing beim Deep Learning so wichtig sind. Wenn Sie bereits mit Python, NumPy und matplotlib arbeiten, ermöglicht Ihnen dieses Buch, praktische Erfahrungen mit Deep-Learning-Anwendungen zu machen.
Deep Learning – die Hintergründe
- Lernmethoden, die Deep Learning zugrunde liegen
- Aktuelle Anwendungsfelder wie maschinelle Übersetzungen, Sprach- und Bilderkennung bei Google, Facebook, IBM oder Amazon
Der Werkzeugkasten mit Docker
- Der Docker-Container zum Buch: Alle nötigen Tools und Programme sind bereits installiert, damit Sie die Beispiele des Buchs und eigene Deep-Learning-Anwendungen leicht ausführen können.
- Die Arbeitsumgebung kennenlernen: Jupyter Notebook, Beispieldatensätze, Web Scraping
Der Praxiseinstieg
- Einführung in Caffe/Caffe2 und TensorFlow
- Deep-Learning-Anwendungen nachprogrammieren: Handschrifterkennung, Bilderkennung und -klassifizierung, Deep Dreaming
- Lösungen für Big-Data-Szenarien: verteilte Anwendungen, Spark, Cloud-Systeme
- Modelle in produktive Systeme überführen
Der Beispielcode und der Docker-Container zu diesem Buch stehen als
Download bereit unter:
https://github.com/rawar/deeplearning
https://hub.docker.com/r/rawar/deeplearning/
