ISBN Deep Learning mit PyTorch Buch Science Fiction Englisch Taschenbuch 520 Seiten

Name: ISBN Deep Learning mit PyTorch Buch Science Fiction Englisch Taschenbuch 520 Seiten
Brand: ISBN
SKU: 9781617295263
Price: 61.8 EUR
Availability: OutOfStock

ISBN Deep Learning mit PyTorch Buch Science Fiction Englisch Taschenbuch 520 Seiten thumbnail

Preisalarm

Deep Learning mit PyTorch. Genre: Science Fiction, Buchcovertyp: Taschenbuch, Sprachversion: Englisch

★ 4.9

61,80 €

Bester Preis bei preigu.de

Dieses Angebot ist derzeit möglicherweise nicht verfügbar. Bitte besuchen Sie die Angebotsseite, um die Verfügbarkeit zu prüfen.

Preisalarm

Deep Learning mit PyTorch. Genre: Science Fiction, Buchcovertyp: Taschenbuch, Sprachversion: Englisch

★ 4.9

61,80 €

Bester Preis bei preigu.de

Dieses Angebot ist derzeit möglicherweise nicht verfügbar. Bitte besuchen Sie die Angebotsseite, um die Verfügbarkeit zu prüfen.

Preisalarm

Deep Learning mit PyTorch. Genre: Science Fiction, Buchcovertyp: Taschenbuch, Sprachversion: Englisch

★ 4.9

61,80 €

Bester Preis bei preigu.de

Dieses Angebot ist derzeit möglicherweise nicht verfügbar. Bitte besuchen Sie die Angebotsseite, um die Verfügbarkeit zu prüfen.

Preisalarm

Deep Learning mit PyTorch. Genre: Science Fiction, Buchcovertyp: Taschenbuch, Sprachversion: Englisch

★ 4.9

61,80 €

Bester Preis bei preigu.de

Dieses Angebot ist derzeit möglicherweise nicht verfügbar. Bitte besuchen Sie die Angebotsseite, um die Verfügbarkeit zu prüfen.

preigu.de

61,80 €

Möglicherweise ausverkauft·

Gratis

Möglicherweise ausverkauft

Gratis

Preisdetails

Derzeit gibt es keine aktiven Angebote für ISBN Deep Learning mit PyTorch Buch Science Fiction Englisch Taschenbuch 520 Seiten. Der zuletzt bekannte Preis war 61,80 €.

Produktinformationen

„Wir haben endlich das endgültige Werk über PyTorch! Es behandelt die Grundlagen und Abstraktionen im Detail. Ich hoffe, dieses Buch wird Ihr erweitertes Referenzdokument.“ —Soumith Chintala, Mitgestalter von PyTorch Key Features Geschrieben von den Schöpfern von PyTorch und wichtigen Mitwirkenden Entwickeln Sie Deep-Learning-Modelle auf eine vertraute Pythonic-Art und Weise Verwenden Sie PyTorch, um einen Bildklassifizierer zur Erkennung von Krebs zu erstellen Diagnostizieren Sie Probleme mit Ihrem neuronalen Netzwerk und verbessern Sie das Training durch Datenaugmented Kauf des Druckbuchs beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications. Über das Buch Jeden Tag hören wir von neuen Wegen, Deep Learning sinnvoll zu nutzen: verbesserte medizinische Bildgebung, genaue Kreditkartenbetrugserkennung, langfristige Wettervorhersagen und mehr. PyTorch gibt Ihnen diese Superkräfte in die Hände. Sofort vertraut für jeden, der Python-Datenwerkzeuge wie NumPy und Scikit-learn kennt, vereinfacht PyTorch das Deep Learning, ohne fortgeschrittene Funktionen zu opfern. Es eignet sich hervorragend zum Erstellen schneller Modelle und skaliert reibungslos vom Laptop bis zum Unternehmen. Deep Learning mit PyTorch lehrt Sie, Deep-Learning- und neuronale Netzwerk-Systeme mit PyTorch zu erstellen. Dieses praktische Buch bringt Sie sofort dazu, einen Tumorbilderklassifizierer von Grund auf neu zu erstellen. Nachdem die Grundlagen behandelt wurden, lernen Sie Best Practices für die gesamte Deep-Learning-Pipeline und bearbeiten fortgeschrittene Projekte, während Ihre PyTorch-Kenntnisse größer werden. Alle Codebeispiele sind einfach in herunterladbaren Jupyter-Notebooks zu erkunden. Was Sie lernen werden: Verständnis von Deep-Learning-Datenstrukturen wie Tensoren und neuronalen Netzwerken Best Practices für die PyTorch Tensor API, das Laden von Daten in Python und das Visualisieren von Ergebnissen Implementierung von Modulen und Verlustfunktionen Nutzung vortrainierter Modelle von PyTorch Hub Methoden zum Trainieren von Netzwerken mit begrenzten Eingaben Durchsuchen von unzuverlässigen Ergebnissen, um Probleme in Ihrem neuronalen Netzwerk zu diagnostizieren und zu beheben Verbessern Sie Ihre Ergebnisse mit augmentierten Daten, besserer Modellarchitektur und Feintuning Dieses Buch ist geschrieben für Python-Programmierer mit Interesse an maschinellem Lernen. Es sind keine Erfahrungen mit PyTorch oder anderen Deep-Learning-Frameworks erforderlich. Über die Autoren Eli Stevens hat 15 Jahre lang in Silicon Valley als Softwareingenieur gearbeitet und war in den letzten 7 Jahren Chief Technical Officer eines Startups, das Software für medizinische Geräte entwickelt. Luca Antiga ist Mitbegründer und CEO eines KI-Engineering-Unternehmens in Bergamo, Italien, und ein regelmäßiger Mitwirkender zu PyTorch. Thomas Viehmann ist ein Spezialist für maschinelles Lernen und PyTorch-Trainings- und Beratungsdienstleister mit Sitz in München, Deutschland, und ein Kernentwickler von PyTorch. Inhaltsverzeichnis TEIL 1 - KERN PYTORCH 1 Einführung in Deep Learning und die PyTorch-Bibliothek 2 Vortrainierte Netzwerke 3 Es beginnt mit einem Tensor 4 Reale Datenrepräsentation mit Tensoren 5 Die Mechanik des Lernens 6 Verwendung eines neuronalen Netzwerks zur Anpassung der Daten 7 Vögel von Flugzeugen unterscheiden: Lernen aus Bildern 8 Verwendung von Faltungen zur Verallgemeinerung TEIL 2 - LERNEN AUS BILDERN IN DER REALITÄT: FRÜHERKENNUNG VON LUNGENKREBS 9 Verwendung von PyTorch zur Bekämpfung von Krebs 10 Kombinieren von Datenquellen zu einem einheitlichen Datensatz 11 Trainieren eines Klassifizierungsmodells zur Erkennung von Verdachts-Tumoren 12 Verbesserung des Trainings mit Metriken und Augmentation 13 Verwendung von Segmentierungen zur Auffindung von Verdachtsknoten 14 End-to-End-Knotenanalyse und wohin man als Nächstes gehen kann TEIL 3 - DEPLOYMENT 15 Bereitstellung in der Produktion