Learning TensorFlow

Author: Tom Hope
Publisher: "O'Reilly Media, Inc."
ISBN: 1491978481
Format: PDF, Docs
Download Now
Roughly inspired by the human brain, deep neural networks trained with large amounts of data can solve complex tasks with unprecedented accuracy. This practical book provides an end-to-end guide to TensorFlow, the leading open source software library that helps you build and train neural networks for computer vision, natural language processing (NLP), speech recognition, and general predictive analytics. Authors Tom Hope, Yehezkel Resheff, and Itay Lieder provide a hands-on approach to TensorFlow fundamentals for a broad technical audience—from data scientists and engineers to students and researchers. You’ll begin by working through some basic examples in TensorFlow before diving deeper into topics such as neural network architectures, TensorBoard visualization, TensorFlow abstraction libraries, and multithreaded input pipelines. Once you finish this book, you’ll know how to build and deploy production-ready deep learning systems in TensorFlow. Get up and running with TensorFlow, rapidly and painlessly Learn how to use TensorFlow to build deep learning models from the ground up Train popular deep learning models for computer vision and NLP Use extensive abstraction libraries to make development easier and faster Learn how to scale TensorFlow, and use clusters to distribute model training Deploy TensorFlow in a production setting

TensorFlow f r Dummies

Author: Matthew Scarpino
Publisher: John Wiley & Sons
ISBN: 3527818960
Format: PDF, ePub
Download Now
TensorFlow ist Googles herausragendes Werkzeug für das maschinelle Lernen, und dieses Buch macht es zugänglich, selbst wenn Sie bisher wenig über neuronale Netze und Deep Learning wissen. Sie erfahren, auf welchen Prinzipien TensorFlow basiert und wie Sie mit TensorFlow Anwendungen schreiben. Gleichzeitig lernen Sie die Konzepte des maschinellen Lernens kennen. Wenn Sie Softwareentwickler sind und TensorFlow in Zukunft einsetzen möchten, dann ist dieses Buch der richtige Einstieg für Sie. Greifen Sie auch zu, wenn Sie einfach mehr über das maschinelle Lernen erfahren wollen.

Praxiseinstieg Deep Learning

Author: Ramon Wartala
Publisher: O'Reilly
ISBN: 3960101570
Format: PDF, Mobi
Download Now
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

Neuronale Netze selbst programmieren

Author: Tariq Rashid
Publisher: O'Reilly
ISBN: 3960101031
Format: PDF, Docs
Download Now
Neuronale Netze sind Schlüsselelemente des Deep Learning und der Künstlichen Intelligenz, die heute zu Erstaunlichem in der Lage sind. Sie sind Grundlage vieler Anwendungen im Alltag wie beispielsweise Spracherkennung, Gesichtserkennung auf Fotos oder die Umwandlung von Sprache in Text. Dennoch verstehen nur wenige, wie neuronale Netze tatsächlich funktionieren. Dieses Buch nimmt Sie mit auf eine unterhaltsame Reise, die mit ganz einfachen Ideen beginnt und Ihnen Schritt für Schritt zeigt, wie neuronale Netze arbeiten: - Zunächst lernen Sie die mathematischen Konzepte kennen, die den neuronalen Netzen zugrunde liegen. Dafür brauchen Sie keine tieferen Mathematikkenntnisse, denn alle mathematischen Ideen werden behutsam und mit vielen Illustrationen und Beispielen erläutert. Eine Kurzeinführung in die Analysis unterstützt Sie dabei. - Dann geht es in die Praxis: Nach einer Einführung in die populäre und leicht zu lernende Programmiersprache Python bauen Sie allmählich Ihr eigenes neuronales Netz mit Python auf. Sie bringen ihm bei, handgeschriebene Zahlen zu erkennen, bis es eine Performance wie ein professionell entwickeltes Netz erreicht. - Im nächsten Schritt tunen Sie die Leistung Ihres neuronalen Netzes so weit, dass es eine Zahlenerkennung von 98 % erreicht – nur mit einfachen Ideen und simplem Code. Sie testen das Netz mit Ihrer eigenen Handschrift und werfen noch einen Blick in das mysteriöse Innere eines neuronalen Netzes. - Zum Schluss lassen Sie das neuronale Netz auf einem Raspberry Pi Zero laufen. Tariq Rashid erklärt diese schwierige Materie außergewöhnlich klar und verständlich, dadurch werden neuronale Netze für jeden Interessierten zugänglich und praktisch nachvollziehbar.

Einf hrung in TensorFlow

Author: Tom Hope
Publisher: O'Reilly
ISBN: 3960101813
Format: PDF
Download Now
Deep-Learning-Netze, die mit großen Datenmengen angelernt wurden, lösen komplexe Aufgaben mit erstaunlicher Genauigkeit. TensorFlow ist die führende Open-Source-Bibliothek zum Erstellen und Trainieren neuronaler Deep-Learning-Netze z.B. für die Sprach- und Bilderkennung, die Verarbeitung natürlicher Sprache (NLP) oder die vorhersagende Datenanalyse. Dieses Buch bietet einer breiten technisch orientierten Leserschaft einen praxisnahen Zugang zu den Grundlagen von TensorFlow.Sie erarbeiten zunächst einige einfache Beispielaufgaben mit TensorFlow und tauchen anschließend tiefer in Themen ein wie die Architektur neuronaler Netze, die Visualisierung mit TensorBoard, Abstraktionsbibliotheken für TensorFlow oder Multithread-Pipelines zur Dateneingabe. Wenn Sie dieses Buch durchgearbeitet haben, sind Sie in der Lage, Deep-Learning-Systeme mit TensorFlow zu erstellen und im Produktivbetrieb einzusetzen.

Applied Deep Learning with Python

Author: Alex Galea
Publisher: Packt Publishing Ltd
ISBN: 1789806992
Format: PDF, Mobi
Download Now
A hands-on guide to deep learning that’s filled with intuitive explanations and engaging practical examples Key Features Designed to iteratively develop the skills of Python users who don’t have a data science background Covers the key foundational concepts you’ll need to know when building deep learning systems Full of step-by-step exercises and activities to help build the skills that you need for the real-world Book Description Taking an approach that uses the latest developments in the Python ecosystem, you’ll first be guided through the Jupyter ecosystem, key visualization libraries and powerful data sanitization techniques before we train our first predictive model. We’ll explore a variety of approaches to classification like support vector networks, random decision forests and k-nearest neighbours to build out your understanding before we move into more complex territory. It’s okay if these terms seem overwhelming; we’ll show you how to put them to work. We’ll build upon our classification coverage by taking a quick look at ethical web scraping and interactive visualizations to help you professionally gather and present your analysis. It’s after this that we start building out our keystone deep learning application, one that aims to predict the future price of Bitcoin based on historical public data. By guiding you through a trained neural network, we’ll explore common deep learning network architectures (convolutional, recurrent, generative adversarial) and branch out into deep reinforcement learning before we dive into model optimization and evaluation. We’ll do all of this whilst working on a production-ready web application that combines Tensorflow and Keras to produce a meaningful user-friendly result, leaving you with all the skills you need to tackle and develop your own real-world deep learning projects confidently and effectively. What you will learn Discover how you can assemble and clean your very own datasets Develop a tailored machine learning classification strategy Build, train and enhance your own models to solve unique problems Work with production-ready frameworks like Tensorflow and Keras Explain how neural networks operate in clear and simple terms Understand how to deploy your predictions to the web Who this book is for If you're a Python programmer stepping into the world of data science, this is the ideal way to get started.

Deep Learning Das umfassende Handbuch

Author: Ian Goodfellow
Publisher: MITP-Verlags GmbH & Co. KG
ISBN: 3958457010
Format: PDF, ePub, Mobi
Download Now
• Mathematische Grundlagen für Machine und Deep Learning • Umfassende Behandlung zeitgemäßer Verfahren: tiefe Feedforward-Netze, Regularisierung, Performance-Optimierung sowie CNNs, Rekurrente und Rekursive Neuronale Netze • Zukunftsweisende Deep-Learning-Ansätze sowie von Ian Goodfellow neu entwickelte Konzepte wie Generative Adversarial Networks Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning. In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt. In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf. Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt.

R Deep Learning Essentials

Author: Mark Hodnett
Publisher: Packt Publishing Ltd
ISBN: 1788997808
Format: PDF, ePub, Docs
Download Now
Implement neural network models in R 3.5 using TensorFlow, Keras, and MXNet Key Features Use R 3.5 for building deep learning models for computer vision and text Apply deep learning techniques in cloud for large-scale processing Build, train, and optimize neural network models on a range of datasets Book Description Deep learning is a powerful subset of machine learning that is very successful in domains such as computer vision and natural language processing (NLP). This second edition of R Deep Learning Essentials will open the gates for you to enter the world of neural networks by building powerful deep learning models using the R ecosystem. This book will introduce you to the basic principles of deep learning and teach you to build a neural network model from scratch. As you make your way through the book, you will explore deep learning libraries, such as Keras, MXNet, and TensorFlow, and create interesting deep learning models for a variety of tasks and problems, including structured data, computer vision, text data, anomaly detection, and recommendation systems. You’ll cover advanced topics, such as generative adversarial networks (GANs), transfer learning, and large-scale deep learning in the cloud. In the concluding chapters, you will learn about the theoretical concepts of deep learning projects, such as model optimization, overfitting, and data augmentation, together with other advanced topics. By the end of this book, you will be fully prepared and able to implement deep learning concepts in your research work or projects. What you will learn Build shallow neural network prediction models Prevent models from overfitting the data to improve generalizability Explore techniques for finding the best hyperparameters for deep learning models Create NLP models using Keras and TensorFlow in R Use deep learning for computer vision tasks Implement deep learning tasks, such as NLP, recommendation systems, and autoencoders Who this book is for This second edition of R Deep Learning Essentials is for aspiring data scientists, data analysts, machine learning developers, and deep learning enthusiasts who are well versed in machine learning concepts and are looking to explore the deep learning paradigm using R. Fundamental understanding of the R language is necessary to get the most out of this book.