Learning Deep Learning

Magnus Ekman

30 Bewertungen von Goodreads

Sprache: Englisch

Verlag: Pearson Aug 2021, 2021

0137470355 / 9780137470358

Anbieter: Books-by-Floh, Paderborn, DeutschlandBooks-by-Floh

Verkäufer/-in mit 5 Sternen

Verkäufer:in bei ZVAB seit 13. März 2026

Softcover

Zustand: Neu

EUR 96,04

EUR 105,00 Versand 
Versand von Deutschland nach USA

Anzahl: 2 verfügbar

In den Warenkorb
30 Tage kostenlose Rückgabe

Artikelbeschreibung des Verkäufers

Neuware -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 752 pp. Englisch. …

Bestandsnummer des Verkäufers 9780137470358

Titel
Learning Deep Learning
Autor
Magnus Ekman
Verlag
Pearson Aug 2021
Erscheinungsjahr
2021
Zustand
Neu
Einband
Taschenbuch
Sprache
Englisch
ISBN-10
0137470355
ISBN-13
9780137470358
Artikelgewicht
1.406 Gramm
Abmessungen
235x195x41 mm

Books-by-Floh

Paderborn, Deutschland

Verkäufer/-in mit 5 Sternen

Verkäufer:in bei ZVAB seit 13. März 2026

Versandkosten von Deutschland nach USA

Artikel60 bis 60 Werktage60 bis 60 Werktage
Erster ArtikelEUR 105,00EUR 130,00
Die Versandzeiten werden von den Verkäuferinnen und Verkäufern festgelegt. Sie variieren je nach Versanddienstleister und Standort. Sendungen, die den Zoll passieren, können Verzögerungen unterliegen. Eventuell anfallende Abgaben oder Gebühren sind von der Käuferin bzw. dem Käufer zu tragen. Die Verkäuferin bzw. der Verkäufer kann Sie bezüglich zusätzlicher Versandkosten kontaktieren, um einen möglichen Anstieg der Versandkosten für Ihre Artikel auszugleichen.

Zahlungsarten

  • Visa
  • Mastercard
  • American Express
  • Carte Bleue
  • Apple Pay
  • Google Pay

Shopbeschreibung

Books-by-Floh steht für ein breites, kuratiertes Buchsortiment aus einer Hand. Unser Fokus liegt auf Qualität, Vielfalt und zuverlässiger Abwicklung. Wir führen Romane, Krimis, Thriller, Liebesromane, Lyrik, Anthologien, Mythologie, Fachbücher sowie Werke der Gegenwartsliteratur – für Leserinnen und Leser mit Anspruch. Alle Artikel werden ausschließlich aus Deutschland versendet. Das garantiert kurze Lieferzeiten, transparente Prozesse und einen verlässlichen Service. Unser Anspruch: unkomplizierter Einkauf, Bücher, die man gerne liest – heute und morgen. Books-by-Floh – Bücher. Klar. Verlässlich. …

Spezialisierung

Belletristik