ISBN: 9783988890313 - machine learning und ki kompakt: zentrale konzepte verstehen und anwenden (12 Ergebnisse)

Zustand: very good. Gut/Very good: Buch bzw. Schutzumschlag mit wenigen Gebrauchsspuren an Einband, Schutzumschlag oder Seiten. / Describes a book or dust jacket that does show some signs of wear on either the binding, dust jacket or pages.

PAP. Zustand: New. New Book. Shipped from UK. Established seller since 2000.

PAP. Zustand: New. New Book. Shipped from UK. Established seller since 2000.

perfect. Zustand: Brand New. 272 pages. German language. 6.38x0.67x9.37 inches. In Stock.

Taschenbuch. Zustand: Neu. Neuware - Schließt die Lücke zwischen Grundlagen und Profiwissen Einfache, prägnante Erklärungen zu wichtigen und aktuellen Themen Mit Übungsaufgaben sowie Codebeispielen auf GitHub Sie verfügen bereits über Grundkenntnisse zu maschinellem Lernen und künstlicher Intelligenz, haben aber viele Fragen und wollen tiefer in wesentliche und aktuelle Konzepte eintauchen ML- und KI-Experte Sebastian Raschka greift in diesem Buch die wichtigsten Schlüsselfragen auf und liefert sowohl prägnante als auch einfach verständliche Erklärungen zu komplexen und fortgeschrittenen Themen wie Deep Learning, Überanpassung, Self-Supervised Learning, generative KI, Computer Vision, Natural Language Processing und Modellevaluierung. Viele Beispiele, anschauliche Illustrationen und praktische Übungsaufgaben helfen Ihnen dabei, das Erlernte nicht nur schnell zu verstehen, sondern auch praktisch umzusetzen. Dabei werden weder fortgeschrittene Mathematik- noch Programmierkenntnisse vorausgesetzt - wer tiefer in den Code eintauchen will, findet jedoch im kostenlosen Zusatzmaterial einige Codebeispiele. Aus dem Inhalt: Umgang mit verschiedenen Zufallsquellen beim Training neuronaler Netze Unterscheidung zwischen Encoder- und Decoder-Architekturen in großen Sprachmodellen (LLMs) Verringerung von Überanpassung durch Daten- und Modellmodifikationen Konstruktion von Konfidenzintervallen für Klassifizierer und Optimierung von Modellen mit begrenzten gelabelten Daten Wählen zwischen verschiedenen Multi-GPU-Trainingsparadigmen und verschiedenen Arten von generativen KI-Modellen Verstehen von Performancemetriken für die Verarbeitung natürlicher Sprache.…

Zustand: New.

perfect. Zustand: New.

Zustand: New. Autor/Autorin: Sebastian RaschkaSebastian Raschka, PhD, ist Forscher fuer maschinelles Lernen und KI mit einer grossen Leidenschaft fuer Wissensvermittlung. Als Lead AI Educator bei Lightning AI brennt er dafuer, KI und Deep Learning verstaendlich darzu.

perfect. Zustand: Gut. 262 Seiten; 9783988890313.3 Gewicht in Gramm: 1.

Taschenbuch. Zustand: Neu. Neuware -Vertiefendes Wissen von Deep Learning über Computer Vision bis Natural Language Processing Schließt die Lücke zwischen Grundlagen und Profiwissen Einfache, prägnante Erklärungen zu wichtigen und aktuellen Themen Mit Übungsaufgaben sowie Codebeispielen auf GitHubSie verfügen bereits über Grundkenntnisse zu maschinellem Lernen und künstlicher Intelligenz, haben aber viele Fragen und wollen tiefer in wesentliche und aktuelle Konzepte eintauchen ML- und KI-Experte Sebastian Raschka greift in diesem Buch die wichtigsten Schlüsselfragen auf und liefert sowohl prägnante als auch einfach verständliche Erklärungen zu komplexen und fortgeschrittenen Themen wie Deep Learning, Überanpassung, Self-Supervised Learning, generative KI, Computer Vision, Natural Language Processing und Modellevaluierung.Viele Beispiele, anschauliche Illustrationen und praktische Übungsaufgaben helfen Ihnen dabei, das Erlernte nicht nur schnell zu verstehen, sondern auch praktisch umzusetzen. Dabei werden weder fortgeschrittene Mathematik- noch Programmierkenntnisse vorausgesetzt - wer tiefer in den Code eintauchen will, findet jedoch im kostenlosen Zusatzmaterial einige Codebeispiele.Aus dem Inhalt: Umgang mit verschiedenen Zufallsquellen beim Training neuronaler Netze Unterscheidung zwischen Encoder- und Decoder-Architekturen in großen Sprachmodellen (LLMs) Verringerung von Überanpassung durch Daten- und Modellmodifikationen Konstruktion von Konfidenzintervallen für Klassifizierer und Optimierung von Modellen mit begrenzten gelabelten Daten Wählen zwischen verschiedenen Multi-GPU-Trainingsparadigmen und verschiedenen Arten von generativen KI-Modellen Verstehen von Performancemetriken für die Verarbeitung natürlicher Sprachedpunkt.Verlag, Wieblinger Weg 17, 69123 Heidelberg 240 pp. Deutsch.…

Taschenbuch. Zustand: Neu. Machine Learning und KI kompakt | Zentrale Konzepte verstehen und anwenden | Sebastian Raschka | Taschenbuch | XXII | Deutsch | 2025 | dpunkt.Verlag | EAN 9783988890313 | Verantwortliche Person für die EU: dpunkt.verlag GmbH, Vanessa Niethammer, Wieblinger Weg 17, 69123 Heidelberg, niethammer[at]dpunkt[dot]de | Anbieter: preigu.…

Taschenbuch. Zustand: Neu. Neuware -Vertiefendes Wissen von Deep Learning über Computer Vision bis Natural Language Processing Schließt die Lücke zwischen Grundlagen und Profiwissen Einfache, prägnante Erklärungen zu wichtigen und aktuellen Themen Mit Übungsaufgaben sowie Codebeispielen auf GitHubSie verfügen bereits über Grundkenntnisse zu maschinellem Lernen und künstlicher Intelligenz, haben aber viele Fragen und wollen tiefer in wesentliche und aktuelle Konzepte eintauchen ML- und KI-Experte Sebastian Raschka greift in diesem Buch die wichtigsten Schlüsselfragen auf und liefert sowohl prägnante als auch einfach verständliche Erklärungen zu komplexen und fortgeschrittenen Themen wie Deep Learning, Überanpassung, Self-Supervised Learning, generative KI, Computer Vision, Natural Language Processing und Modellevaluierung.Viele Beispiele, anschauliche Illustrationen und praktische Übungsaufgaben helfen Ihnen dabei, das Erlernte nicht nur schnell zu verstehen, sondern auch praktisch umzusetzen. Dabei werden weder fortgeschrittene Mathematik- noch Programmierkenntnisse vorausgesetzt - wer tiefer in den Code eintauchen will, findet jedoch im kostenlosen Zusatzmaterial einige Codebeispiele.Aus dem Inhalt: Umgang mit verschiedenen Zufallsquellen beim Training neuronaler Netze Unterscheidung zwischen Encoder- und Decoder-Architekturen in großen Sprachmodellen (LLMs) Verringerung von Überanpassung durch Daten- und Modellmodifikationen Konstruktion von Konfidenzintervallen für Klassifizierer und Optimierung von Modellen mit begrenzten gelabelten Daten Wählen zwischen verschiedenen Multi-GPU-Trainingsparadigmen und verschiedenen Arten von generativen KI-Modellen Verstehen von Performancemetriken für die Verarbeitung natürlicher Sprache 240 pp. Deutsch.…