Produkt zum Begriff Maschinelles Lernen:
-
Maschinelles Lernen (Frochte, Jörg)
Maschinelles Lernen , Maschinelles Lernen ist ein interdisziplinäres Fach, das die Bereiche Informatik, Mathematik und das jeweilige Anwendungsgebiet zusammenführt. In diesem Buch werden alle drei Teilgebiete gleichermaßen berücksichtigt: - Algorithmen des maschinellen Lernens verwenden und verstehen, wie und warum sie funktionieren. - Kickstart zur Verwendung von Python 3 und seinem Ökosystem im Umfeld des maschinellen Lernens. - Verschiedene Methoden des überwachten, unüberwachten und bestärkenden Lernens, u.a. Random Forest, DBSCAN und Q-Learning. Die Algorithmen werden zum besseren Verständnis und praktischen Einsatz anschaulich mittels NumPy und SciPy umgesetzt. Für die Support Vector Machines und das Deep Learning wird auf scikit-learn bzw. Keras zurückgegriffen. Die dritte Auflage wurde für die Keras/Tensorflow-Version 2 sowie Python 3.7 überarbeitet, mehrere Kapitel insbesondere zum bestärkten Lernen wurde aktualisiert und folgende Themen wurden unter anderem neu aufgenommen: - Deep Q-Learning - Class Activation Maps und Grad-CAM - Pandas-Integration und -Einführung - OpenAI Gym integriert Das Buch ist ideal für Studierende der Informatik, Mechatronik, Elektrotechnik und der angewandten Statistik/Data Science sowie für Ingenieure und Informatiker in der Praxis. Vorausgesetzt werden Kenntnisse in objektorientierter Programmierung und Basiswissen der Hochschulmathematik. Die nötige Mathematik wird eingebettet im Buch präsentiert und die Theorie direkt in Python-Code umgesetzt. , Bücher > Bücher & Zeitschriften , Auflage: 3., überarbeitete und erweiterte Auflage, Erscheinungsjahr: 20201120, Produktform: Kassette, Inhalt/Anzahl: 1, Inhalt/Anzahl: 1, Autoren: Frochte, Jörg, Auflage: 21003, Auflage/Ausgabe: 3., überarbeitete und erweiterte Auflage, Seitenzahl/Blattzahl: 616, Keyword: artificial intelligence basics; artificial intelligence machine learning; künstliche intelligenz ai; künstliche intelligenz programmieren; künstliche intelligenz verstehen; machine learning book; machine learning python; maschinelles lernen anfänger; maschinelles lernen grundlagen; maschinelles lernen python; selbstlernende ki; selbstlernende systeme, Fachschema: Wahrscheinlichkeitsrechnung~Intelligenz / Künstliche Intelligenz~KI~Künstliche Intelligenz - AI, Bildungszweck: für die Hochschule, Fachkategorie: Maschinelles Lernen, Thema: Verstehen, Text Sprache: ger, Sender’s product category: BUNDLE, Verlag: Hanser Fachbuchverlag, Verlag: Hanser Fachbuchverlag, Verlag: Hanser, Carl, Verlag GmbH & Co. KG, Länge: 241, Breite: 177, Höhe: 40, Gewicht: 1167, Produktform: Gebunden, Genre: Mathematik/Naturwissenschaften/Technik/Medizin, Genre: Mathematik/Naturwissenschaften/Technik/Medizin, Beinhaltet: B0000059240001 B0000059240002, Beinhaltet EAN: 9783446913387 9783446913394, Vorgänger EAN: 9783446459960 9783446452916, eBook EAN: 9783446463554, Herkunftsland: DEUTSCHLAND (DE), Katalog: deutschsprachige Titel, Katalog: Gesamtkatalog, Katalog: Kennzeichnung von Titeln mit einer Relevanz > 30, Katalog: Lagerartikel, Book on Demand, ausgew. Medienartikel, Relevanz: 0050, Tendenz: +1, Unterkatalog: AK, Unterkatalog: Bücher, Unterkatalog: Hardcover, Unterkatalog: Lagerartikel, WolkenId: 1788644
Preis: 39.99 € | Versand*: 0 € -
Fischer, Jörn: Maschinelles Lernen für Dummies
Maschinelles Lernen für Dummies , Maschinelles Lernen ist eines der wichtigsten Teilgebiete der künstlichen Intelligenz und das Verstehen und Entwickeln von passenden Algorithmen bleibt die große Herausforderung. Dieses Buch bietet einen außergewöhnlich umfassenden Überblick über die neuesten Algorithmen und die bereits bewährten Verfahren. Jörn Fischer beschreibt nicht nur deren Funktionsweise, sondern gibt für alle Bereiche verständliche Beispiele, die detailliert beschrieben und leicht nachvollziehbar sind. Außerdem werden hilfreiche Methoden zur Fehlersuche und -beseitigung an die Hand gegeben. , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen
Preis: 28.00 € | Versand*: 0 € -
GOOGLE CORAL USB Accelerator: USB Koprozessor für maschinelles Lernen
Der Google Coral USB Accelerator bringt Real-Time Inferenz für Ihren Pi 4 und viele andere Computer! Künstliche Intelligenz / Machine Learning für alle: Google hat mit dem Coral USB Accelerator einen leistungsfähigen Spezialchip (TPU, Tensor Processing Unit) an ein USB 3 Interface angebunden - damit können Tensor Flow Lite Modelle schnell und energiesparend für Inferenz genutzt werden. Ein besonderer Vorteil dieser Lösung: Ihre Daten bleiben lokal. Das hilft bei der Latenz, und natürlich beim Datenschutz! Google nutzt zunehmend künstliche Intelligenz (AI) und maschinelles Lernen (ML) um seine Dienstleistungen zu realisieren. Dazu entwickelte es für seine Rechenzentren spezialisierte Prozessoren namens TPU ("tensor processing unit"); die die Algorithmen mit dem TensorFlow Framework schneller und energiesparender ausführen können. Beispielsweise wird Google Maps durch von Street View aufgenommene Straßenschilder verbessert, die mit Hilfe eines auf TensorFlow basierenden neuronalen Netzes analysiert werden. Der Clou: TensorFlow kann einfach in Python programmiert werden. Google bringt mit der Edge TPU, die das TensorFlow Lite Framework unterstützt, einen USB 3 Stick auf den Markt. Die Edge TPU kann bis zu 4 Billionen Rechenoperationen pro Sekunde mit nur 2 W Verbrauch durchführen. Perfekt in Kombination mit dem Pi 4! Mit Hilfe der Google Coral Edge TPU kann Inferenz beispielsweise mit dem MobileNet v2 Model bis zu 20 x schneller als auf "dem nackten" Pi 4 ausgeführt werden. Es können so real-time Erkennungen in Videostreams mit über 50 fps durchgeführt werden, die mit dem Pi 4 ohne Beschleuniger nicht möglich wären. Dank Python und vielen Beispielen online rund um TensorFlow kann man in das Thema künstliche Intelligenz und Machine Learning mit dem Google Coral USB Accelerator einfach und mit Stil einsteigen. Hier finden Sie die offizielle "Get started" Anleitung für den USB Accelerator! https://coral.ai/docs/accelerator/get-started Technische Daten Coral USB Accelerator • Google Edge TPU ML accelerator coprocessor • USB 3.0 (USB 3.1 Gen 1) Type C socket • Unterstützt Linux, Mac und Windows auf dem Hostsystem • Leistungsaufnahme bis zu 900 mA Peak @ 5 V • Abmessungen Coral USB Stick: 65 mm x 30 mm x 8 mm Diese Benchmarks sind interessant, um ein Gefühl für die Leistungsfähigkeit des Coral USB Accelerators zu bekommen. https://coral.ai/docs/edgetpu/benchmarks/ Anforderungen an das Hostsystem • Linux Debian 6.0 oder höher, oder ein Derivat davon (bspw. Ubuntu 10.0+, Raspbian) • Systemarchitektur: x86-64, ARMv7 (32-bit) oder ARMv8 (64-bit) • macOS 10.15 mit entweder MacPorts oder Homebrew installiert • Windows 10 • Ein freier USB Port (sollte für beste Performance USB 3 sein) • Python 3.5, 3.6 oder 3.7 Umgebungstemperatur Empfohlene Umgebungstemperatur: • 35°C - reduzierte Taktfrequenz • 25°C - maximale Taktfrequenz (für optimale Leistung) Lieferumfang Google Coral USB Accelerator • USB Accelerator • USB 3 Kabel Google stellt im Coral.ai Projekt mehrere interessante Beispiele und Tutorials ( https://coral.ai/examples/ ) bereit, beispielsweise eine "Variante" von AlphaGo Zero die Minigo ( https://coral.ai/projects/minigo/ ) genannt wird. Potential für industrielle Anwendungen Der Google Coral USB Accelerator ist ein revolutionäres Produkt, ähnlich wie der Raspberry Pi, für machine learning Anwendungen! Damit werden embedded Lösungen möglich, die beispielsweise Probleme mit Werkstücken erkennen können, Verkehrssituation erkennen können, und vieles mehr. Downloads & Dokumentation • USB Accelerator Datenblatt (Datenblatt als PDF) https://coral.ai/docs/accelerator/datasheet/ • 3D CAD Datei im STEP Format https://storage.googleapis.com/site_and_emails_static_assets/Files/Coral-USB-Accelerator.STEP • Edge TPU inferencing overview (Tensor Flow Lite Modelle) https://coral.ai/docs/edgetpu/inference/ • TensorFlow models on the Edge TPU https://coral.ai/docs/edgetpu/models-intro/ • Pipeline C++ API Referenz https://coral.ai/docs/reference/cpp/pipeline/ • Edge TPU Python API https://coral.ai/docs/edgetpu/api-intro/ Hinweise & Sonstiges Wichtiger Hinweis: Der USB Stick kann beim Betrieb sehr heiß werden, was Verbrennungen verursachen kann - bitte warten Sie bis er abgekühlt ist bevor Sie ihn anfassen! Google und wir übernehmen keine Verantwortung für Schäden falls das Gerät außerhalb der empfohlenen Umgebungstemperatur betrieben wird. Google Teilenummer: G950-01456-01
Preis: 68.31 € | Versand*: 5.99 € -
Learning Resources Spielset - Zählen lernen, mehrfarbig
Mit dem Spielset von Learning Resources erleben Kids ab drei Jahren die Freude am Erlernen neuer Fähigkeiten im Zählen und der Farberkennung. Spielset - Zählen lernen von Learning Resources mit 10 Geschenken von 3 bis 8 Jahren geeignet In jeder der farbenfrohen, nummerierten Schachteln finden Kinder eine lustige Überraschung - von einem kleinen blauen Roboter über ein hochfliegendes Flugzeug bis hin zu einem freundlichen Teddybären. Insgesamt gibt es 10 Geschenke, die Kinder immer wieder aus- und einpacken können. Neben der Entwicklung feinmotorischer Fähigkeiten bei jedem Auspacken lernen sie auch, Farben und Zahlen zu erkennen. Sie können das Spielzeug nach den Farben der Schachteln sortieren, ihre Geschenke zählen oder die Punkte auf den Deckeln mit den Zahlen auf der Vorderseite der Schachteln abgleichen. Kinder können die Geschenke aus dem Set auch für fantasievolle Versteckspiele oder als lustige Ergänzung zu ihren Rollenspielen verwenden.
Preis: 28.39 € | Versand*: 1.99 €
-
Ist Machine Learning bereits künstliche Intelligenz?
Machine Learning ist ein Teilgebiet der künstlichen Intelligenz. Es befasst sich mit der Entwicklung von Algorithmen und Modellen, die es Computern ermöglichen, aus Daten zu lernen und Vorhersagen zu treffen. Künstliche Intelligenz umfasst jedoch auch andere Bereiche wie Expertensysteme, natürliche Sprachverarbeitung und Robotik.
-
Welchen Einfluss hat die Fähigkeit zur Mustererkennung auf die künstliche Intelligenz und maschinelles Lernen?
Die Fähigkeit zur Mustererkennung ist entscheidend für künstliche Intelligenz und maschinelles Lernen, da sie es den Systemen ermöglicht, komplexe Daten zu verstehen und Vorhersagen zu treffen. Durch die Fähigkeit zur Mustererkennung können Algorithmen trainiert werden, um Muster in großen Datensätzen zu identifizieren und darauf basierend Entscheidungen zu treffen. Eine verbesserte Mustererkennung führt zu leistungsfähigeren und präziseren künstlichen Intelligenz-Systemen.
-
Warum Deep Learning im Vergleich zu Machine Learning?
Deep Learning unterscheidet sich von Machine Learning durch seine Fähigkeit, automatisch Merkmale aus den Daten zu extrahieren, anstatt dass diese manuell definiert werden müssen. Dadurch ist Deep Learning in der Lage, komplexere und abstraktere Muster in den Daten zu erkennen und zu lernen. Dies ermöglicht es Deep Learning-Modellen, in vielen Anwendungsbereichen, wie Bild- und Spracherkennung, bessere Leistungen zu erzielen als herkömmliche Machine Learning-Modelle.
-
Was sind die verschiedenen Anwendungen von Inferenz in den Bereichen Statistik, künstliche Intelligenz und maschinelles Lernen?
In der Statistik wird Inferenz verwendet, um Schlussfolgerungen über eine Population auf der Grundlage von Stichproben zu ziehen. In der künstlichen Intelligenz wird Inferenz verwendet, um logische Schlussfolgerungen aus vorhandenen Informationen zu ziehen und neue Informationen zu generieren. Im maschinellen Lernen wird Inferenz verwendet, um Vorhersagen über zukünftige Ereignisse auf der Grundlage von Trainingsdaten zu treffen und Muster in den Daten zu erkennen. Darüber hinaus wird Inferenz in der Bildverarbeitung und Spracherkennung eingesetzt, um Muster und Merkmale in visuellen oder auditiven Daten zu identifizieren.
Ähnliche Suchbegriffe für Maschinelles Lernen:
-
Ekman, Magnus: Learning Deep Learning
Learning Deep Learning , 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 , >
Preis: 49.28 € | Versand*: 0 € -
Learning Resources Sortierset Obst & Gemüse - Farben und Sortieren lernen, mehrfarbig
Mit dem Sortierset von Learning Resources können Kids ab 18 Monaten ihre Farberkennung und Sortierfähigkeiten spielerisch entwickeln. Sortierset Obst & Gemüse - Farben und Sortieren lernen von Learning Resources mit 25 Lebensmitteln und 5 Körben mit Aufklebern inkl. Spielanleitung Korb-Ø 14 cm, 10 cm hoch von 18 Monaten bis 8 Jahren geeignet Die Körbe sind mit realistischen Lebensmitteln gefüllt, die proportional zueinander korrekt gestaltet sind. Kinder können die Lebensmittel nach Farbe, Form oder Anzahl sortieren und spielerisch alle Gäste im "Café" bedienen. Das Set fördert Kreativität sowie Form- und Farberkennung und hilft, Zahlen- und Mengenkonzepte zu verstehen. Zudem ist es ideal für fantasievolles Spiel und spannende Lektionen über Ernährung.
Preis: 63.69 € | Versand*: 1.99 € -
Zeigermann, Oliver: Machine Learning - kurz & gut
Machine Learning - kurz & gut , Der kompakte Schnelleinstieg in Machine Learning und Deep Learning Die 3. Auflage des Bestsellers wurde ergänzt durch Kapitel zu Large Language Models wie ChatGPT und zu MLOps Anhand konkreter Datensätze lernen Sie einen typischen Workflow kennen: vom Datenimport über Datenbereinigung, Datenanalyse bis hin zur Datenvisualisierung Nicht nur für zukünftige Data Scientists und ML-Profis geeignet, sondern durch seine durchdachte Didaktik auch für Interessierte, die nur am Rande mit ML zu tun haben, wie z.B. Softwareentwickler*innen Machine Learning beeinflusst heute beinahe alle Bereiche der Technik und der Gesellschaft. Dieses Buch bietet Interessierten, die einen technischen Hintergrund haben, die schnellstmögliche Einführung in das umfangreiche Themengebiet des maschinellen Lernens und der statistischen Datenanalyse. Dabei werden alle wesentlichen Themen abgedeckt und mit praktischen Beispielen in Python illustriert. Verwendet werden dabei die Bibliotheken Scikit-Learn, Pandas, NumPy, TensorFlow und Keras. Nach der Lektüre dieses Buchs haben Sie einen Überblick über das gesamte Thema und können Ansätze einordnen und bewerten. Das Buch vermittelt Ihnen eine solide Grundlage, um Ihre ersten eigenen Machine-Learning-Modelle zu trainieren und vertiefende Literatur zu verstehen. Die aktualisierte 3. Auflage behandelt jetzt auch Large Language Models wie z.B. ChatGPT und MLOps. , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen
Preis: 19.90 € | Versand*: 0 € -
Raschka, Sebastian: Machine Learning Q and AI
Machine Learning Q and AI , "An advanced exploration of machine learning and AI, with each chapter asking and answering a question from the field. Divided into five sections: deep learning and neural networks; computer vision; natural language processing; production and deployment; and predictive performance and model evaluation"-- , >
Preis: 37.30 € | Versand*: 0 €
-
Was sind die verschiedenen Anwendungen von Inferenz in den Bereichen Statistik, künstliche Intelligenz und maschinelles Lernen?
In der Statistik wird Inferenz verwendet, um Schlussfolgerungen über eine Population auf der Grundlage von Stichproben zu ziehen. Dies ermöglicht es, Hypothesen zu testen und Schätzungen über Parameter zu machen. In der künstlichen Intelligenz wird Inferenz verwendet, um logische Schlussfolgerungen aus gegebenen Informationen zu ziehen. Dies kann dazu beitragen, Entscheidungsprozesse zu automatisieren und Problemlösungen zu verbessern. Im maschinellen Lernen wird Inferenz verwendet, um Vorhersagen über zukünftige Daten auf der Grundlage von trainierten Modellen zu treffen. Dies ermöglicht es, Muster und Trends in den Daten zu erkennen und Prognosen zu treffen.
-
Was sind die verschiedenen Anwendungen von Inferenz in den Bereichen künstliche Intelligenz, Statistik und maschinelles Lernen?
Inferenz wird in der künstlichen Intelligenz verwendet, um Schlussfolgerungen aus vorhandenen Daten zu ziehen und Vorhersagen über zukünftige Ereignisse zu treffen. In der Statistik wird Inferenz verwendet, um Rückschlüsse über eine Population auf der Grundlage von Stichproben zu ziehen und Hypothesen zu testen. Im maschinellen Lernen wird Inferenz verwendet, um Modelle zu trainieren, die auf neuen Daten Vorhersagen treffen können, und um Unsicherheiten in den Vorhersagen zu quantifizieren. Inferenz ist somit ein zentrales Konzept in der Analyse und Verarbeitung von Daten in verschiedenen Bereichen.
-
Was sind die verschiedenen Anwendungen von Inferenz in den Bereichen Statistik, künstliche Intelligenz und maschinelles Lernen?
In der Statistik wird Inferenz verwendet, um Schlussfolgerungen über eine Population auf der Grundlage von Stichproben zu ziehen. In der künstlichen Intelligenz wird Inferenz verwendet, um logische Schlussfolgerungen aus vorhandenen Informationen zu ziehen und neue Informationen zu generieren. Im maschinellen Lernen wird Inferenz verwendet, um Vorhersagen über zukünftige Ereignisse auf der Grundlage von Trainingsdaten zu treffen und Muster in den Daten zu erkennen. Darüber hinaus wird Inferenz auch in der Sprachverarbeitung eingesetzt, um die Bedeutung von Texten zu verstehen und semantische Beziehungen zwischen Wörtern zu erkennen.
-
Was sind die verschiedenen Anwendungen von Inferenz in den Bereichen Statistik, künstliche Intelligenz und maschinelles Lernen?
In der Statistik wird Inferenz verwendet, um Schlussfolgerungen über eine Population auf der Grundlage von Stichproben zu ziehen. In der künstlichen Intelligenz wird Inferenz verwendet, um logische Schlussfolgerungen aus vorhandenen Informationen zu ziehen und neue Informationen zu generieren. Im maschinellen Lernen wird Inferenz verwendet, um Vorhersagen über zukünftige Ereignisse auf der Grundlage von Trainingsdaten zu treffen und Muster in den Daten zu erkennen. Darüber hinaus wird Inferenz auch in der Sprachverarbeitung eingesetzt, um die Bedeutung von Texten zu verstehen und semantische Beziehungen zu erkennen.
* Alle Preise verstehen sich inklusive der gesetzlichen Mehrwertsteuer und ggf. zuzüglich Versandkosten. Die Angebotsinformationen basieren auf den Angaben des jeweiligen Shops und werden über automatisierte Prozesse aktualisiert. Eine Aktualisierung in Echtzeit findet nicht statt, so dass es im Einzelfall zu Abweichungen kommen kann.