Einführung in TensorFlow

Deep-Learning-Systeme programmieren, trainieren, skalieren und deployen
1. Auflage 2018
ISBN: 978-3-96009-074-8
Verlag: O'Reilly

Buch, Deutsch, 226 Seiten, Format (B × H): 165 mm x 240 mm

Deep-Learning-Netze, die mit großen Datenmengen trainiert werden, lösen komplexe Aufgaben mit erstaunlicher Genauigkeit. Dieses Buch ist eine praktische Einführung in TensorFlow, die führende Open-Source-Softwarebibliothek zum Erstellen und Anlernen von Deep-Learning-Netzen - zum Beispiel für die Sprach- und Bilderkennung, die Verarbeitung natürlicher Sprache (NLP) oder die vorhersagende Datenanalyse.

Es bietet einer technisch orientierten Leserschaft einen praktischen Zugang zu den Grundlagen von TensorFlow - von Datenanalytikern und Ingenieuren bis hin zu Studenten und Wissenschaftlern. Zunächst starten Sie mit einigen einfachen Beispielaufgaben mit TensorFlow, anschließend tauchen Sie 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 in TensorFlow zu erstellen und im Produktvertrieb einzusetzen.

Aus dem Inhalt:

- Steigen Sie schnell in die Benutzung von TensorFlow ein.
- Lernen Sie von der Pike auf, Deep-Learning-Systeme mit TensorFlow zu modellieren.
- Trainieren Sie verbreitete Deep-Learning-Modelle für Computer Vision und Sprachverarbeitung.
- Entwickeln Sie schneller und einfacher mit Hilfe von Abstraktionsbibliotheken.
- Erfahren SIe, wie Sie TensorFlow skalieren und das Anlernen von Modellen auf Cluster verteilen.
- Setzen Sie TensorFlow unter Produktivbedingungen ein.

Zielgruppe

Data Scientists, Datenanalysten, Studenten der Informatik

Autoren/Hrsg.

Hope, Tom

Resheff, Yehezkel S.

Lieder, Itay

Weitere Mitwirkende

Rother, Kristian

Lotze, Thomas

Über Autor(innen)

Hope, Tom
Tom Hope ist Forscher auf dem Gebiet des angewandten maschinellen Lernens und ein Datenanalyst mit umfangreichen Erfahrungen in der akademischen Welt und der Industrie. Er hat auf verschiedenen Anwendungsgebieten Forschungs- und Entwicklungsprojekte zu Datenanalyse und Deep Learning geleitet.

Lieder, Itay
Itay Lieder ist Wissenschaftler auf dem Gebiet des angewandten maschinellen Lernens und der Neuroinformatik. Für seine Dissertation entwickelte er Algorithmen zur Modellierung grundlegender Wahrnehmungsvorgänge. Er hat innovative Forschungs- und Entwicklungsprojekte zu Deep Learning für Textanalyse und Web-Mining bei großen internationalen Firmen geleitet.

Resheff, Yehezkel S.
Yehezkel S. Resheff forscht zu angewandter Datenanalyse. Seine Dissertation beschäftigte sich mit maschinellem Lernen und Lernmethoden für tragbare Geräte und dem Internet der Dinge. Er hat in der Vergangenheit Forschungs- und Entwicklungsprojekte zu Deep Learning bei Intel und Microsoft geleitet.