Neuronale Netze mit C# programmieren
Hanser, Carl (Verlag)
978-3-446-46229-8 (ISBN)
Zu diesem Buch erhalten Sie kostenlos ein eBook dazu.
- Aufbau und Training von neuronalen Netzen
- Wichtige Machine-Learning-Algorithmen verstehen und einsetzen
- Arbeiten mit ML.NET und Infer.NET
- Vorstellung des Open Source Framework TensorFlow.NET
- Erstellen eines Lex-Chatbot für .NET
- Alle Beispiele sind mit Visual Studio und C# umsetzbar
- Ihr exklusiver Vorteil: E-Book inside beim Kauf des gedruckten Buches
Sie wollen neuronale Netze und Machine-Learning-Algorithmen mit C# entwickeln? Dann finden Sie in diesem Buch eine gut verständliche Einführung in die Grundlagen und es wird Ihnen gezeigt, wie Sie neuronale Netze und Machine-Learning-Algorithmen in Ihren eigenen Projekten praktisch einsetzen.
Mithilfe von Beispielen erstellen und trainieren Sie Ihr erstes neuronales Netz zur vorausschauenden Wartung einer Produktionsmaschine.
Im Praxisteil lernen Sie dann, wie Sie TensorFlow-Modelle in ML.NET benutzen oder Infer.NET direkt verwenden können. Des Weiteren nutzen Sie die Predictive- und Sentiment-Analyse, um sich mit Machine-Learning-Algorithmen vertraut zu machen.
Alle im Buch vorgestellten Projekte sind in C# programmiert und stehen als Download zur Verfügung. Grundkenntnisse in C# werden für die Arbeit mit dem Buch vorausgesetzt. Alle Projekte lassen sich ohne größere Rechnerressourcen umsetzen.
Aus dem Inhalt:
- Künstliche Intelligenz: Grundlagen
- Konzepte und Methoden von Machine Learning
- Neuronale Netze bauen und trainieren
- Maschinensimulation mit Multilayer Perceptron ( MLP )
- Backpropagation
- Recurrent Neural Networks
- Convolutional Neural Networks
- Machine Learning as a Service
- Predictive Analytics
- Objekterkennung
- Sentiment-Analyse
Daniel Basler arbeitet als Lead Developer und Softwarearchitekt. Seine Schwerpunkte liegen auf Cross-Platform-Apps, Android, JavaScript und Microsoft-Technologien. Er entwickelt u.a. Software für die Bereiche Lagersteuerung (Regal- und Flächenlagersysteme) und Anlagenvisualisierung und setzt in diesem Umfeld verstärkt Machine Learning-Methoden ein. Darüber hinaus schreibt er regelmäßig Artikel für die Fachzeitschriften dotnetpro und web&mobile Developer.
"Lehrbücher zu künstlicher Intelligenz sind allzu oft Klempneranleitungen, die die Nutzung von AI Frameworks zur Erledigung vordefinierter Aufgaben demonstrieren. Nachteil dieser Vorgehensweise ist, dass der Entwickler beim Antreffen einer andersartigen Lösung, wie der Ochse vor dem Scheunentor steht und nicht weiter weiß. Das vorliegende Werk umgeht dieses Problem. Wenn Sie eine Einführung in die Arbeit mit neuronalen Netzen suchen, die auch Grundlagen vermittelt, werden Sie den Kauf von 'Neuronale Netze mit C# programmieren" mit Sicherheit nicht bereuen." Tam Hanna, windows.developer, September 2021
"Lehrbücher zu künstlicher Intelligenz sind allzu oft Klempneranleitungen, die die Nutzung von AI Frameworks zur Erledigung vordefinierter Aufgaben demonstrieren. Nachteil dieser Vorgehensweise ist, dass der Entwickler beim Antreffen einer andersartigen Lösung, wie der Ochse vor dem Scheunentor steht und nicht weiter weiß. Das vorliegende Werk umgeht dieses Problem. Wenn Sie eine Einführung in die Arbeit mit neuronalen Netzen suchen, die auch Grundlagen vermittelt, werden Sie den Kauf von 'Neuronale Netze mit C# programmieren" mit Sicherheit nicht bereuen." Tam Hanna, windows.developer, September 2021
| Erscheinungsdatum | 01.04.2021 |
|---|---|
| Verlagsort | München |
| Sprache | deutsch |
| Maße | 182 x 246 mm |
| Gewicht | 804 g |
| Einbandart | gebunden |
| Themenwelt | Informatik ► Software Entwicklung ► Objektorientierung |
| Informatik ► Theorie / Studium ► Künstliche Intelligenz / Robotik | |
| Schlagworte | Amazon Cognitive Toolkit • Deep learning • Industrie 4.0 • Infer.NET • machine learning • Microsoft ML Framework • Predictive Analysis • tensor flow • tensorflow |
| ISBN-10 | 3-446-46229-5 / 3446462295 |
| ISBN-13 | 978-3-446-46229-8 / 9783446462298 |
| Zustand | Neuware |
| Haben Sie eine Frage zum Produkt? |
aus dem Bereich
