Angebote zu "Informationstheorie" (7 Treffer)

Kategorien

Shops

Informatik
44,99 € *
ggf. zzgl. Versand

Das Buch ist eine unkonventionelle, auf intuitives Verständnis ausgerichtete Einführung in die theoretischen Grundlagen der praktischen Aspekte der Informatik. Dabei geht es nicht ausschließlich um die Entwicklung von Software. Beim Leser werden keine besonderen Vorkenntnisse vorausgesetzt. Es werden etwa Informationstheorie, Codierungstheorie, Zahlendarstellung und Numerik, Boolesche Algebra, Fuzzy-Logik sowie Quanten-Computer behandelt, wobei gewährleistet bleibt, dass leicht verständlich wird, wie auf diesem theoretischen Unterbau die praktische Realisierung eines Computers sowohl in Hardware als auch in Software erfolgen kann. Für die fünfte Auflage wurde das Buch komplett überarbeitet und auf den neuesten Stand gebracht.

Anbieter: buecher.de
Stand: 16.07.2019
Zum Angebot
Deep Learning. Das umfassende Handbuch
80,00 € *
ggf. zzgl. Versand

Mathematische Grundlagen für Machine und Deep Learning Umfassende Behandlung zeitgemäßer Verfahren: tiefe Feedforward-Netze, Regularisierung, Performance-Optimierung sowie CNNs, Rekurrente und Rekursive Neuronale Netze Zukunftsweisende Deep-Learning-Ansätze sowie von Ian Goodfellow neu entwickelte Konzepte wie Generative Adversarial Networks Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning. In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt. In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf. Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt. Teil I: Angewandte Mathematik und Grundlagen für das Machine Learning Lineare Algebra Wahrscheinlichkeits- und Informationstheorie Bayessche Statistik Numerische Berechnung Teil II: Deep-Learning-Verfahren Tiefe Feedforward-Netze Regularisierung Optimierung beim Trainieren tiefer Modelle Convolutional Neural Networks Sequenzmodellierung für Rekurrente und Rekursive Netze Praxisorientierte Methodologie Anwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher Sprache Teil III: Deep-Learning-Forschung Lineare Faktorenmodelle Autoencoder Representation Learning Probabilistische graphische Modelle Monte-Carlo-Verfahren Die Partitionsfunktion Approximative Inferenz Tiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m.

Anbieter: buecher.de
Stand: 16.07.2019
Zum Angebot
Informations- und Kodierungstheorie
34,99 € *
ggf. zzgl. Versand

Was ist Information? Wie kann man sie darstellen, sicher übertragen oder speichern? Viele Fragen, auf die das Buch Antworten gibt. Die Informationstheorie liefert die Grundlage für die Berechnung des Informationsgehalts von diskreten und kontinuierlichen Quellen und deren Darstellung in kodierter Form. So können erforderliche Speicher- und Kanalkapazitäten bei der Informationsverarbeitung und -übertragung in IT-Systemen bestimmt werden. Abschnitte im Kapitel Kanalkodierung wurden inhaltlich neu gestaltet und erweitert. Es zeigt Lösungen für eine sichere Informationsübertragung über gestörte Kanäle. Ausführlich werden Block- und blockfreie Kodes, serielle und parallele Kodeverkettungen mit hard decision- und (iterativer) soft decision-Dekodierung beschrieben, die zur Fehlererkennung und Fehlerkorrektur dienen. Der Inhalt Informationsquellen und deren Beschreibung - Kodierung diskreter Quellen - Nachrichten und Kanäle - Diskrete Kanäle - Analoge Kanäle - Quantisierung analoger Signale - Kanalkodierung und Fehlerkorrekturverfahren - Bewertung von Kanalkodes Die Zielgruppen Studierende der Informatik, Medieninformatik, Nachrichtentechnik, Mathematik an Universitäten und FachhochschulenInformatiklehrer und Praktiker Die Autoren Dr. Dagmar Schönfeld, TU Dresden Dr. Herbert Klimant, TU Dresden Dr. Rudi Piotraschke, TU Dresden

Anbieter: buecher.de
Stand: 16.07.2019
Zum Angebot
Einführung in die Informationstheorie als Buch ...
54,99 € *
ggf. zzgl. Versand

Einführung in die Informationstheorie:Studienbuch für Mathematiker, Informatiker, Naturwissenschaftler und Ingenieure ab 3. Semester uni-texte. 4. Aufl. 1974 Ernst Henze

Anbieter: Hugendubel.de
Stand: 27.06.2019
Zum Angebot
Übungsaufgaben zur Informationstheorie als Buch...
44,99 € *
ggf. zzgl. Versand

Übungsaufgaben zur Informationstheorie:Lehrbuch f. Informatiker, Mathematiker u. alle Naturwissenschaftler ab 3. Semester. . Auflage 1972 Maurice Denis-Papin

Anbieter: Hugendubel.de
Stand: 27.06.2019
Zum Angebot
Einführung in die Informationstheorie als Buch ...
54,99 € *
ggf. zzgl. Versand

Einführung in die Informationstheorie:Studienbuch für Informatiker, Mathematiker und alle Naturwissenschaftler ab 3. Semester uni-texte. 3. Aufl. 1970 Ernst Henze, Horst H. Homuth

Anbieter: Hugendubel.de
Stand: 27.06.2019
Zum Angebot
Deep Learning. Das umfassende Handbuch (eBook, ...
69,99 € *
ggf. zzgl. Versand

Mathematische Grundlagen für Machine und Deep Learning Umfassende Behandlung zeitgemäßer Verfahren: tiefe Feedforward-Netze, Regularisierung, Performance-Optimierung sowie CNNs, Rekurrente und Rekursive Neuronale Netze Zukunftsweisende Deep-Learning-Ansätze sowie von Ian Goodfellow neu entwickelte Konzepte wie Generative Adversarial Networks Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning. In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt. In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf. Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt. Teil I: Angewandte Mathematik und Grundlagen für das Machine Learning Lineare Algebra Wahrscheinlichkeits- und Informationstheorie Bayessche Statistik Numerische Berechnung Teil II: Deep-Learning-Verfahren Tiefe Feedforward-Netze Regularisierung Optimierung beim Trainieren tiefer Modelle Convolutional Neural Networks Sequenzmodellierung für Rekurrente und Rekursive Netze Praxisorientierte Methodologie Anwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher Sprache Teil III: Deep-Learning-Forschung Lineare Faktorenmodelle Autoencoder Representation Learning Probabilistische graphische Modelle Monte-Carlo-Verfahren Die Partitionsfunktion Approximative Inferenz Tiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m.

Anbieter: buecher.de
Stand: 16.07.2019
Zum Angebot