Angebote zu "Rekursive" (10 Treffer)

Informatik. Rekursive Datenstrukturen Softwaret...
15,49 € *
zzgl. 2,95 € Versand

Informatik. Rekursive Datenstrukturen Softwaretechnik. Service-CD 11. Klasse. Ausgabe für Bayern:Rekursive Datenstrukturen Softwaretechnik. 1. Aufl.

Anbieter: Hugendubel.de
Stand: 18.09.2019
Zum Angebot
Informatik. Rekursive Datenstrukturen, Software...
27,95 € *
ggf. zzgl. Versand

Weitere Informationen zu diesem Produkt finden Sie unter www.klett.de.

Anbieter: buecher.de
Stand: 19.09.2019
Zum Angebot
Datenmodellierung
14,99 € *
ggf. zzgl. Versand

Andreas Gadatsch schließt mit dem vorliegenden essential eine Lücke in einführenden Werken zur Datenmodellierung. Diese Modelle gehören zum Basiswissen in Einführungsveranstaltungen zur Wirtschaftsinformatik für Betriebswirte. Die Literatur dazu ist für diese Zielgruppe häufig zu speziell, da sie sich eher an Informatiker richtet. Der Autor bietet hier nun einen kompakten Einstieg in die klassische CHEN-Notation anhand eines durchgängigen Fallbeispiels, auf der viele neue Modellierungsansätze aufbauen. Die zweite Auflage enthält einige formale Korrekturen und Ergänzungen (z. B. Rekursive Relationen). Der Autor: Dr. Andreas Gadatsch ist Professor für Betriebswirtschaftslehre, insbesondere Wirtschaftsinformatik im Fachbereich Wirtschaftswissenschaften der Hochschule Bonn-Rhein-Sieg in Sankt Augustin.

Anbieter: buecher.de
Stand: 19.09.2019
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: 19.09.2019
Zum Angebot
Software Engineering Paralleler Systeme
32,99 € *
ggf. zzgl. Versand

Michael Uelsen beleuchtet die Softwareentwicklung aus verschiedenen Sichtweisen. In der Einführung seines Buches über das Software Engineering stellt er Anwendungsfälle dar und erläutert die Herausforderungen bei der Arbeit mit parallelen Systemen. Anschließend bringt er die Eigenschaften und Besonderheiten paralleler Systeme und Algorithmen zur Sprache. Es geht dabei vor allem um Präfixsummen, Sortier- und rekursive Suchverfahren. Daneben spielen aber auch CPU-Programmierung, GPU-Programmierung und moderne Programmiersprachen eine tragende Rolle in diesem Werk.

Anbieter: buecher.de
Stand: 19.09.2019
Zum Angebot
Informatik/Service-CD 11. Kl./BY/ Rekursive Dat...
15,63 € *
ggf. zzgl. Versand

Erscheinungsdatum: 06/2010Medium: CD-ROMTitel: Informatik. Rekursive Datenstrukturen, Softwaretechnik. Service-CD 11. Klasse. Ausgabe fuer BayernVerlag: Klett Ernst /Schulbuch // Klett, Ernst, Verlag GmbHSprache: DeutschBundeslaender: BayernSchlagwort

Anbieter: RAKUTEN
Stand: 03.09.2019
Zum Angebot
Funktionale Modellierung und Rekursion
29,80 € *
ggf. zzgl. Versand

Erst mit der Möglichkeit der Programmierung und der Entwicklung der theoretischen Informatik hat die Rekursion ihr mathematisches Schattendasein aufgeben können. Trotzdem ist ihr der Einzug in die Schulmathematik bis auf rudimentäre Ansätze nicht gelungen, obwohl sie ein mächtiges funktionales Werkzeug mit umfassendem Einsatzgebiet darstellt. Die Beschäftigung mit Rekursion ermöglicht neue Denkweisen und Lösungsstrategien, die weit über die Mathematik hinausgehen. Demgemäß stehen rekursive Modellierung und praktische Problemlösung mit Hilfe von Tabellenkalkulation und funktionaler Programmierung im Mittelpunkt dieser Monographie. Aber auch die Frage der Berechenbarkeit als Kernthema der theoretischen Informatik wird schulgemäß angegangen. Die unterrichtende Lehrkraft wird bei allen Aspekten dieses Themas lückenlos unterstützt, nicht zuletzt durch zahlreiche ausgearbeiteten Beispiele.

Anbieter: buecher.de
Stand: 19.09.2019
Zum Angebot
Identifikation dynamischer Systeme 2
54,99 € *
ggf. zzgl. Versand

Für viele Aufgabenstellungen bei der Automatisierung technischer Systeme sowie im Bereich der Naturwissenschaften und Wirtschaftswissenschaften benötigt man genaue mathematische Modelle für das dynamische Verhalten von Systemen. Das Werk behandelt Methoden zur Ermittlung dynamischer Modelle aus gemessenen Signalen, die unter dem Begriff Systemidentifikation oder Prozeßidentifikation zusammengefaßt werden. Band 2 beschreibt weitergehende Methoden und Anwendungen: - Maximum-Likelihood-Methode; - Rekursive Parameterschätzung; - Modellabgleich-Verfahren; - Mehrgrößen- und nichtlineare Systeme; - Anwendungen in Maschinenbau und Elektrotechnik, Energie- und Verfahrenstechnik. Beide Bände bilden eine Einheit und führen systematisch von den Grundlagen bis zu den Problemen des praktischen Einsatzes. Sie wenden sich daher sowohl an Studenten der Fachrichtungen Elektrotechnik, Maschinenbau, Informatik, Mathematik, Natur- und Wirtschaftswissenschaften als auch an die in der Praxis tätigen Ingenieure und Wissenschaftler.

Anbieter: buecher.de
Stand: 19.09.2019
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: 19.09.2019
Zum Angebot