Vendeur : Grand Eagle Retail, Bensenville, IL, Etats-Unis
Paperback. Etat : new. Paperback. Questo libro offre un'introduzione completa e strutturata alle basi, alle architetture e alle applicazioni del deep learning. Partendo da concetti matematici fondamentali come l'algebra lineare, la probabilita e l'ottimizzazione, costruisce una solida base per la comprensione delle moderne reti neurali. Il testo esplora idee chiave come la capacita del modello, il bias-variance trade-off, l'overfitting e la regolazione dell'iperparametro. Il lettore viene quindi guidato attraverso le principali architetture di deep learning, tra cui le reti neurali convoluzionali (CNN) per l'analisi delle immagini, le reti neurali ricorrenti (RNN) e le LSTM per la modellazione delle sequenze e i modelli generativi avanzati come gli autoencoder, gli autoencoder variazionali (VAE) e le reti generative adverse (GAN). Ogni capitolo presenta spiegazioni chiare, diagrammi ed esempi pratici per semplificare concetti complessi. Pensato per studenti, educatori e professionisti dell'IA, il libro fornisce sia approfondimenti teorici sia intuizioni pratiche. E un riferimento completo per chiunque voglia capire, costruire e applicare efficacemente modelli di deep learning a problemi reali di computer vision, elaborazione del linguaggio naturale e IA generativa. This item is printed on demand. Shipping may be from multiple locations in the US or from the UK, depending on stock availability. N° de réf. du vendeur 9786209883910
Quantité disponible : 1 disponible(s)
Vendeur : California Books, Miami, FL, Etats-Unis
Etat : New. N° de réf. du vendeur I-9786209883910
Quantité disponible : Plus de 20 disponibles
Vendeur : BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Allemagne
Taschenbuch. Etat : Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 128 pp. Italienisch. N° de réf. du vendeur 9786209883910
Quantité disponible : 2 disponible(s)
Vendeur : preigu, Osnabrück, Allemagne
Taschenbuch. Etat : Neu. Manuale completo sul deep learning: CNN, RNN e modelli generativi | Sundaresan K (u. a.) | Taschenbuch | Italienisch | 2026 | Edizioni Sapienza | EAN 9786209883910 | Verantwortliche Person für die EU: preigu GmbH & Co. KG, Lengericher Landstr. 19, 49078 Osnabrück, mail[at]preigu[dot]de | Anbieter: preigu Print on Demand. N° de réf. du vendeur 134940588
Quantité disponible : 5 disponible(s)
Vendeur : buchversandmimpf2000, Emtmannsberg, BAYE, Allemagne
Taschenbuch. Etat : Neu. This item is printed on demand - Print on Demand Titel. Neuware -Questo libro offre un'introduzione completa e strutturata alle basi, alle architetture e alle applicazioni del deep learning. Partendo da concetti matematici fondamentali come l'algebra lineare, la probabilità e l'ottimizzazione, costruisce una solida base per la comprensione delle moderne reti neurali. Il testo esplora idee chiave come la capacità del modello, il bias-variance trade-off, l'overfitting e la regolazione dell'iperparametro. Il lettore viene quindi guidato attraverso le principali architetture di deep learning, tra cui le reti neurali convoluzionali (CNN) per l'analisi delle immagini, le reti neurali ricorrenti (RNN) e le LSTM per la modellazione delle sequenze e i modelli generativi avanzati come gli autoencoder, gli autoencoder variazionali (VAE) e le reti generative adverse (GAN). Ogni capitolo presenta spiegazioni chiare, diagrammi ed esempi pratici per semplificare concetti complessi. Pensato per studenti, educatori e professionisti dell'IA, il libro fornisce sia approfondimenti teorici sia intuizioni pratiche. È un riferimento completo per chiunque voglia capire, costruire e applicare efficacemente modelli di deep learning a problemi reali di computer vision, elaborazione del linguaggio naturale e IA generativa.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 128 pp. Italienisch. N° de réf. du vendeur 9786209883910
Quantité disponible : 1 disponible(s)
Vendeur : AHA-BUCH GmbH, Einbeck, Allemagne
Taschenbuch. Etat : Neu. nach der Bestellung gedruckt Neuware - Printed after ordering. N° de réf. du vendeur 9786209883910
Quantité disponible : 1 disponible(s)
Vendeur : CitiRetail, Stevenage, Royaume-Uni
Paperback. Etat : new. Paperback. Questo libro offre un'introduzione completa e strutturata alle basi, alle architetture e alle applicazioni del deep learning. Partendo da concetti matematici fondamentali come l'algebra lineare, la probabilita e l'ottimizzazione, costruisce una solida base per la comprensione delle moderne reti neurali. Il testo esplora idee chiave come la capacita del modello, il bias-variance trade-off, l'overfitting e la regolazione dell'iperparametro. Il lettore viene quindi guidato attraverso le principali architetture di deep learning, tra cui le reti neurali convoluzionali (CNN) per l'analisi delle immagini, le reti neurali ricorrenti (RNN) e le LSTM per la modellazione delle sequenze e i modelli generativi avanzati come gli autoencoder, gli autoencoder variazionali (VAE) e le reti generative adverse (GAN). Ogni capitolo presenta spiegazioni chiare, diagrammi ed esempi pratici per semplificare concetti complessi. Pensato per studenti, educatori e professionisti dell'IA, il libro fornisce sia approfondimenti teorici sia intuizioni pratiche. E un riferimento completo per chiunque voglia capire, costruire e applicare efficacemente modelli di deep learning a problemi reali di computer vision, elaborazione del linguaggio naturale e IA generativa. This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability. N° de réf. du vendeur 9786209883910
Quantité disponible : 1 disponible(s)
Vendeur : Books Puddle, New York, NY, Etats-Unis
Etat : New. N° de réf. du vendeur 26406508286
Quantité disponible : 4 disponible(s)
Vendeur : Majestic Books, Hounslow, Royaume-Uni
Etat : New. Print on Demand. N° de réf. du vendeur 407727393
Quantité disponible : 4 disponible(s)
Vendeur : Biblios, Frankfurt am main, HESSE, Allemagne
Etat : New. PRINT ON DEMAND. N° de réf. du vendeur 18406508276
Quantité disponible : 4 disponible(s)