Deep learning
| LEADER | cam a22 4 4500 | ||
|---|---|---|---|
| 001 | 438589963 | ||
| 003 | CHVBK | ||
| 005 | 20201204113619.0 | ||
| 008 | 170227t20162016xxu |||| 00 0 eng|d | ||
| 020 | |a 978-0-262-03561-3 | ||
| 020 | |a 0-262-03561-8 | ||
| 024 | 7 | |a http://catalogue.bnf.fr/ark:/12148/cb453353308 |2 uri | |
| 035 | |a (LIBIB)000447122 | ||
| 035 | |a (IDSBB)006734984 | ||
| 035 | |a (IDSSG)000963601 | ||
| 035 | |a (IDSLU)001272423 | ||
| 035 | |a (NEBIS)010778835 | ||
| 035 | |a (RERO)R008559362 | ||
| 035 | |a (SBT)000916899 | ||
| 035 | |a (OCoLC)955778308 |z (OCoLC)951226949 | ||
| 035 | |a (OCoLC)962086593 | ||
| 040 | |a DEBSZ |b ger |d LI-VaLIL FLFHL |e rda | ||
| 050 | 0 | 0 | |a Q325.5 |b .G66 2016 |
| 072 | 7 | |a s1in |2 rero | |
| 082 | 1 | |a 004 |2 15 | |
| 082 | 1 | |a 150 |2 15 | |
| 082 | 1 | |a 530 |2 15 | |
| 082 | 1 | |a 330 |2 15 | |
| 082 | 0 | |a 006.31 |2 22 | |
| 084 | |a 006.31 |b GOO | ||
| 084 | |a DP 2600 |2 rvk | ||
| 084 | |a MR 2200 |2 rvk | ||
| 084 | |a ST 300 |2 rvk | ||
| 084 | |a ST 301 |2 rvk | ||
| 084 | |a ST 302 |2 rvk | ||
| 084 | |a ST 304 |2 rvk | ||
| 084 | |a 004 |2 sdnb | ||
| 091 | |a DE002F7FB417983E9F918C125817F00409B7F |b iCapture | ||
| 100 | 1 | |a Goodfellow |D Ian |d 1987- |0 (DE-588)112365512X |e Verfasser |4 aut | |
| 245 | 1 | 0 | |a Deep learning |c Ian Goodfellow, Yoshua Bengio and Aaron Courville |
| 264 | 1 | |a Cambridge, Massachusetts |b The MIT Press |c [2016] | |
| 264 | 4 | |c ©2016 | |
| 300 | |a xxii, 775 Seiten |b Illustrationen | ||
| 490 | 0 | |a Adaptive computation and machine learning series |w (LIBIB)000356796 |9 323041825 | |
| 504 | |a Includes bibliographical references (pages 711-766) and index | ||
| 520 | |a "Deep learning is a form of machine learning that enables computers to learn from experience and understand the world in terms of a hierarchy of concepts. Because the computer gathers knowledge from experience, there is no need for a human computer operator to formally specify all the knowledge that the computer needs. The hierarchy of concepts allows the computer to learn complicated concepts by building them out of simpler ones; a graph of these hierarchies would be many layers deep. This book introduces a broad range of topics in deep learning. The text offers mathematical and conceptual background, covering relevant concepts in linear algebra, probability theory and information theory, numerical computation, and machine learning. It describes deep learning techniques used by practitioners in industry, including deep feedforward networks, regularization, optimization algorithms, convolutional networks, sequence modeling, and practical methodology; and it surveys such applications as natural language processing, speech recognition, computer vision, online recommendation systems, bioinformatics, and video games. Finally, the book offers research perspectives, covering such theoretical topics as linear factor models, autoencoders, representation learning, structured probabilistic models, Monte Carlo methods, the partition function, approximate inference, and deep generative models. Deep Learning can be used by undergraduate or graduate students planning careers in either industry or research, and by software engineers who want to begin using deep learning in their products or platforms. A website offers supplementary material for both readers and instructors"--Page 4 of cover | ||
| 650 | 7 | |a Machine learning |2 fast | |
| 650 | 7 | |a Monte-Carlo-Simulation |0 (DE-588)4240945-7 |2 gnd | |
| 650 | 7 | |a Bioinformatik |0 (DE-588)4611085-9 |2 gnd | |
| 650 | 7 | |a Vernetzung |0 (DE-588)4359141-3 |2 gnd | |
| 650 | 7 | |a Datenverarbeitung |0 (DE-588)4011152-0 |2 gnd | |
| 650 | 7 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |2 gnd | |
| 650 | 7 | |a Sprachverarbeitung |0 (DE-588)4116579-2 |2 gnd | |
| 650 | 0 | |a Machine learning | |
| 650 | 7 | |a Deep learning |0 (DE-588)1135597375 |2 gnd | |
| 650 | 7 | |a Data Mining |0 (DE-588)4428654-5 |2 gnd | |
| 650 | 7 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |2 gnd | |
| 650 | 7 | |a ANWENDUNGEN DER MATHEMATIK IN ANDEREN WISSENSCHAFTEN |x ger |0 (ETHUDK)000012465 |2 ethudk | |
| 650 | 7 | |a FACHLICHE NACHSCHLAGEWERKE + FACHLEXIKA + HANDBÜCHER (DOKUMENTENTYP) |x ger |0 (ETHUDK)000009236 |2 ethudk | |
| 650 | 7 | |a MASCHINELLES LERNEN (KÜNSTLICHE INTELLIGENZ) |x ger |0 (ETHUDK)000038192 |2 ethudk | |
| 650 | 7 | |a NEURONALE NETZWERKE + KONNEKTIONISMUS (KÜNSTLICHE INTELLIGENZ) |x ger |0 (ETHUDK)000042509 |2 ethudk | |
| 650 | 7 | |a PROBLEMLÖSEN + PLANEN + SUCHEN (KÜNSTLICHE INTELLIGENZ) |x ger |0 (ETHUDK)000041502 |2 ethudk | |
| 650 | 7 | |a SPEZIELLE PROGRAMMIERMETHODEN |x ger |0 (ETHUDK)000013735 |2 ethudk | |
| 650 | 0 | |a Machine learning |0 (RERO)B013595458 | |
| 650 | 7 | |a Apprentissage automatique |0 (RERO)A021023180 |2 rero | |
| 650 | 7 | |a Analyse multivariée |0 (RERO)A021006569 |2 rero | |
| 650 | 7 | |a Intelligence artificielle |0 (RERO)A021001871 |2 rero | |
| 650 | 7 | |a Modèles mathématiques |0 (RERO)A021010554 |2 rero | |
| 650 | 7 | |a Apprentissage profond |0 (RERO)A021133784 |2 rero | |
| 655 | 7 | |a Lehrbuch |2 gnd-content | |
| 655 | 7 | |a Manuels d'enseignement supérieur |0 (RERO)A021035909 |2 rero | |
| 690 | 7 | |B u |a Lernalgorithmus; Deep; Network; Faltung; Strategie; Maschine; Encoder; Faktoranalyse; Schätzung; Learning; Boltzmann; lineare Abhängigkeit; Abweichung; Codierung; Informationstheorie; Matrize; Operation; Regel; Stichprobenverfahren; Training; statistische Verteilung; Multiplikation; Vektor; Wahrscheinlichkeit; lernender Automat; Erwartung; Netz; Algebra; Analysis; Einheit; Variable; neuronale Netze |2 ids J1 | |
| 690 | 7 | |B u |a Autoencoder; Backpropagation; Partitionsfunktion; Debuggingstrategie; Einzelwertzerlegung; Ensemblemethode; Erwartungsmaximierung; Faltungsalgorithmus; Faltungsoperation; Funktionsanalyse; Initialisierungsstrategie; Kettenregel; Komponentenanalyse; Metaalgorithmus; Netzwerkoptimierung; Optimierungsstrategie; Parameterbindung; Parameternutzung; Sequenzmodellierung; Variationsinferenz; Datentype; Faltungsnetzwerk; Hyperparameter; Loglikelihood; Multitask; Pseudolikelihood; Validierungsset; Boltzmannmaschine; Encoderdecoder; Kausalfaktor; Sequenzarchitektur; Tangentenabstand; Tangentenstütze; Zeitskala; Architekturdesign; Automatikgeber; Erzeugungsschema; Faktormodell; Generatormodell; Gradientabfall; Lernansatz; Lernrate; Moorepenrose; Normstrafe; Optimierungsproblem; Repräsentationskraft; Schichtgröße; Tangentenklassierer; Unterlauf |2 ids J2 | |
| 690 | 7 | |B u |a generatives Netzwerk; gierigweise Pretraining; rekursives Netz; strukturierter Ausgang; strukturiertes Modell; wiederkehrendes Netz; zufälliges Feature; adaptive Lernrate; anderer Boltzmann; ander Gated; andere Anwendung; andere Differenzierung; andere Ensemblemethode; anderes Erzeugungsschema; andere Strategie; angewandte Mathematik; bedingte Unabhängigkeit; bedingte Wahrscheinlichkeit; beschränkte Optimierung; bidirektional RNNs; effizienter Faltungsalgorithmus; eingeschränkte Boltzmannmaschine; explizites Gedächtnis; faltbarer Boltzmann; frühes Stoppen; gemeinsame Funktion; gemeinsame Wahrscheinlichkeitsverteilung; generativ Nets; generatives Modell; getrennter Modus; gradientbasierte Optimierung; grafisches Modell; große Skala; grundlegender Algorithmus; halbüberwachte Entwirrung; historische Anmerkung; historischer Trend; inverse Matrize; kontinuierliche Variable; kontrastive Divergenz; langfristige Abhängigkeit; langsame Funktionsanalyse; leckere Einheit; liegende Ursache; lineare Algebra; lineares Faktormodell; lineare Spanne; lärmkontrastive Schätzung; mannigfaltiger Tangentenklassierer; maschinelles Lernen; mehrfache Zeitskala; natürliche Sprache; neuronales Netz; neuronale Netzwerkoptimierung; neurowissenschaftliche Basis; numerische Berechnung; nützliche Eigenschaft; praktische Methodik; probabilistisches Modell; reellwertiges Daten; reine Optimierung; rekursives Netz; schlechte Konditionierung; sequentieller Ausgang; skalarer Vektor; spezielle Art; spärliche Codierung; spärliche Darstellung; stochastische Höchstwahrscheinlichkeit; stochastischer Decoder; stochastischer Encoder; stochastischer Gradientabfall; stochastisches Netzwerk; strukturierter Ausgang; strukturierte Modellierung; technisches Detail; tiefer Lernansatz; tiefes Lernen; tiefes Modell; unabhängige Komponentenanalyse; ungefähre Inferenz; ungefähre Methode; ungefähre Schlussfolgerung; unstruk |2 ids J3 | |
| 690 | 7 | |B u |a turierte Modellierung; unterbeschränktes Problem; unüberwacht Pretraining; unüberwachtes Feature; unüberwachter Lernalgorithmus; vielfältige Interpretation; zufällige Operation; zufällige Variable; zweite Ordnung; überwachter Lernalgorithmus |2 ids J3 | |
| 690 | 7 | |B u |a Aaron Courville; ander Boltzmann Maschinen; Basic Convolution Funktion; Bayes; Beispiel Multi Digit Number; Beispiel Principal Components Analysis; Computational Graphs; Deep Boltzmann Maschinen; Deep Feedforward; Deep Generative Modelle; Deep Recurrent; Directed Generative Nets; Echo State Networks; Encoderdecoder Sequenzzu SequenzArchitekturen; faltbar Boltzmann Maschinen; Gated RNNs; generativ Stochastische Netzwerke; Gibbs; Gradientbased Learning; groß Skala Deep Learning; Ian Goodfellow Yoshua Bengio; Lernen Deep Networks Moderne; Lernen Ungefähre Inferenz; Markow Kette Monte Carlo Methoden; maschinell Lernen Grundlagen; Maximum Likelihood Schätzung; Parameter Norm Strafen; Predictive Sparse Decomposition; Presse Cambridge Massachusetts London; Regularisierte Autonecoder; rekursiv Neuronale Netze; Semi Supervised Learning; skalar Vektoren Matrizen; tief Lernen Tiefes Lernen; wiederkehrend Neuronale Netze |2 ids J5 | |
| 690 | 7 | |B u |a 519.76 |d Mathematische Semiotik, Mathematische Linguistik |2 idsuzh UK | |
| 691 | 7 | |B u |u ST 304 |a Automatisches Programmieren, Deduction and theorem proving, Wissensrepräsentation |2 libib XF | |
| 691 | 7 | |B u |u ST 530 |2 idslu LR | |
| 691 | 7 | |B u |u ST 300 |2 idslu LR | |
| 691 | 7 | |B u |a MASCHINELLES LERNEN (KÜNSTLICHE INTELLIGENZ) |z ger |u 004*08*02*07 |2 nebis E1 | |
| 691 | 7 | |B u |a NEURONALE NETZWERKE + KONNEKTIONISMUS (KÜNSTLICHE INTELLIGENZ) |z ger |u 004*08*02*07*01 |2 nebis E1 | |
| 691 | 7 | |B u |a PROBLEMLÖSEN + PLANEN + SUCHEN (KÜNSTLICHE INTELLIGENZ) |z ger |u 004*08*02*09 |2 nebis E1 | |
| 691 | 7 | |B u |a ANWENDUNGEN DER MATHEMATIK IN ANDEREN WISSENSCHAFTEN |z ger |u 51-7 |2 nebis E1 | |
| 691 | 7 | |B u |a SPEZIELLE PROGRAMMIERMETHODEN |z ger |u 004*04*03*20 |2 nebis E1 | |
| 691 | 7 | |B u |a FACHLICHE NACHSCHLAGEWERKE + FACHLEXIKA + HANDBÜCHER (DOKUMENTENTYP) |z ger |u (032) |2 nebis E1 | |
| 691 | 7 | |B u |a MACHINE LEARNING (ARTIFICIAL INTELLIGENCE) |z eng |u 004*08*02*07 |2 nebis E1 | |
| 691 | 7 | |B u |a APPRENTISSAGE AUTOMATIQUE (INTELLIGENCE ARTIFICIELLE) |z fre |u 004*08*02*07 |2 nebis E1 | |
| 691 | 7 | |B u |a RÉSEAUX DE NEURONES ARTIFICIELS (INTELLIGENCE ARTIFICIELLE) |z fre |u 004*08*02*07*01 |2 nebis E1 | |
| 691 | 7 | |B u |a NEURAL NETWORKS + CONNECTIONISM (ARTIFICIAL INTELLIGENCE) |z eng |u 004*08*02*07*01 |2 nebis E1 | |
| 691 | 7 | |B u |a RESOLUTION DE PROBLÈMES + GÉNERATION DE PLANS (INTELLIGENCE ARTIFICIELLE) |z fre |u 004*08*02*09 |2 nebis E1 | |
| 691 | 7 | |B u |a PROBLEM SOLVING + PLAN GENERATION + SEARCH (ARTIFICIAL INTELLIGENCE) |z eng |u 004*08*02*09 |2 nebis E1 | |
| 691 | 7 | |B u |a APPLICATIONS OF MATHEMATICS IN OTHER FIELDS |z eng |u 51-7 |2 nebis E1 | |
| 691 | 7 | |B u |a APPLICATIONS DES MATHÉMATIQUES AUX AUTRES SCIENCES |z fre |u 51-7 |2 nebis E1 | |
| 691 | 7 | |B u |a MÉTHODES DE PROGRAMMATION SPÉCIFIQUES |z fre |u 004*04*03*20 |2 nebis E1 | |
| 691 | 7 | |B u |a SPECIAL PROGRAMMING METHODS |z eng |u 004*04*03*20 |2 nebis E1 | |
| 691 | 7 | |B u |a OUVRAGES DE RÉFÉRENCE SPÉCIALISÉS + ENCYCLOPÉDIES SPÉCIALISÉES + MANUELS (TYPE DE DOCUMENT) |z fre |u (032) |2 nebis E1 | |
| 691 | 7 | |B u |a SPECIALIZED REFERENCE WORKS + SPECIALIZED ENCYCLOPAEDIAS + HANDBOOKS (DOCUMENT TYPE) |z eng |u (032) |2 nebis E1 | |
| 691 | 7 | |B u |u 006.31 |a Intelligenza artificiale e computazione naturale. Apprendimento da parte della macchina |2 sbt TE | |
| 700 | 1 | |a Bengio |D Yoshua |0 (DE-588)1126443166 |e Verfasser |4 aut | |
| 700 | 1 | |a Courville |D Aaron |e Verfasser |4 aut | |
| 856 | |u https://doc1.bibliothek.li/acd/FLMF048329.pdf |z Inhaltsverzeichnis (pdf) |3 Inhaltsverzeichnis | ||
| 898 | |a BK020000 |b XK020000 |c XK020000 | ||
| 900 | 7 | |a Metadata rights reserved |2 rero | |
| 909 | 7 | |a NLLUHSI201704 |2 idslu L3 | |
| 909 | 7 | |a E99 |b E99WIMA |2 nebis EB | |
| 909 | 7 | |a E07-20190211 |2 nebis EN | |
| 909 | 7 | |a E64-20181119 |2 nebis EN | |
| 909 | 7 | |a E61ANH-2018 |2 nebis E5 | |
| 909 | 7 | |a E6120180704 |2 nebis EN | |
| 909 | 7 | |a E07-20171109 |2 nebis EN | |
| 909 | 7 | |a E99-20180619 |2 nebis EN | |
| 909 | 7 | |a E07-20171024 |2 nebis EN | |
| 909 | 7 | |a UIPZ-201812 |2 nebis EN | |
| 909 | 7 | |a zbzmon201709l |c beer |d zbzswk201710g |e stet |2 idszbz Z2 | |
| 909 | 7 | |a E51ANH-2017 |2 nebis E5 | |
| 909 | 7 | |a UECON-20170425 |2 nebis EN | |
| 909 | 7 | |a E56-20171004 |2 nebis EN | |
| 909 | 7 | |a E59-20171004 |2 nebis EN | |
| 909 | 7 | |a E72-20180212 |2 nebis EN | |
| 912 | 7 | |a aw |2 FL | |
| 912 | 7 | |a 280 |2 IDS LU | |
| 912 | 7 | |a 098 |2 E01-20170410 | |
| 912 | 7 | |a E02098 |2 E02-20170411 | |
| 912 | 7 | |a E30INFO |2 E30-20171108 | |
| 912 | 7 | |a E51TN |2 E51-20170629 | |
| 912 | 7 | |a E64HM |2 E64-20181119 | |
| 912 | 7 | |a UFBIINFO |2 UFBI-201706 | |
| 912 | 7 | |a in |2 SzBzSBTc | |
| 949 | |B NEBIS |F E30 |b E30 |c E30BI |j NRG 211 | ||
| 949 | |B NEBIS |F E30 |b E30 |c E30BI |j NRG 211: EX.2 | ||
| 949 | |B NEBIS |F N07 |b N07 |c N07FH |j ST 300 GOOD 2016 | ||
| 949 | |B IDSBB |F A204 |b A204 |c FH |j PHY M 427 |x NELA2041709 | ||
| 949 | |B IDSBB |F A100 |b A100 |c 100FM |j UBH Kt 23234 |x NELA1001802 | ||
| 949 | |B IDSBB |F A216 |b A216 |c MAG |j MAT 68 GO GOODFE |x NELA2161801 | ||
| 950 | |B LIBIB |P 100 |E 1- |a Goodfellow |D Ian |d 1987- |0 (DE-588)112365512X |e Verfasser |4 aut | ||
| 950 | |B LIBIB |P 490 |E 0- |a Adaptive computation and machine learning series |w (LIBIB)000356796 |9 323041825 | ||
| 950 | |B LIBIB |P 700 |E 1- |a Bengio |D Yoshua |0 (DE-588)1126443166 |e Verfasser |4 aut | ||
| 950 | |B LIBIB |P 700 |E 1- |a Courville |D Aaron |e Verfasser |4 aut | ||
| 950 | |B LIBIB |P 856 |E -- |u https://doc1.bibliothek.li/acd/FLMF048329.pdf |z Inhaltsverzeichnis (pdf) |3 Inhaltsverzeichnis | ||
| 950 | |B IDSBB |P 100 |E 1- |a Goodfellow |D Ian |d 1987- |0 (DE-588)112365512X |e Verfasser |4 aut | ||
| 950 | |B IDSBB |P 490 |E 0- |a Adaptive computation and machine learning | ||
| 950 | |B IDSBB |P 700 |E 1- |a Bengio |D Yoshua |0 (DE-588)1126443166 |e Verfasser |4 aut | ||
| 950 | |B IDSBB |P 700 |E 1- |a Courville |D Aaron |e Verfasser |4 aut | ||
| 950 | |B IDSBB |P 856 |E -- |u http://www.deeplearningbook.org | ||
| 950 | |B IDSSG |P 100 |E 1- |a Goodfellow |D Ian |d 1987- |0 (DE-588)112365512X |e Verfasser |4 aut | ||
| 950 | |B IDSSG |P 490 |E 0- |a Adaptive computation and machine learning | ||
| 950 | |B IDSSG |P 700 |E 1- |a Bengio |D Yoshua |0 (DE-588)1126443166 |e Verfasser |4 aut | ||
| 950 | |B IDSSG |P 700 |E 1- |a Courville |D Aaron |e Verfasser |4 aut | ||
| 950 | |B IDSSG |P 856 |E 4- |u https://unisg.link/hm00609464 |z Inhaltsverzeichnis | ||
| 950 | |B IDSLU |P 100 |E 1- |a Goodfellow |D Ian |d 1987- |0 (DE-588)112365512X |e Verfasser |4 aut | ||
| 950 | |B IDSLU |P 490 |E 0- |a Adaptive computation and machine learning | ||
| 950 | |B IDSLU |P 700 |E 1- |a Bengio |D Yoshua |0 (DE-588)1126443166 |e Verfasser |4 aut | ||
| 950 | |B IDSLU |P 700 |E 1- |a Courville |D Aaron |0 (DE-588)1171761546 |e Verfasser |4 aut | ||
| 950 | |B NEBIS |P 100 |E 1- |a Goodfellow |D Ian |d 1987- |0 (DE-588)112365512X |e Verfasser |4 aut | ||
| 950 | |B NEBIS |P 490 |E 0- |a Adaptive computation and machine learning | ||
| 950 | |B NEBIS |P 700 |E 1- |a Bengio |D Yoshua |0 (DE-588)1126443166 |e Verfasser |4 aut | ||
| 950 | |B NEBIS |P 700 |E 1- |a Courville |D Aaron |0 (DE-588)1171761546 |e Verfasser |4 aut | ||
| 950 | |B RERO |P 100 |E 1- |a Goodfellow |D Ian |d 1987- |0 (IDREF)197683134 |4 aut | ||
| 950 | |B RERO |P 490 |E 0- |a Adaptive computation and machine learning series | ||
| 950 | |B RERO |P 700 |E 1- |a Bengio |D Yoshua |d 1964- |0 (IDREF)166731285 |4 aut | ||
| 950 | |B RERO |P 700 |E 1- |a Courville |D Aaron |0 (IDREF)197683223 |4 aut | ||
| 950 | |B SBT |P 100 |E 1- |a Goodfellow |D Ian | ||
| 950 | |B SBT |P 490 |E -- |a Adaptive computation and machine learning | ||
| 950 | |B SBT |P 700 |E 1- |a Bengio |D Yoshua | ||
| 950 | |B SBT |P 700 |E 1- |a Courville |D Aaron | ||
| 956 | 4 | |B NEBIS |C EAD50 |u https://opac.nebis.ch/objects/pdf03/e01_978-0-262-03561-3_01.pdf |y Titelblatt und Inhaltsverzeichnis |x VIEW |q pdf | |
| 956 | 4 | |B IDSBB |C DSV51 |D DSV01 |a A100 |u http://www.ub.unibas.ch/tox/HBZ/HT019150662/PDF |q pdf |x VIEW |y Inhaltsverzeichnis | |