Ein praktischer Leitfaden zum Deep Learning: Von Daten zur Bereitstellung

Beim Deep Learning werden Modelle entwickelt, die Muster in Daten finden. Es ist aber nicht die einzige Methode, die das leistet. Wann also stellt Deep Learning die beste Möglichkeit zur Lösung praktischer ingenieurtechnischer Probleme dar?

Antworten darauf finden Sie in diesem Leitfaden, der erläutert, warum Deep Learning besonders nützlich bei technischen Problemen ist, bei denen herkömmliche Methoden versagen. Außerdem erfahren Sie, wie Sie Ihre Daten und tiefe Neuronale Netze so vorbereiten, dass Ihr Modell auch in der Produktion zuverlässige Ergebnisse liefert.

Lesen Sie dieses E-Book, um zu erfahren:

• Wann Ingenieure auf Deep Learning zurückgreifen sollten
• Wie Daten (etwa Bild-, Signal- und Sensordaten) gesammelt und mit synthetischen Daten erweitert werden
• Mit welchen Methoden Sie Daten für tiefe Neuronale Netze vorbereiten
• Wie Sie mit Transfer Learning Zeit sparen können
• Was in der Praxis bei der Integration von Modellen in Systemlogiken und der Bereitstellung auf Hardware zu beachten ist