Andere Kunden interessierten sich auch für
![Visualisierung des Trainingsprozesses eines Convolutional Neural Networks (eBook, PDF)]( "Visualisierung des Trainingsprozesses eines Convolutional Neural Networks (eBook, PDF)")
Visualisierung des Trainingsprozesses eines Convolutional Neural Networks (eBook, PDF)15,99 €![Kriterien für die Visualisierung der Funktionsweise von Convolutional Neural Networks (eBook, PDF)]( "Kriterien für die Visualisierung der Funktionsweise von Convolutional Neural Networks (eBook, PDF)")
Kriterien für die Visualisierung der Funktionsweise von Convolutional Neural Networks (eBook, PDF)15,99 €![Vergleichende Analyse zwischen Support Vector Machines und Convolutional Neural Networks zur Texterkennung im MNIST-Datensatz (eBook, PDF)]( "Vergleichende Analyse zwischen Support Vector Machines und Convolutional Neural Networks zur Texterkennung im MNIST-Datensatz (eBook, PDF)")
Vergleichende Analyse zwischen Support Vector Machines und Convolutional Neural Networks zur Texterkennung im MNIST-Datensatz (eBook, PDF)13,99 €![Entwicklung und Laborexperiment von Convolutional Neural Networks mit Variationscharakteristik für fortschrittliche Cybersicherheitsanalysen (eBook, PDF)]( "Entwicklung und Laborexperiment von Convolutional Neural Networks mit Variationscharakteristik für fortschrittliche Cybersicherheitsanalysen (eBook, PDF)")
Entwicklung und Laborexperiment von Convolutional Neural Networks mit Variationscharakteristik für fortschrittliche Cybersicherheitsanalysen (eBook, PDF)36,99 €![Use of CNNs for the Classification of Medical Images (eBook, PDF)]( "Use of CNNs for the Classification of Medical Images (eBook, PDF)")
Use of CNNs for the Classification of Medical Images (eBook, PDF)15,99 €![An Overview of Spiking Neural Networks (eBook, PDF)]( "An Overview of Spiking Neural Networks (eBook, PDF)")
An Overview of Spiking Neural Networks (eBook, PDF)2,99 €![Radial basis neural network optimization using fruit fly (eBook, PDF)]( "Radial basis neural network optimization using fruit fly (eBook, PDF)")
Radial basis neural network optimization using fruit fly (eBook, PDF)36,99 €
Studienarbeit aus dem Jahr 2024 im Fachbereich Informatik - Künstliche Intelligenz, Note: 1,0, AKAD University, ehem. AKAD Fachhochschule Stuttgart (Technik und Informatik), Veranstaltung: Deep Learning, Sprache: Deutsch, Abstract: Primärziel der Arbeit ist es, den grundlegenden Aufbau und die Funktionsweise von CNN zu erläutern. Dabei wird ebenfalls die Regularisierungsmethode Dropout zur Effizienzsteigerung vorgestellt, sowie fortgeschrittene CNN-Architekturen und Layertypen angeschnitten. Ein genereller Überblick über KNN soll dabei zum besseren Verständnis der Architektur beitragen. Um die Bedeutung von CNN für das Deep Learning darzustellen, wird die historische Entwicklung dieser Disziplin im Allgemeinen und von CNNs im Speziellen skizziert. Weiterhin werden Einsatzmöglichkeiten von CNN abseits der Bilderkennung vorgestellt. Spätestens seit dem Sieg von Google DeepMinds Programm "AlphaGo" gegen den Go-Spitzenspieler Lee Se-dol im März 2016 sind Deep Learning und Künstliche Neuronale Netze (KNN ) im medialen Mainstream angekommen. Für den Erfolg von AlphaGo ist jedoch eine außerhalb von Fachkreisen weniger bekannte Variante des Deep Learnings namens Convolutional Neural Networks (CNN) verantwortlich, die normalerweise für die Bilderkennung eingesetzt wird. In diesem Bereich sind die CNN spätestens ab dem Jahr 2015 zum Standard geworden. Das Assignment ist in vier Kapitel gegliedert. Auf die Einführung in die Fragestellung in Kapitel 1 folgt der Hauptteil mit den Kapiteln 2 und 3. Kapitel 2 stellt ein Grundlagenkapitel dar, in dem Deep Learning definiert und die Bestandteile und Wirkmechanismen eines KNN anhand von Feedforward-Netzen vorgestellt werden. Kapitel 3 befasst sich eingehend mit CNN. Zunächst werden der Aufbau und die unterschiedlichen Layertypen erklärt. Anschließend wird die Funktionsweise von CNN erläutert, wobei auch auf Unterschiede zur KNN-Architektur aus Kapitel 2 eingegangen wird. Weiterhin wird die Regularisierungsmethode "Dropout" für die Effizienzsteigerung tiefer Netze beleuchtet sowie neuartige CNN-Architekturen und Layertypen vorgestellt. Das Kapitel schließt mit einem Überblick über die Anwendungsgebiete von CNN. Die Ergebnisse der Arbeit werden im Fazit in Kapitel 4 zusammengefasst und kritisch beleuchtet.