Produkt zum Begriff NLTK:
-
Maschinelles Lernen (Frochte, Jörg)
Maschinelles Lernen , Maschinelles Lernen ist ein interdisziplinäres Fach, das die Bereiche Informatik, Mathematik und das jeweilige Anwendungsgebiet zusammenführt. In diesem Buch werden alle drei Teilgebiete gleichermaßen berücksichtigt: - Algorithmen des maschinellen Lernens verwenden und verstehen, wie und warum sie funktionieren. - Kickstart zur Verwendung von Python 3 und seinem Ökosystem im Umfeld des maschinellen Lernens. - Verschiedene Methoden des überwachten, unüberwachten und bestärkenden Lernens, u.a. Random Forest, DBSCAN und Q-Learning. Die Algorithmen werden zum besseren Verständnis und praktischen Einsatz anschaulich mittels NumPy und SciPy umgesetzt. Für die Support Vector Machines und das Deep Learning wird auf scikit-learn bzw. Keras zurückgegriffen. Die dritte Auflage wurde für die Keras/Tensorflow-Version 2 sowie Python 3.7 überarbeitet, mehrere Kapitel insbesondere zum bestärkten Lernen wurde aktualisiert und folgende Themen wurden unter anderem neu aufgenommen: - Deep Q-Learning - Class Activation Maps und Grad-CAM - Pandas-Integration und -Einführung - OpenAI Gym integriert Das Buch ist ideal für Studierende der Informatik, Mechatronik, Elektrotechnik und der angewandten Statistik/Data Science sowie für Ingenieure und Informatiker in der Praxis. Vorausgesetzt werden Kenntnisse in objektorientierter Programmierung und Basiswissen der Hochschulmathematik. Die nötige Mathematik wird eingebettet im Buch präsentiert und die Theorie direkt in Python-Code umgesetzt. , Bücher > Bücher & Zeitschriften , Auflage: 3., überarbeitete und erweiterte Auflage, Erscheinungsjahr: 20201120, Produktform: Kassette, Inhalt/Anzahl: 1, Inhalt/Anzahl: 1, Autoren: Frochte, Jörg, Auflage: 21003, Auflage/Ausgabe: 3., überarbeitete und erweiterte Auflage, Seitenzahl/Blattzahl: 616, Keyword: artificial intelligence basics; artificial intelligence machine learning; künstliche intelligenz ai; künstliche intelligenz programmieren; künstliche intelligenz verstehen; machine learning book; machine learning python; maschinelles lernen anfänger; maschinelles lernen grundlagen; maschinelles lernen python; selbstlernende ki; selbstlernende systeme, Fachschema: Wahrscheinlichkeitsrechnung~Intelligenz / Künstliche Intelligenz~KI~Künstliche Intelligenz - AI, Bildungszweck: für die Hochschule, Fachkategorie: Maschinelles Lernen, Thema: Verstehen, Text Sprache: ger, Sender’s product category: BUNDLE, Verlag: Hanser Fachbuchverlag, Verlag: Hanser Fachbuchverlag, Verlag: Hanser, Carl, Verlag GmbH & Co. KG, Länge: 241, Breite: 177, Höhe: 40, Gewicht: 1167, Produktform: Gebunden, Genre: Mathematik/Naturwissenschaften/Technik/Medizin, Genre: Mathematik/Naturwissenschaften/Technik/Medizin, Beinhaltet: B0000059240001 B0000059240002, Beinhaltet EAN: 9783446913387 9783446913394, Vorgänger EAN: 9783446459960 9783446452916, eBook EAN: 9783446463554, Herkunftsland: DEUTSCHLAND (DE), Katalog: deutschsprachige Titel, Katalog: Gesamtkatalog, Katalog: Kennzeichnung von Titeln mit einer Relevanz > 30, Katalog: Lagerartikel, Book on Demand, ausgew. Medienartikel, Relevanz: 0050, Tendenz: +1, Unterkatalog: AK, Unterkatalog: Bücher, Unterkatalog: Hardcover, Unterkatalog: Lagerartikel, WolkenId: 1788644
Preis: 39.99 € | Versand*: 0 € -
Fischer, Jörn: Maschinelles Lernen für Dummies
Maschinelles Lernen für Dummies , Maschinelles Lernen ist eines der wichtigsten Teilgebiete der künstlichen Intelligenz und das Verstehen und Entwickeln von passenden Algorithmen bleibt die große Herausforderung. Dieses Buch bietet einen außergewöhnlich umfassenden Überblick über die neuesten Algorithmen und die bereits bewährten Verfahren. Jörn Fischer beschreibt nicht nur deren Funktionsweise, sondern gibt für alle Bereiche verständliche Beispiele, die detailliert beschrieben und leicht nachvollziehbar sind. Außerdem werden hilfreiche Methoden zur Fehlersuche und -beseitigung an die Hand gegeben. , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen
Preis: 28.00 € | Versand*: 0 € -
GOOGLE CORAL USB Accelerator: USB Koprozessor für maschinelles Lernen
Der Google Coral USB Accelerator bringt Real-Time Inferenz für Ihren Pi 4 und viele andere Computer! Künstliche Intelligenz / Machine Learning für alle: Google hat mit dem Coral USB Accelerator einen leistungsfähigen Spezialchip (TPU, Tensor Processing Unit) an ein USB 3 Interface angebunden - damit können Tensor Flow Lite Modelle schnell und energiesparend für Inferenz genutzt werden. Ein besonderer Vorteil dieser Lösung: Ihre Daten bleiben lokal. Das hilft bei der Latenz, und natürlich beim Datenschutz! Google nutzt zunehmend künstliche Intelligenz (AI) und maschinelles Lernen (ML) um seine Dienstleistungen zu realisieren. Dazu entwickelte es für seine Rechenzentren spezialisierte Prozessoren namens TPU ("tensor processing unit"); die die Algorithmen mit dem TensorFlow Framework schneller und energiesparender ausführen können. Beispielsweise wird Google Maps durch von Street View aufgenommene Straßenschilder verbessert, die mit Hilfe eines auf TensorFlow basierenden neuronalen Netzes analysiert werden. Der Clou: TensorFlow kann einfach in Python programmiert werden. Google bringt mit der Edge TPU, die das TensorFlow Lite Framework unterstützt, einen USB 3 Stick auf den Markt. Die Edge TPU kann bis zu 4 Billionen Rechenoperationen pro Sekunde mit nur 2 W Verbrauch durchführen. Perfekt in Kombination mit dem Pi 4! Mit Hilfe der Google Coral Edge TPU kann Inferenz beispielsweise mit dem MobileNet v2 Model bis zu 20 x schneller als auf "dem nackten" Pi 4 ausgeführt werden. Es können so real-time Erkennungen in Videostreams mit über 50 fps durchgeführt werden, die mit dem Pi 4 ohne Beschleuniger nicht möglich wären. Dank Python und vielen Beispielen online rund um TensorFlow kann man in das Thema künstliche Intelligenz und Machine Learning mit dem Google Coral USB Accelerator einfach und mit Stil einsteigen. Hier finden Sie die offizielle "Get started" Anleitung für den USB Accelerator! https://coral.ai/docs/accelerator/get-started Technische Daten Coral USB Accelerator • Google Edge TPU ML accelerator coprocessor • USB 3.0 (USB 3.1 Gen 1) Type C socket • Unterstützt Linux, Mac und Windows auf dem Hostsystem • Leistungsaufnahme bis zu 900 mA Peak @ 5 V • Abmessungen Coral USB Stick: 65 mm x 30 mm x 8 mm Diese Benchmarks sind interessant, um ein Gefühl für die Leistungsfähigkeit des Coral USB Accelerators zu bekommen. https://coral.ai/docs/edgetpu/benchmarks/ Anforderungen an das Hostsystem • Linux Debian 6.0 oder höher, oder ein Derivat davon (bspw. Ubuntu 10.0+, Raspbian) • Systemarchitektur: x86-64, ARMv7 (32-bit) oder ARMv8 (64-bit) • macOS 10.15 mit entweder MacPorts oder Homebrew installiert • Windows 10 • Ein freier USB Port (sollte für beste Performance USB 3 sein) • Python 3.5, 3.6 oder 3.7 Umgebungstemperatur Empfohlene Umgebungstemperatur: • 35°C - reduzierte Taktfrequenz • 25°C - maximale Taktfrequenz (für optimale Leistung) Lieferumfang Google Coral USB Accelerator • USB Accelerator • USB 3 Kabel Google stellt im Coral.ai Projekt mehrere interessante Beispiele und Tutorials ( https://coral.ai/examples/ ) bereit, beispielsweise eine "Variante" von AlphaGo Zero die Minigo ( https://coral.ai/projects/minigo/ ) genannt wird. Potential für industrielle Anwendungen Der Google Coral USB Accelerator ist ein revolutionäres Produkt, ähnlich wie der Raspberry Pi, für machine learning Anwendungen! Damit werden embedded Lösungen möglich, die beispielsweise Probleme mit Werkstücken erkennen können, Verkehrssituation erkennen können, und vieles mehr. Downloads & Dokumentation • USB Accelerator Datenblatt (Datenblatt als PDF) https://coral.ai/docs/accelerator/datasheet/ • 3D CAD Datei im STEP Format https://storage.googleapis.com/site_and_emails_static_assets/Files/Coral-USB-Accelerator.STEP • Edge TPU inferencing overview (Tensor Flow Lite Modelle) https://coral.ai/docs/edgetpu/inference/ • TensorFlow models on the Edge TPU https://coral.ai/docs/edgetpu/models-intro/ • Pipeline C++ API Referenz https://coral.ai/docs/reference/cpp/pipeline/ • Edge TPU Python API https://coral.ai/docs/edgetpu/api-intro/ Hinweise & Sonstiges Wichtiger Hinweis: Der USB Stick kann beim Betrieb sehr heiß werden, was Verbrennungen verursachen kann - bitte warten Sie bis er abgekühlt ist bevor Sie ihn anfassen! Google und wir übernehmen keine Verantwortung für Schäden falls das Gerät außerhalb der empfohlenen Umgebungstemperatur betrieben wird. Google Teilenummer: G950-01456-01
Preis: 68.31 € | Versand*: 5.99 € -
Freedom of Speech | Zustand: Neu & original versiegelt
Freedom of Speech
Preis: 49.99 € | Versand*: 4.95 €
-
Was sind die wichtigsten Anwendungen von Part-of-Speech-Tagging in der Sprachverarbeitung?
Part-of-Speech-Tagging wird verwendet, um Wörter in einem Satz nach ihrer grammatikalischen Kategorie zu markieren, was bei der Analyse von Texten hilft. Es wird in der automatischen Übersetzung, Informationsextraktion und Textklassifizierung eingesetzt. Zudem ermöglicht es die Verbesserung von Suchmaschinen durch die Identifizierung von relevanten Schlüsselwörtern.
-
Was sind die wichtigsten Anwendungen von Named Entity Recognition in der Sprachverarbeitung?
Named Entity Recognition wird in der Sprachverarbeitung hauptsächlich für die Identifizierung und Klassifizierung von Namen von Personen, Orten, Organisationen und anderen Entitäten verwendet. Diese Technologie wird auch in der Informationsextraktion eingesetzt, um relevante Informationen aus Texten zu extrahieren. Darüber hinaus spielt Named Entity Recognition eine wichtige Rolle bei der automatischen Indexierung und Kategorisierung von Texten in großen Datenbanken.
-
Was sind die wichtigsten Anwendungen von Part-of-Speech-Tagging in der natürlichen Sprachverarbeitung?
Die wichtigsten Anwendungen von Part-of-Speech-Tagging in der natürlichen Sprachverarbeitung sind die Identifizierung von Wortarten in einem Text, die Analyse von Satzstrukturen und die Verbesserung der Genauigkeit von maschinellen Übersetzungen. Part-of-Speech-Tagging ermöglicht es auch, semantische Beziehungen zwischen Wörtern zu erkennen und die Effizienz von Suchmaschinen zu verbessern. In der automatischen Textverarbeitung wird Part-of-Speech-Tagging verwendet, um Texte zu analysieren, zu klassifizieren und zu summarisieren.
-
Was ist Part-of-Speech-Tagging und wie wird es in der Sprachverarbeitung eingesetzt?
Part-of-Speech-Tagging ist ein Prozess, bei dem Wörtern in einem Text grammatische Kategorien wie Nomen, Verben oder Adjektive zugewiesen werden. Es wird in der Sprachverarbeitung eingesetzt, um die Struktur von Sätzen zu analysieren, semantische Beziehungen zu erkennen und maschinelles Lernen zu unterstützen. Dadurch können Computerprogramme besser verstehen, wie Wörter in einem Satz zusammenhängen und Bedeutung extrahieren.
Ähnliche Suchbegriffe für NLTK:
-
The Study of Language (Yule, George)
The Study of Language , Easy to follow, simple to understand, broad yet concise coverage - this fundamental introduction now has more study questions and tasks. , > , Auflage: 8th edition, Erscheinungsjahr: 20221110, Produktform: Kartoniert, Autoren: Yule, George, Auflage: 23008, Auflage/Ausgabe: 8th edition. Revised, Abbildungen: 60 colour illus. 39 tables, Themenüberschrift: LANGUAGE ARTS & DISCIPLINES / Linguistics / General, Fachschema: Englische Bücher / Geisteswissenschaften / Sprachwissenschaft~Spracherwerb~Linguistik~Sprachwissenschaft, Bildungszweck: für die Hochschule, Warengruppe: HC/Sprachwissenschaft/Allg. u. vergl. Sprachwiss., Fachkategorie: Spracherwerb, Text Sprache: eng, Seitenanzahl: XII, Seitenanzahl: 390, UNSPSC: 49019900, Warenverzeichnis für die Außenhandelsstatistik: 49019900, Verlag: Cambridge University Pr., Verlag: Cambridge University Pr., Länge: 244, Breite: 188, Höhe: 20, Gewicht: 892, Produktform: Kartoniert, Genre: Importe, Genre: Importe, Vorgänger: 2068449, Vorgänger EAN: 9781108730709 9781316606759 9781107658172 9780521749220 9780521543200 9783125344006, Katalog: LIB_ENBOOK, Katalog: Gesamtkatalog, Katalog: Internationale Lagertitel, Katalog: internationale Titel, Katalog: Kennzeichnung von Titeln mit einer Relevanz > 30, Katalog: Lagerartikel, Book on Demand, ausgew. Medienartikel, Relevanz: 0400, Tendenz: -1, Unterkatalog: AK, Unterkatalog: Bücher, Unterkatalog: Hardcover, Unterkatalog: Lagerartikel, WolkenId: 1737777
Preis: 33.63 € | Versand*: 0 € -
SPEECH-104D
SPEECH-104D, Eine innovative Qualitätslösung für die hochwertige Sprach- und Musikbeschallung: Das SPEECH-104D-Aktiv-Rednerpult von MONACOR verbindet Klangqualität, Lautstärkefähigkeit und Komfort in einer perfekten Weise. Akkubetrieben und damit komplett ortsunabhängig macht allein das SPEECH-104D aus jeder zu beschallenden Fläche ein Auditorium. Es passt sich aber selbstverständlich auch in jede gegebene Umgebung ein, wo eine zeitlich begrenzte oder auch permanente Redestelle benötigt wird. Die integrierte Verstärker- und Lautsprechertechnik erlaubt dabei nicht nur die Sprachwiedergabe, sondern macht auch Musik und zum Beispiel Film- und Präsentationsvertonungen denkbar gut und einfach. Ein Schwanenhalsmikrofon einstecken und/oder eine Signalquelle anschließen - einschalten - fertig.
Preis: 1039.40 € | Versand*: 0.00 € -
SPEECH-204
Professionelles Redepult mit integrierter 2-Kanal-Multi-Frequenz-Empfängereinheit in UHF-PLL-Technik
Preis: 2029.40 € | Versand*: 0.00 € -
Shady Part of Me
Shady Part of Me
Preis: 1.45 € | Versand*: 0.00 €
-
Was sind die gängigsten Anwendungen von Named Entity Recognition in der natürlichen Sprachverarbeitung?
Die gängigsten Anwendungen von Named Entity Recognition in der natürlichen Sprachverarbeitung sind das Extrahieren von Entitäten wie Personen, Orten und Organisationen aus Texten, das Kategorisieren von Entitäten in vordefinierte Typen wie Personen, Orte und Datumsangaben, und das Verbessern der Suche und Klassifizierung von Informationen in großen Textmengen. Named Entity Recognition wird auch in der automatischen Übersetzung, Informationsextraktion und Sentimentanalyse eingesetzt.
-
"Was sind die wichtigsten Anwendungen von Named Entity Recognition in der natürlichen Sprachverarbeitung?"
Die wichtigsten Anwendungen von Named Entity Recognition in der natürlichen Sprachverarbeitung sind die Identifizierung und Klassifizierung von Entitäten wie Personen, Orten und Organisationen in Texten. Dies ermöglicht eine bessere Informationsextraktion und Textanalyse. Zudem wird Named Entity Recognition auch für die automatische Erstellung von Wissensgraphen und für die Verbesserung von Suchmaschinen verwendet.
-
Was sind die verschiedenen Anwendungen von Named Entity Recognition in der natürlichen Sprachverarbeitung?
Named Entity Recognition wird verwendet, um Personen, Orte, Organisationen und andere benannte Entitäten in einem Text zu identifizieren. Es wird in der Informationsextraktion, automatischen Übersetzung und Textklassifizierung eingesetzt. Zudem hilft es bei der Analyse von sozialen Medien, der Erstellung von Wissensgraphen und der Verbesserung von Suchmaschinen.
-
Was sind die Hauptziele und Anwendungen von Part-of-Speech-Tagging in der natürlichen Sprachverarbeitung?
Die Hauptziele von Part-of-Speech-Tagging sind die Identifizierung der Wortarten in einem Satz, die Bestimmung der syntaktischen Struktur und die Verbesserung der Genauigkeit von Sprachverarbeitungsanwendungen. Es wird verwendet, um die Bedeutung von Wörtern in einem Satz zu verstehen, die semantische Analyse zu erleichtern und die Qualität von maschinellen Übersetzungen, Textklassifizierung und Informationsextraktion zu verbessern. Part-of-Speech-Tagging ist ein wichtiger Schritt in der Verarbeitung natürlicher Sprache, um die Automatisierung von Textanalysen und die Entwicklung von Sprachtechnologien voranzutreiben.
* Alle Preise verstehen sich inklusive der gesetzlichen Mehrwertsteuer und ggf. zuzüglich Versandkosten. Die Angebotsinformationen basieren auf den Angaben des jeweiligen Shops und werden über automatisierte Prozesse aktualisiert. Eine Aktualisierung in Echtzeit findet nicht statt, so dass es im Einzelfall zu Abweichungen kommen kann.