Deep Learning für Programmierer mit fastai und PyTorch

Vorwort

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Deep Learning ist eine leistungsstarke neue Technologie und wir glauben, dass sie in vielen Disziplinen eingesetzt werden sollte. Fachexperten werden am ehesten neue Anwendungsmöglichkeiten finden, und wir brauchen mehr Menschen aus allen Bereichen, die sich damit befassen und es einsetzen.

Deshalb hat Jeremy fast.ai mitbegründet, um Deep Learning durch kostenlose Online-Kurse und Software leichter nutzbar zu machen. Sylvain ist ein Forschungsingenieur bei Hugging Face. Zuvor war er Forschungswissenschaftler bei fast.ai und ehemaliger Mathematik- und Informatiklehrer in einem Programm, das Studierende auf den Eintritt in Frankreichs Eliteuniversitäten vorbereitet. Gemeinsam haben wir dieses Buch geschrieben, in der Hoffnung, Deep Learning so vielen Menschen wie möglich zugänglich zu machen.

Für wen dieses Buch ist

Wenn du ein absoluter Anfänger im Bereich Deep Learning und maschinelles Lernen bist, bist du hier herzlich willkommen. Wir erwarten nur, dass du bereits programmieren kannst, vorzugsweise in Python.

Keine Erfahrung? Kein Problem!

Wenn du noch keine Erfahrung im Programmieren hast, ist das auch okay! Die ersten drei Kapitel sind explizit so geschrieben, dass Führungskräfte, Produktmanager usw. die wichtigsten Dinge verstehen können, die sie über Deep Learning wissen müssen. Wenn du im Text auf Codeabschnitte stößt, versuche, sie zu lesen, um ein intuitives Gefühl dafür zu bekommen, was sie tun. Wir erklären sie Zeile für Zeile, denn die Details der Syntax sind nicht so wichtig wie ein grundlegendes Verständnis der Vorgänge.

Wenn du bereits ein überzeugter Deep-Learning-Praktiker bist, wirst du hier ebenfalls eine Menge finden. In diesem Buch zeigen wir dir, wie du erstklassige Ergebnisse erzielen kannst, einschließlich Techniken aus der neuesten Forschung. Wie wir zeigen werden, braucht man dafür keine fortgeschrittene mathematische Ausbildung oder ein jahrelanges Studium. Es braucht nur ein bisschen gesunden Menschenverstand und Hartnäckigkeit.

Was du wissen musst

Wie wir bereits gesagt haben, ist die einzige Voraussetzung, dass du weißt, wie man Code schreibt (ein Jahr Erfahrung reicht aus), vorzugsweise in Python, und dass du mindestens einen Highschool-Mathekurs besucht hast. Es macht nichts, wenn du dich im Moment an wenig davon erinnerst; wir werden es bei Bedarf auffrischen. Khan Academy hat tolle kostenlose Online-Ressourcen, die dir helfen können.

Wir sagen nicht, dass Deep Learning keine Mathematik jenseits des Schulniveaus benötigt, aber wir werden dir die Grundlagen beibringen (oder dich auf Ressourcen verweisen, die dir diese beibringen), während wir die Fächer behandeln, die sie benötigen.

Das Buch beginnt mit dem großen Ganzen und gräbt sich nach und nach unter die Oberfläche, so dass du es vielleicht von Zeit zu Zeit beiseite legen musst, um ein zusätzliches Thema zu lernen (eine Art, etwas zu kodieren oder ein bisschen Mathe). Das ist völlig in Ordnung, und so soll das Buch auch gelesen werden. Fange an, es zu durchstöbern, und ziehe nur bei Bedarf zusätzliche Ressourcen hinzu.

Bitte beachte, dass Kindle- oder andere Ereader-Nutzer die Bilder möglicherweise doppelt anklicken müssen, um sie in voller Größe zu sehen.

Online-Ressourcen

Alle in diesem Buch gezeigten Codebeispiele sind online in Form von Jupyter-Notizbüchern verfügbar (keine Sorge, du erfährst in Kapitel 1 alles darüber, was Jupyter ist). Dabei handelt es sich um eine interaktive Version des Buches, in der du den Code tatsächlich ausführen und damit experimentieren kannst. Weitere Informationen findest du auf der Website des Buches. Dort findest du auch aktuelle Informationen zur Einrichtung der verschiedenen Tools, die wir vorstellen, und einige zusätzlicheBonuskapitel.

Was du lernen wirst

Nach der Lektüre dieses Buches wirst du Folgendes wissen:

• Wie man Modelle trainiert, die modernste Ergebnisse erzielen in

  • Computer Vision, einschließlich Bildklassifizierung (z. B. Klassifizierung von Haustierfotos nach Rasse) und Bildlokalisierung und -erkennung (z. B. Auffinden von Tieren in einem Bild)

  • Natürliche Sprachverarbeitung (NLP), einschließlich Dokumentenklassifizierung (z. B. Analyse der Stimmung in Filmkritiken) und Sprachmodellierung

  • Tabellarische Daten (z. B. Umsatzprognosen) mit kategorialen Daten, kontinuierlichen Daten und gemischten Daten, einschließlich Zeitreihen

  • Kollaboratives Filtern (z. B. Filmempfehlungen)

• Wie du deine Modelle in Webanwendungen verwandelst

• Warum und wie Deep Learning-Modelle funktionieren und wie du dieses Wissen nutzen kannst, um die Genauigkeit, Geschwindigkeit und Zuverlässigkeit deiner Modelle zu verbessern

• Die neuesten Deep Learning-Techniken, auf die es in der Praxis wirklich ankommt

• Wie man ein Deep Learning-Forschungspapier liest

• Wie man Deep-Learning-Algorithmen von Grund auf implementiert

• Wie du über die ethischen Implikationen deiner Arbeit nachdenkst, um sicherzustellen, dass du die Welt zu einem besseren Ort machst und dass deine Arbeit nicht zum Schaden missbraucht wird

Eine vollständige Liste findest du im Inhaltsverzeichnis, aber um dir einen Vorgeschmack zu geben, sind hier einige der behandelten Techniken aufgeführt (keine Sorge, wenn du mit diesen Begriffen noch nichts anfangen kannst - du wirst sie alle bald lernen):

• Affine Funktionen und Nichtlinearitäten

• Parameter und Aktivierungen

• Zufällige Initialisierung und Transferlernen

• SGD, Momentum, Adam und andere Optimierer

• Konvolute

• Batch-Normalisierung

• Ausstieg

• Datenerweiterung

• Gewichtsabnahme

• ResNet- und DenseNet-Architekturen

• Bildklassifizierung und Regression

• Einbettungen

• Rekurrente neuronale Netze (RNNs)

• Segmentierung

• U-Net

• Und vieles mehr!

Kapitel Fragebögen

Am Ende eines jeden Kapitels findest du einen Fragebogen. Dort kannst du sehen, was wir in den einzelnen Kapiteln behandeln, denn wir hoffen, dass du am Ende eines jeden Kapitels in der Lage bist, alle Fragen zu beantworten. Einer unserer Rezensenten (danke, Fred!) hat sogar gesagt, dass er gerne zuerst den Fragebogen liest, bevor er das Kapitel liest, damit er weiß, worauf er achten muss.

O'Reilly Online Learning

Hinweis

Seit mehr als 40 Jahren bietet O'Reilly Media Schulungen, Wissen und Einblicke in Technologie und Wirtschaft, um Unternehmen zum Erfolg zu verhelfen.

Unser einzigartiges Netzwerk von Experten und Innovatoren teilt sein Wissen und seine Erfahrung durch Bücher, Artikel und unsere Online-Lernplattform . Die Online-Lernplattform von O'Reilly bietet dir On-Demand-Zugang zu Live-Trainingskursen, ausführlichen Lernpfaden, interaktiven Programmierumgebungen und einer umfangreichen Text- und Videosammlung von O'Reilly und über 200 anderen Verlagen. Weitere Informationen erhältst du unter http://oreilly.com.

Wie du uns kontaktierst

Bitte richte Kommentare und Fragen zu diesem Buch an den Verlag:

• O'Reilly Media, Inc.
• 1005 Gravenstein Highway Nord
• Sebastopol, CA 95472
• 800-998-9938 (in den Vereinigten Staaten oder Kanada)
• 707-829-0515 (international oder lokal)
• 707-829-0104 (Fax)

Wir haben eine Webseite für dieses Buch, auf der wir Errata, Beispiele und zusätzliche Informationen auflisten. Du kannst diese Seite unter https://oreil.ly/deep-learning-for-coders aufrufen .

Schreib eine E-Mail an [e-mail], um Kommentare oder technische Fragen zu diesem Buch zu stellen.

Neuigkeiten und Informationen über unsere Bücher und Kurse findest du unter http://oreilly.com.

Finde uns auf Facebook: http://facebook.com/oreilly

Folge uns auf Twitter: http://twitter.com/oreillymedia

Schau uns auf YouTube: http://www.youtube.com/oreillymedia