Book description
- Einführung in die grundlegenden Konzepte von Machine Learning und Deep Learning
- Zahlreiche praktische Anwendungsbeispiele zum Lösen konkreter Aufgabenstellungen
- Maschinelles Sehen, Sprachverarbeitung, Bildklassifizierung, Vorhersage von Zeitreihen, Stimmungsanalyse, Erzeugung von Bildern und Texten u.v.m.
Dieses Buch ist eine praxisorientierte Einführung und erläutert die grundlegenden Konzepte sowie den konkreten Einsatz von Deep Learning. Der Autor verzichtet dabei weitgehend auf mathematische Formeln und legt stattdessen den Fokus auf das Vermitteln der praktischen Anwendung von Machine Learning und Deep Learning.
Anhand zahlreicher Beispiele erfahren Sie alles, was Sie wissen müssen, um Deep Learning zum Lösen konkreter Aufgabenstellungen einzusetzen. Dafür verwendet der Autor die Programmiersprache Python und die Deep-Learning-Bibliothek Keras, die das beliebteste und am besten geeignete Tool für den Einstieg in Deep Learning ist.
Das Buch besteht aus zwei Teilen: Teil I ist eine allgemeine Einführung in das Deep Learning und erläutert die grundlegenden Zusammenhänge und Begriffe sowie alle erforderlichen Konzepte, die für den Einstieg in Deep Learning und Neuronale Netze wichtig sind. In Teil II erläutert der Autor ausführlich praktische Anwendungsmöglichkeiten des Deep Learnings beim maschinellen Sehen (Computer Vision) und bei der Verarbeitung natürlicher Sprache. Viele der hier vorgestellten Beispiele können Ihnen später als Vorlage zum Lösen von Problemen dienen, die Ihnen in der Praxis des Deep Learnings begegnen werden.
Das Buch wendet sich an Leser, die bereits Programmiererfahrung mit Python haben und ins Machine Learning und Deep Learning einsteigen möchten. Für den Einsatz von Keras werden grundlegende Python-Kenntnisse vorausgesetzt.
Über den Autor:
François Chollet ist bei Google tätig und befasst sich mit Deep Learning. Er ist der Entwickler der Deep-Learning-Bibliothek Keras und hat bedeutende Beiträge zum Machine-Learning-Framework TensorFlow geleistet. Er forscht auf dem Gebiet des Deep Learnings mit den Schwerpunkten maschinelles Sehen und der Anwendung des Machine Learnings auf formales Schließen. Seine Forschungsergebnisse wurden auf bedeutenden Veranstaltungen des Fachgebiets veröffentlicht, unter anderem auf der Conference on Computer Vision and Pattern Recognition (CVPR), der Conference on Neural Information Processing Systems (NIPS), der International Conference on Learning Representations (ICLR) und weiteren.
Table of contents
- Impressum
- Einleitung
- Teil I: Grundlagen des Deep Learnings
-
Kapitel 1: Was ist Deep Learning?
-
1.1 Künstliche Intelligenz, Machine Learning und Deep Learning
- 1.1.1 Künstliche Intelligenz
- 1.1.2 Machine Learning
- 1.1.3 Die Repräsentation anhand der Daten erlernen
- 1.1.4 Das »Deep« in Deep Learning
- 1.1.5 Deep Learning in drei Diagrammen erklärt
- 1.1.6 Was Deep Learning heute schon leisten kann
- 1.1.7 Schenken Sie dem kurzfristigen Hype keinen Glauben
- 1.1.8 Das Versprechen der KI
- 1.2 Vor Deep Learning: eine kurze Geschichte des Machine Learnings
- 1.3 Warum Deep Learning? Und warum jetzt?
-
1.1 Künstliche Intelligenz, Machine Learning und Deep Learning
-
Kapitel 2: Bevor es losgeht: die mathematischen Bausteine eines NNs
- 2.1 Ein erster Blick auf ein NN
-
2.2 Datenrepräsentationen
- 2.2.1 Skalare (0-D-Tensoren)
- 2.2.2 Vektoren (1-D-Tensoren)
- 2.2.3 Matrizen (2-D-Tensoren)
- 2.2.4 3-D-Tensoren und höherdimensionale Tensoren
- 2.2.5 Die wichtigsten Attribute
- 2.2.6 Bearbeiten von Tensoren mit Numpy
- 2.2.7 Datenstapel
- 2.2.8 Beispiele für Datentensoren aus der Praxis
- 2.2.9 Vektordaten
- 2.2.10 Zeitreihen oder sequenzielle Daten
- 2.2.11 Bilddaten
- 2.2.12 Videodaten
- 2.3 Das Getriebe von NNs: Tensoroperationen
- 2.4 Der Antrieb von NNs: gradientenbasierte Optimierung
- 2.5 Zurück zum ersten Beispiel
- 2.6 Zusammenfassung Kapitel 2
-
Kapitel 3: Einführung in neuronale Netze
- 3.1 Aufbau eines NNs
- 3.2 Einführung in Keras
- 3.3 Einrichtung eines Deep-Learning-Rechners
- 3.4 Klassifizierung von Filmbewertungen: ein Beispiel für eine Binärklassifizierung
-
3.5 Ein Beispiel für eine Mehrfachklassifizierung: Klassifizierung von Nachrichtenmeldungen
- 3.5.1 Die Reuters-Datensammlung
- 3.5.2 Daten vorbereiten
- 3.5.3 NN erzeugen
- 3.5.4 Validierung des Ansatzes
- 3.5.5 Vorhersagen über neue Daten treffen
- 3.5.6 Eine weitere Möglichkeit zur Handhabung der Klassenbezeichnungen und der Verlustfunktion
- 3.5.7 Hinreichend große zwischenliegende Layer sind wichtig
- 3.5.8 Weitere Experimente
- 3.5.9 Zusammenfassung
- 3.6 Ein Beispiel für eine Regression: Vorhersage der Kaufpreise von Häusern
- 3.7 Zusammenfassung Kapitel 3
-
Kapitel 4: Grundlagen des Machine Learnings
- 4.1 Vier Teilgebiete des Machine Learnings
- 4.2 Bewertung von Machine-Learning-Modellen
- 4.3 Datenvorverarbeitung, Merkmalserstellung und Erlernen von Merkmalen
- 4.4 Überanpassung und Unteranpassung
-
4.5 Ein allgemeiner Machine-Learning-Workflow
- 4.5.1 Definition der Aufgabe und Zusammenstellen einer Datenmenge
- 4.5.2 Auswahl eines Erfolgskriteriums
- 4.5.3 Auswahl einer Bewertungsmethode
- 4.5.4 Daten vorbereiten
- 4.5.5 Entwicklung eines Modells, das besser funktioniert als zufälliges Raten
- 4.5.6 Hochskalieren: Entwicklung eines Modells mit Überanpassung
- 4.5.7 Regularisierung des Modells und Abstimmung der Hyperparameter
- 4.6 Zusammenfassung Kapitel 4
- Teil II: Deep Learning in der Praxis
- Kapitel 5: Deep Learning und maschinelles Sehen
-
Kapitel 6: Deep Learning, Text und sequenzielle Daten
- 6.1 Textdaten
- 6.2 Rekurrente neuronale Netze
-
6.3 Erweiterte Nutzung rekurrenter neuronaler Netze
- 6.3.1 Temperaturvorhersage
- 6.3.2 Daten vorbereiten
- 6.3.3 Eine vernünftige Abschätzung ohne Machine Learning
- 6.3.4 Ein elementarer Machine-Learning-Ansatz
- 6.3.5 Ein erstes RNN
- 6.3.6 Rekurrentes Dropout-Verfahren zum Verhindern einer Überanpassung
- 6.3.7 Hintereinanderschaltung rekurrenter Layer
- 6.3.8 Bidirektionale RNNs
- 6.3.9 Noch einen Schritt weiter gehen
- 6.3.10 Zusammenfassung
- 6.4 Verarbeitung von Sequenzen mit CNNs
- 6.5 Zusammenfassung Kapitel 6
- Kapitel 7: Bewährte Verfahren des Deep Learnings
- Kapitel 8: Generatives Deep Learning
- Kapitel 9: Schlussfolgerungen
- Anhang A: Installation von Keras und der Erweiterungen unter Ubuntu
- Anhang B: Jupyter-Notebooks auf einer EC2-GPU-Instanz ausführen
Product information
- Title: Deep Learning mit Python und Keras - Das Praxis-Handbuch vom Entwickler der Keras-Bibliothek
- Author(s):
- Release date: May 2018
- Publisher(s): mitp Verlag
- ISBN: 9783958458406
You might also like
book
Neuronale Netze und Deep Learning kapieren -- Der einfache Praxiseinstieg mit Beispielen in Python
Von den Grundlagen Neuronaler Netze über Machine Learning bis hin zu Deep-Learning-Algorithmen Anschauliche Diagramme, Anwendungsbeispiele in …
book
Deep Learning mit R und Keras - Das Praxis-Handbuch von Entwicklern von Keras und RStudio
Einführung in die grundlegenden Konzepte von Machine Learning und Deep Learning Zahlreiche praktische Anwendungsbeispiele zum Lösen …
book
Deep Learning – Grundlagen und Implementierung
Dieses Buch vermittelt Ihnen das konzeptionelle und praktische Rüstzeug, um ein tiefes Verständnis für die Funktionsweise …
book
Python 3 - Lernen und professionell anwenden
Einführung in alle Sprachgrundlagen: Klassen, Objekte, Vererbung, Kollektionen, Dictionaries Benutzungsoberflächen und Multimediaanwendungen mit PyQt, Datenbanken, XML …