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
- CNNs, Rekurrente neuronale Netze, generative Modelle wie Variational Autoencoder und Generative-Adversarial-Netze
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 benötigen, um Deep Learning zum Lösen konkreter Aufgabenstellungen einzusetzen. Dafür verwendet der Autor die Programmiersprache R 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 die praktischen Anwendungen 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 R haben und die ins Machine Learning und Deep Learning einsteigen möchten. Für den Einsatz von Keras werden grundlegende R-Kenntnisse vorausgesetzt.
Table of contents
- Impressum
- Vorwort
- Einleitung
- Danksagungen
- Über die Autoren
- 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 Bevor es Deep Learning gab: 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 neuronalen Netzes
- 2.1 Ein erster Blick auf ein neuronales Netz
-
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 in R
- 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 neuronalen Netzen: Tensoroperationen
- 2.4 Der Antrieb von neuronalen Netzen: gradientenbasierte Optimierung
- 2.5 Zurück zum ersten Beispiel
- 2.6 Zusammenfassung Kapitel 2
-
Kapitel 3: Einführung in neuronale Netze
- 3.1 Aufbau eines neuronalen Netzes
- 3.2 Einführung in Keras
- 3.3 Einrichtung eines Deep-Learning-Rechners
- 3.4 Klassifikation von Filmbewertungen: ein Beispiel für eine Binärklassifikation
-
3.5 Ein Beispiel für eine Mehrfachklassifikation: Klassifikation von Nachrichtenmeldungen
- 3.5.1 Die Reuters-Datensammlung
- 3.5.2 Daten vorbereiten
- 3.5.3 Neuronales Netz 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: RStudio-Server auf einer EC2-GPU-Instanz betreiben
Product information
- Title: Deep Learning mit R und Keras - Das Praxis-Handbuch von Entwicklern von Keras und RStudio
- Author(s):
- Release date: October 2018
- Publisher(s): mitp Verlag
- ISBN: 9783958458956
You might also like
book
Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow
Eine Reihe technischer Durchbrüche beim Deep Learning haben das gesamte Gebiet des maschinellen Lernens in den …
book
Machine Learning für Softwareentwickler
Das Buch richtet sich an Entwickler und Programmierer, die Konzepte und Programmierung des maschinellen Lernens von …
book
Deep Learning mit Python und Keras - Das Praxis-Handbuch vom Entwickler der Keras-Bibliothek
Einführung in die grundlegenden Konzepte von Machine Learning und Deep Learning Zahlreiche praktische Anwendungsbeispiele zum Lösen …
book
Deep Learning für die Biowissenschaften
Deep Learning hat bereits in vielen Bereichen bemerkenswerte Ergebnisse erzielt. Jetzt hält es Einzug in die …