Deep Learning – Grundlagen und Implementierung

Table of contents

1. Cover
2. Titel
3. Impressum
4. Inhalt
5. Einführung
6. 1 Grundbausteine
   1. Funktionen
   2. Ableitungen
   3. Verschachtelte Funktionen
   4. Die Kettenregel
   5. Ein etwas längeres Beispiel
   6. Funktionen mit mehreren Eingaben
   7. Ableitungen von Funktionen mit mehreren Eingaben
   8. Funktionen mit mehrfachen Vektoreingaben
   9. Aus vorhandenen Merkmalen neue Merkmale erstellen
   10. Ableitungen von Funktionen mit mehreren Vektoreingaben
   11. Vektorfunktionen und ihre Ableitungen: der nächste Schritt
   12. Rechengraph mit zwei 2-D-Matrizen als Eingabe
   13. Der angenehme Teil: die Rückwärtspropagation
   14. Schlussbemerkung
7. 2 Erste Modelle
   1. Überblick über das überwachte Lernen
   2. Modelle für das überwachte Lernen
   3. Lineare Regression
   4. Das Modell trainieren
   5. Das Modell bewerten: Trainingsdaten oder Testdaten?
   6. Das Modell bewerten: der Code
   7. Neuronale Netze von Grund auf
   8. Unser erstes neuronales Netz trainieren und bewerten
   9. Schlussbemerkung
8. 3 Deep Learning von Grund auf
   1. Definition des Deep Learning: ein erster Durchgang
   2. Bausteine neuronaler Netze: Operationen
   3. Bausteine neuronaler Netze: Schichten
   4. Die Bausteine zusammensetzen
   5. Die NeuralNetwork-Klasse und vielleicht noch ein paar andere
   6. Deep-Learning-Basics
   7. Trainer und Optimizer
   8. Die Einzelteile zusammenfügen
   9. Schlussbemerkung und nächste Schritte
9. 4 Techniken zur Verbesserung des Trainings
   1. Etwas Grundverständnis zu neuronalen Netzen
   2. Die Softmax-Kreuzentropie als Abweichungsfunktion
   3. Experimente
   4. Momentum
   5. Lernratenabnahme (Learning Rate Decay)
   6. Gewichtungsinitialisierung
   7. Dropout
   8. Schlussbemerkung
10. 5 CNNs – Faltungsbasierte neuronale Netze
    1. Neuronale Netze und merkmalgesteuertes Lernen
    2. Faltungsschichten (Convolutional Layers)
    3. Eine mehrkanalige Faltungsoperation implementieren
    4. Die Operation verwenden, um ein CNN zu trainieren
    5. Schlussbemerkung
11. 6 RNNs – Rekurrente neuronale Netze
    1. Die Hauptbeschränkung: mit Verzweigungen umgehen
    2. Automatische Differenzierung
    3. Gründe für die Verwendung rekurrenter neuronaler Netze
    4. Einführung in rekurrente neuronale Netze
    5. RNNs: der Code
    6. Schlussbemerkung
12. 7 PyTorch
    1. PyTorch-Tensoren
    2. Deep Learning mit PyTorch
    3. Faltungsbasierte neuronale Netze mit PyTorch
    4. Nachtrag: Unüberwachtes Lernen mit Autoencodern
    5. Schlussbemerkung
13. A Die Feinheiten
14. Fußnoten
15. Index
16. Über den Autor
17. Über den Übersetzer
18. Kolophon