Generatives Deep Learning, 2. Auflage

Kapitel 2. Tiefes Lernen

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

Kapitel Ziele

In diesem Kapitel lernst du:

• Lerne die verschiedenen Arten von unstrukturierten Daten kennen, die mit Deep Learning modelliert werden können.

• Definiere ein tiefes neuronales Netzwerk und verstehe, wie es zur Modellierung komplexer Datensätze verwendet werden kann.

• Baue ein mehrschichtiges Perceptron, um den Inhalt eines Bildes vorherzusagen.

• Verbessere die Leistung des Modells durch den Einsatz von Faltungsschichten, Dropout- und Batch-Normalisierungsschichten.

Beginnen wir mit einer grundlegenden Definition von Deep Learning:

Deep Learning ist eine Klasse von Algorithmen des maschinellen Lernens, die mehrere übereinanderliegende Schichten von Verarbeitungseinheiten verwenden, um aus unstrukturierten Daten hochrangige Darstellungen zu lernen.

Um Deep Learning vollständig zu verstehen, müssen wir uns mit dieser Definition etwas näher beschäftigen. Zunächst werfen wir einen Blick auf die verschiedenen Arten von unstrukturierten Daten, die mit Deep Learning modelliert werden können, und befassen uns dann mit der Mechanik des Aufbaus mehrerer übereinanderliegender Schichten von Verarbeitungseinheiten zur Lösung von Klassifizierungsaufgaben. Dies bildet die Grundlage für zukünftige Kapitel, in denen wir uns auf Deep Learning für generative Aufgaben konzentrieren.

Daten für Deep Learning

Viele Arten ...