Praktisches Deep Learning für Cloud, Mobile und Edge

Ein Crashkurs in Faltungsneuronalen Netzen

Passend zum Wort "praktisch" im Titel des Buches haben wir uns stark auf die praktischen Aspekte des Deep Learning konzentriert. Dieser Anhang soll eher als Nachschlagewerk dienen, als dass er die theoretischen Aspekte des Deep Learning vollständig erforscht. Wenn du ein tieferes Verständnis für einige dieser Themen entwickeln möchtest, empfehlen wir dir, im Abschnitt "Weitere Untersuchungen" auf andere Quellen zu verweisen.

Maschinelles Lernen

• Maschinelles Lernen hilft dabei, Muster aus Daten zu lernen, um Vorhersagen über ungesehene Daten zu treffen.

• Es gibt drei Arten des maschinellen Lernens: überwachtes Lernen (Lernen aus gekennzeichneten Daten), unüberwachtes Lernen (Lernen aus nicht gekennzeichneten Daten) und Verstärkungslernen (Lernen durch Aktionen und Feedback aus der Umgebung).

• Zu den überwachten Lernaufgaben gehören die Klassifizierung (die Ausgabe ist eine von vielen Kategorien/Klassen) und die Regression (die Ausgabe ist ein numerischer Wert).

• Es gibt verschiedene überwachte maschinelle Lerntechniken wie Naive Bayes, SVM, Entscheidungsbäume, k-nearest neighbors, neuronale Netze und andere.

Perceptron

• Ein Perzeptron, wie in Abbildung -1 dargestellt, ist die einfachste Form eines neuronalen Netzes, ein einschichtiges neuronales Netz mit einem Neuron.

• Ein Perzeptron berechnet eine gewichtete Summe seiner Eingaben, d.h. es nimmt Eingabewerte entgegen, multipliziert jeden mit einem entsprechenden Gewicht, fügt ...