Book description
Sie wollten immer schon mal wissen, was sich hinter dem Begriff »Deep Learning« verbirgt? Deep Learning ist ein Teilbereich des Machine Learning und basiert auf künstlichen neuronalen Netzen – aber was genau lässt sich mit neuronalen Netzen berechnen, und was machen Firmen wie Google, Facebook oder IBM damit?Dieser praktische Leitfaden vermittelt Ihnen einen umfassenden, schnellen und praxisnahen Einstieg in die Grundlagen und Arbeitsweisen von Deep Learning. Anhand einer Reihe von Python-basierten Beispielanwendungen wird der Umgang mit den Open-Source-Frameworks Caffe, TensorFlow und Spark gezeigt. Einfache, alltagstaugliche Beispiele dienen dem besseren Verständnis der mathematischen Methoden hinter Deep Learning und laden zum Nachprogrammieren ein. Darüber hinaus erfahren Sie, warum Cloud Computing und Big Data im Zusammenhang mit Deep Learning so wichtig sind und wie sich verteilte Anwendungen erstellen lassen.
Table of contents
- Cover
- Titel
- Impressum
- Inhalt
- Vorwort
- 1 Einführung
-
2 Was ist Deep Learning?
- Kurze Geschichte der künstlichen neuronalen Netze
- Wie lernen (künstliche) neuronale Netze?
- Modelle und Trainingseinheiten
- Mehrschichtsysteme
- Backpropagation-Algorithmus
- GPUs und Parallelisierung
- Lernmethoden des Deep Learning
- Überwachtes Lernen
- Unüberwachtes Lernen
- Bestärktes Lernen
- Teilüberwachtes Lernen
- Aktives Lernen
-
3 Wozu wird Deep Learning verwendet?
- Deep Learning bei Google
- TensorFlow
- AlphaGo
- Google Photo
- Google Translate
- Google Cloud ML
- Google AutoDraw
- Google self-driving car
- Deep Learning bei Facebook
- Deep Learning bei IBM
- Deep Learning bei Microsoft
- Deep Learning bei Baidu
- Deep Learning bei Apple
- Deep Learning bei Amazon
- Amazon Web Services
- Polly
- Rekognotion
- Lex
- 4 Werkzeuge für Deep Learning
-
5 Zwei Deep-Learning-Frameworks
- Einführung in Caffe
- Blobs
- Workspaces
- Operatoren
- Nets
- Bilddaten
- Deep Learning mit Caffe und Caffe2
- Einfürung in TensorFlow
- Tensoren
- Konstanten und Variablen
- Sequenzen und Zufallswerte
- Checkpoints
- Graphen und TensorBoard
- Placeholder und Eingabedaten
- Bilddaten
- Namen und Scopes
- Künstliche neuronale Netze mit TensorFlow
- Deep Learning mit TensorFlow
- 6 Deep-Learning-Anwendungen
- 7 Deep Learning und Big Data
- 8 Deep Learning produktiv
- Anhang: Arbeiten mit dem Docker-Container
- Index
Product information
- Title: Praxiseinstieg Deep Learning
- Author(s):
- Release date: January 2018
- Publisher(s): dpunkt
- ISBN: 9783960090540
You might also like
book
Generatives Deep Learning
Generative Modelle haben sich zu einem der spannendsten Themenbereiche der Künstlichen Intelligenz entwickelt: Mit generativem Deep …
book
Deep Learning Kochbuch
Lassen Sie sich von Deep Learning nicht abschrecken! Dank Frameworks wie Keras und TensorFlow ist der …
book
Machine Learning – Die Referenz
Das praktische Nachschlagewerk zum Machine Learning mit strukturierten Daten
book
Deep Learning – Grundlagen und Implementierung
Dieses Buch vermittelt Ihnen das konzeptionelle und praktische Rüstzeug, um ein tiefes Verständnis für die Funktionsweise …