O'Reilly logo

Stay ahead with the world's most comprehensive technology and business learning platform.

With Safari, you learn the way you learn best. Get unlimited access to videos, live online training, learning paths, books, tutorials, and more.

Start Free Trial

No credit card required

Praxiseinstieg Deep Learning

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

  1. Cover
  2. Titel
  3. Impressum
  4. Inhalt
  5. Vorwort
  6. 1 Einführung
    1. Wozu Deep Learning?
    2. Zielgruppe
    3. Struktur des Buchs
    4. Weiterführende Quellen
    5. Typografische Konventionen
    6. Quellcode und Beispiele
    7. Danksagung
  7. 2 Was ist Deep Learning?
    1. Kurze Geschichte der künstlichen neuronalen Netze
    2. Wie lernen (künstliche) neuronale Netze?
    3. Modelle und Trainingseinheiten
    4. Mehrschichtsysteme
    5. Backpropagation-Algorithmus
    6. GPUs und Parallelisierung
    7. Lernmethoden des Deep Learning
    8. Überwachtes Lernen
    9. Unüberwachtes Lernen
    10. Bestärktes Lernen
    11. Teilüberwachtes Lernen
    12. Aktives Lernen
  8. 3 Wozu wird Deep Learning verwendet?
    1. Deep Learning bei Google
    2. TensorFlow
    3. AlphaGo
    4. Google Photo
    5. Google Translate
    6. Google Cloud ML
    7. Google AutoDraw
    8. Google self-driving car
    9. Deep Learning bei Facebook
    10. Deep Learning bei IBM
    11. Deep Learning bei Microsoft
    12. Deep Learning bei Baidu
    13. Deep Learning bei Apple
    14. Deep Learning bei Amazon
    15. Amazon Web Services
    16. Polly
    17. Rekognotion
    18. Lex
  9. 4 Werkzeuge für Deep Learning
    1. Python für die Praxis
    2. Docker-Installation
    3. Docker unter macOS
    4. Docker unter Windows
    5. Docker unter Linux
    6. Docker-Container zum Buch
    7. Jupyter Notebook
    8. Beispieldaten
    9. ImageNet
    10. Oxford Flowers Dataset
    11. MNIST-Datenbank
    12. Web Scraping
    13. Weitere Datenquellen
  10. 5 Zwei Deep-Learning-Frameworks
    1. Einführung in Caffe
    2. Blobs
    3. Workspaces
    4. Operatoren
    5. Nets
    6. Bilddaten
    7. Deep Learning mit Caffe und Caffe2
    8. Einfürung in TensorFlow
    9. Tensoren
    10. Konstanten und Variablen
    11. Sequenzen und Zufallswerte
    12. Checkpoints
    13. Graphen und TensorBoard
    14. Placeholder und Eingabedaten
    15. Bilddaten
    16. Namen und Scopes
    17. Künstliche neuronale Netze mit TensorFlow
    18. Deep Learning mit TensorFlow
  11. 6 Deep-Learning-Anwendungen
    1. Handschrifterkennung
    2. Kunst mit Deep Learning
    3. Bilderkennung und Klassifizierung
    4. Deep Dreaming
    5. Deep Dreaming in der Cloud
    6. Prognosen von Zeitreihen
  12. 7 Deep Learning und Big Data
    1. TensorFlow verteilen
    2. Caffe2 verteilen
    3. Spark und Deep Learning
    4. TensorFrames
    5. Intels BigDL
    6. SparkNet
    7. CaffeOnSpark
    8. TensorFlowOnSpark
    9. Deep Learning und die Amazon-Cloud
    10. Googles Cloud Platform
  13. 8 Deep Learning produktiv
    1. Modellgüte bewerten
    2. Trainingsdaten und Testdaten
    3. Konfusionsmatrix
    4. Mittlere quadratische Abweichung
    5. Mittlere absolute Abweichung
    6. R2
    7. Bias
    8. Underfitting und Overfitting
    9. Modelle einfrieren
    10. Modelle nutzen
    11. Entwicklungspipeline
    12. Laufzeitumgebungen
    13. TensorFlow Serving
    14. AWS Lambda
  14. Anhang: Arbeiten mit dem Docker-Container
  15. Index