Deep Learning mit Python und Keras: Das Praxis-Handbuch vom Entwickler der Keras-Bibliothek

Cover
MITP-Verlags GmbH & Co. KG, 24.05.2018 - 447 Seiten
• Einführung in die grundlegenden Konzepte von Machine Learning und Deep Learning
• Zahlreiche praktische Anwendungsbeispiele zum Lösen konkreter Aufgabenstellungen
• Maschinelles Sehen, Sprachverarbeitung, Bildklassifizierung, Vorhersage von Zeitreihen, Stimmungsanalyse, Erzeugung von Bildern und Texten u.v.m.

Dieses Buch ist eine praxisorientierte Einführung und erläutert die grundlegenden Konzepte sowie den konkreten Einsatz von Deep Learning. Der Autor verzichtet dabei weitgehend auf mathematische Formeln und legt stattdessen den Fokus auf das Vermitteln der praktischen Anwendung von Machine Learning und Deep Learning.

Anhand zahlreicher Beispiele erfahren Sie alles, was Sie wissen müssen, um Deep Learning zum Lösen konkreter Aufgabenstellungen einzusetzen. Dafür verwendet der Autor die Programmiersprache Python und die Deep-Learning-Bibliothek Keras, die das beliebteste und am besten geeignete Tool für den Einstieg in Deep Learning ist.

Das Buch besteht aus zwei Teilen: Teil I ist eine allgemeine Einführung in das Deep Learning und erläutert die grundlegenden Zusammenhänge und Begriffe sowie alle erforderlichen Konzepte, die für den Einstieg in Deep Learning und Neuronale Netze wichtig sind. In Teil II erläutert der Autor ausführlich praktische Anwendungsmöglichkeiten des Deep Learnings beim maschinellen Sehen (Computer Vision) und bei der Verarbeitung natürlicher Sprache. Viele der hier vorgestellten Beispiele können Ihnen später als Vorlage zum Lösen von Problemen dienen, die Ihnen in der Praxis des Deep Learnings begegnen werden.

Das Buch wendet sich an Leser, die bereits Programmiererfahrung mit Python haben und ins Machine Learning und Deep Learning einsteigen möchten. Für den Einsatz von Keras werden grundlegende Python-Kenntnisse vorausgesetzt.

 

Was andere dazu sagen - Rezension schreiben

Es wurden keine Rezensionen gefunden.

Ausgewählte Seiten

Andere Ausgaben - Alle anzeigen

Häufige Begriffe und Wortgruppen

activation='relu Aktivierungen Algorithmen anhand Ansatz Anwendung Anzahl Aufgabe Backpropagation Beispiel beispielsweise Bewertung Callback CNNs Convolutional Layer Datenmenge Deep Learning Deep-Learning-Modelle Dense-Layer Diskriminator eindimensionale einfache Eingabe Eingabebild Eingabedaten Epochen erlernen erstellen ersten Faltung Faltungsbasis Feature-Map fname folgenden funktioniert Generator geometrische gespeichert Gewichtungen gibt Gradienten Gradientenabstiegsverfahren Graphen Größe Hyperparameter Implementierung Informationen Kapitel keras import layers Klasse Klassenbezeichnungen Klassifizierung Klassifizierungsaufgabe Konzepte Korrektklassifizierungsrate Kreuzentropie Kreuzvalidierung latenten Raum Listing Machine Learning maschinellen Sehens MaxPooling2D Merkmale Merkmalsextraktion model.compile(optimizer='rmsprop Modell models.Sequential möglich müssen N-Gramme neuronale Netze One-hot-Codierung Parameter params plt.plot(epochs Python Regression rekurrente rekurrente neuronale Netze Repräsentationen RNNs Samples Sequential Sequenzen sequenzielle Daten Shape siehe Abbildung sollten Stapel Tensoren TensorFlow Tensoroperationen Tensorprodukt Testdaten trainieren trainiert Trainingsdaten Transformationen typischerweise Überanpassung überwachtes Lernen unsere Validierung Validierungsdaten Vektoren Verarbeitung Verfahren verfügbar Verlustfunktion beim Training verschiedenen verwenden verwendet viele Visualisierung Vorhersage vortrainierten Wahrscheinlichkeitsverteilung Wert der Verlustfunktion Worteinbettungen Wörter y_train Zeitreihen Zeitschritte Zielwerte zufällige zwei

Über den Autor (2018)

François Chollet ist bei Google tätig und befasst sich mit Deep Learning. Er ist der Entwickler der Deep-Learning-Bibliothek Keras und hat bedeutende Beiträge zum Machine-Learning-Framework TensorFlow geleistet. Er forscht auf dem Gebiet des Deep Learnings mit den Schwerpunkten maschinelles Sehen und der Anwendung des Machine Learnings auf formales Schließen. Seine Forschungsergebnisse wurden auf bedeutenden Veranstaltungen des Fachgebiets veröffentlicht, unter anderem auf der Conference on Computer Vision and Pattern Recognition (CVPR), der Conference on Neural Information Processing Systems (NIPS), der International Conference on Learning Representations (ICLR) und weiteren.

Bibliografische Informationen