Deep Learning mit Python und Keras : Das Praxis-Handbuch vom Entwickler der Keras-Bibliothek
François Chollet (Author), Knut Lorenzen (Translator)
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. Über den Autor: 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
1 online resource
9783958458406, 3958458408
1037946412
Cover
Titel
Impressum
Inhaltsverzeichnis
Einleitung
Über dieses Buch
Wer sollte dieses Buch lesen?
Überblick
Erforderliche Hard- und Software
Quellcode
Das Forum zum Buch
Über den Autor
Über den Fachkorrektor
Danksagungen
Teil I: Grundlagen des Deep Learnings
Kapitel 1: Was ist Deep Learning?
1.1 Künstliche Intelligenz, Machine Learning und Deep Learning
1.1.1 Künstliche Intelligenz
1.1.2 Machine Learning
1.1.3 Die Repräsentation anhand der Daten erlernen
1.1.4 Das »Deep« in Deep Learning 1.1.5 Deep Learning in drei Diagrammen erklärt
1.1.6 Was Deep Learning heute schon leisten kann
1.1.7 Schenken Sie dem kurzfristigen Hype keinen Glauben
1.1.8 Das Versprechen der KI
1.2 Vor Deep Learning: eine kurze Geschichte des Machine Learnings
1.2.1 Probabilistische Modellierung
1.2.2 Die ersten neuronalen Netze
1.2.3 Kernel-Methoden
1.2.4 Entscheidungsbäume, Random Forests und Gradient Boosting Machines
1.2.5 Zurück zu neuronalen Netzen
1.2.6 Das Besondere am Deep Learning
1.2.7 Der Stand des modernen Machine-Learnings 1.3 Warum Deep Learning? Und warum jetzt?
1.3.1 Hardware
1.3.2 Daten
1.3.3 Algorithmen
1.3.4 Eine neue Investitionswelle
1.3.5 Die Demokratisierung des Deep Learnings
1.3.6 Bleibt es so?
Kapitel 2: Bevor es losgeht: die mathematischen Bausteine eines NNs
2.1 Ein erster Blick auf ein NN
2.2 Datenrepräsentationen
2.2.1 Skalare (0-D-Tensoren)
2.2.2 Vektoren (1-D-Tensoren)
2.2.3 Matrizen (2-D-Tensoren)
2.2.4 3-D-Tensoren und höherdimensionale Tensoren
2.2.5 Die wichtigsten Attribute
2.2.6 Bearbeiten von Tensoren mit Numpy
2.2.7 Datenstapel 2.2.8 Beispiele für Datentensoren aus der Praxis
2.2.9 Vektordaten
2.2.10 Zeitreihen oder sequenzielle Daten
2.2.11 Bilddaten
2.2.12 Videodaten
2.3 Das Getriebe von NNs: Tensoroperationen
2.3.1 Elementweise Operationen
2.3.2 Broadcasting
2.3.3 Tensorprodukt
2.3.4 Tensoren umformen
2.3.5 Geometrische Interpretation von Tensoroperationen
2.3.6 Eine geometrische Interpretation des Deep Learnings
2.4 Der Antrieb von NNs: gradientenbasierte Optimierung
2.4.1 Was ist eine Ableitung?
2.4.2 Ableitung einer Tensoroperation: der Gradient 2.4.3 Stochastisches Gradientenabstiegsverfahren
2.4.4 Ableitungen verketten: der Backpropagation-Algorithmus
2.5 Zurück zum ersten Beispiel
2.6 Zusammenfassung Kapitel 2
Kapitel 3: Einführung in neuronale Netze
3.1 Aufbau eines NNs
3.1.1 Layer: Bausteine des Deep Learnings
3.1.2 Modelle: vernetzte Layer
3.1.3 Verlustfunktionen und Optimierer: Konfiguration des Lernvorgangs
3.2 Einführung in Keras
3.2.1 Keras, TensorFlow, Theano und CNTK
3.2.2 Mit Keras entwickeln: eine kurze Übersicht
3.3 Einrichtung eines Deep-Learning-Rechners