ebook ebooks e-book e-books downloaden bei MyEbooks.ch downloaden

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

:	François Chollet
:	Deep Learning mit Python und Keras Das Praxis-Handbuch vom Entwickler der Keras-Bibliothek
:	MITP Verlags GmbH& Co. KG
:	9783958458390
:	1
:	CHF 35.30
:

:	Datenkommunikation, Netzwerke
:	German

:	448
:	kein Kopierschutz/DRM
:	PC/MAC/eReader/Tablet
:	PDF

Einführung in die grundlegenden Konzepte von Machine Learning und Deep LearningZahlreiche praktische Anwendungsbeispiele zum Lösen konkreter AufgabenstellungenMaschinelle 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.

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 derConference on Computer Vision and Pattern Recognition (CVPR), derConference on Neural Information Processing Systems (NIPS), derInternational Conference on Learning Representations (ICLR) und weiteren.

	Cover	1
	Titel	3
	Impressum	4
	Inhaltsverzeichnis	5
	Einleitung	13
	Über dieses Buch	14
	Wer sollte dieses Buch lesen?	14
	Überblick	15
	Erforderliche Hard- und Software	16
	Quellcode	17
	Das Forum zum Buch	17
	Über den Autor	17
	Über den Fachkorrektor	17
	Danksagungen	18
	Teil I: Grundlagen des Deep Learnings	19
	Kapitel 1: Was ist Deep Learning?	21
	1.1 Künstliche Intelligenz, Machine Learning und Deep Learning	21
	1.1.1 Künstliche Intelligenz	22
	1.1.2 Machine Learning	22
	1.1.3 Die Repräsentation anhand der Daten erlernen	24
	1.1.4 Das »Deep« in Deep Learning	27
	1.1.5 Deep Learning in drei Diagrammen erklärt	29
	1.1.6 Was Deep Learning heute schon leisten kann	31
	1.1.7 Schenken Sie dem kurzfristigen Hype keinen Glauben	32
	1.1.8 Das Versprechen der KI	33
	1.2 Vor Deep Learning: eine kurze Geschichte des Machine Learnings	35
	1.2.1 Probabilistische Modellierung	35
	1.2.2 Die ersten neuronalen Netze	36
	1.2.3 Kernel-Methoden	36
	1.2.4 Entscheidungsbäume, Random Forests und Gradient Boosting Machines	38
	1.2.5 Zurück zu neuronalen Netzen	39
	1.2.6 Das Besondere am Deep Learning	40
	1.2.7 Der Stand des modernen Machine-Learnings	42
	1.3 Warum Deep Learning? Und warum jetzt?	42
	1.3.1 Hardware	43
	1.3.2 Daten	44
	1.3.3 Algorithmen	45
	1.3.4 Eine neue Investitionswelle	46
	1.3.5 Die Demokratisierung des Deep Learnings	47
	1.3.6 Bleibt es so?	47
	Kapitel 2: Bevor es losgeht: die mathematischen Bausteine eines NNs	49
	2.1 Ein erster Blick auf ein NN	49
	2.2 Datenrepräsentationen	54
	2.2.1 Skalare (0-D-Tensoren)	54
	2.2.2 Vektoren (1-D-Tensoren)	55
	2.2.3 Matrizen (2-D-Tensoren)	55
	2.2.4 3-D-Tensoren und höherdimensionale Tensoren	55
	2.2.5 Die wichtigsten Attribute	56
	2.2.6 Bearbeiten von Tensoren mit Numpy	58
	2.2.7 Datenstapel	58
	2.2.8 Beispiele für Datentensoren aus der Praxis	59
	2.2.9 Vektordaten	59
	2.2.10 Zeitreihen oder sequenzielle Daten	60
	2.2.11 Bilddaten	61
	2.2.12 Videodaten	62
	2.3 Das Getriebe von NNs: Tensoroperationen	62
	2.3.1 Elementweise Operationen	63
	2.3.2 Broadcasting	64
	2.3.3 Tensorprodukt	66
	2.3.4 Tensoren umformen	69
	2.3.5 Geometrische Interpretation von Tensoroperationen	70
	2.3.6 Eine geometrische Interpretation des Deep Learnings	72
	2.4 Der Antrieb von NNs: gradientenbasierte Optimierung	73
	2.4.1 Was ist eine Ableitung?	74
	2.4.2 Ableitung einer Tensoroperation: der Gradient	76
	2.4.3 Stochastisches Gradientenabstiegsverfahren	77
	2.4.4 Ableitungen verketten: der Backpropagation-Algorithmus	80
	2.5 Zurück zum ersten Beispiel	81
	2.6 Zusammenfassung Kapitel 2	83
	Kapitel 3: Einführung in neuronale Netze	85
	3.1 Aufbau eines NNs	86
	3.1.1 Layer: Bausteine des Deep Learnings	86
	3.1.2 Modelle: vernetzte Layer	88
	3.1.3 Verlustfunktionen und Optimierer: Konfiguration des Lernvorgangs	88
	3.2 Einführung in Keras	89
	3.2.1 Keras, TensorFlow, Theano und CNTK	91
	3.2.2 Mit Keras entwickeln: eine kurze Übersicht	92
	3.3 Einrichtung eines Deep-Learning-Rechners	93
	3.3.1 Die bevorzugte Methode zum Ausführen von Deep-Learning- Experimenten: Jupyter-Notebooks	94
	3.3.2 Keras zum Laufen bringen: zwei Möglichkeiten	95
	3.3.3 Pro und Kontra: Deep Learning in der Cloud ausführen	95
	3.3.4 Für Deep Learning geeignete GPUs	96
	3.4 Klassifizierung von Filmbewertungen: ein Beispiel für eine Binärklassifizierung	96
	3.4.1 Die IMDb-Datensammlung	96
	3.4.2 Daten vorbereiten	98
	3.4.3 NN erzeugen	99
	3.4.4 Validierung des Ansatzes	103
	3.4.5 Vorhersagen über neue Daten mit einem trainierten NN treffen	107
	3.4.6 Weitere Experimente	108
	3.4.7 Zusammenfassung	108
	3.5 Ein Beispiel für eine Mehrfachklassifizierung: Klassifizierung von Nachrichtenmeldungen	109
	3.5.1 Die Reuters-Date