| Description |
1 online resource (1 volume) : illustrations |
| Bibliography |
Includes bibliographical references and index. |
| Contents |
Intro -- Inhaltsverzeichnis -- Vorwort -- Kapitel 1: Einführung -- Wozu Deep Learning? -- Zielgruppe -- Struktur des Buchs -- Weiterführende Quellen -- Typografische Konventionen -- Quellcode und Beispiele -- Danksagung -- Kapitel 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 -- Kapitel 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 -- Kapitel 4: Werkzeuge für Deep Learning -- Python für die Praxis -- Docker-Installation -- Docker unter macOS -- Docker unter Windows -- Docker unter Linux -- Docker-Container zum Buch -- Jupyter Notebook -- Beispieldaten -- ImageNet -- Oxford Flowers Dataset -- MNIST-Datenbank -- Web Scraping -- Weitere Datenquellen -- Kapitel 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 -- Kapitel 6: Deep-Learning-Anwendungen -- Handschrifterkennung. |
|
Kunst mit Deep Learning -- Bilderkennung und Klassifizierung -- Deep Dreaming -- Deep Dreaming in der Cloud -- Prognosen von Zeitreihen -- Kapitel 7: Deep Learning und Big Data -- TensorFlow verteilen -- Caffe2 verteilen -- Spark und Deep Learning -- TensorFrames -- Intels BigDL -- SparkNet -- CaffeOnSpark -- TensorFlowOnSpark -- Deep Learning und die Amazon-Cloud -- Googles Cloud Platform -- Kapitel 8: Deep Learning produktiv -- Modellgüte bewerten -- Trainingsdaten und Testdaten -- Konfusionsmatrix -- Mittlere quadratische Abweichung -- Mittlere absolute Abweichung -- R² -- Bias -- Underfitting und Overfitting -- Modelle einfrieren -- Modelle nutzen -- Entwicklungspipeline -- Laufzeitumgebungen -- TensorFlow Serving -- AWS Lambda -- Anhang: Arbeiten mit dem Docker-Container -- Index -- Über den Autor -- Kolophon. |
| Summary |
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. |
| Subject |
Python (Computer program language)
|
|
Machine learning.
|
|
Artificial intelligence.
|
|
Python (Langage de programmation) |
|
Apprentissage automatique. |
|
Intelligence artificielle. |
|
artificial intelligence. |
|
Artificial intelligence |
|
Machine learning |
|
Python (Computer program language) |
| Added Title |
Python, Caffe, TensorFlow und Spark eigene Deep-Learning-Anwendungen erstellen |
|
More Resources