Praxiseinstieg Deep Learning mit Python, Caffe, TensorFlow und Spark eigene Deep-Learning-Anwendungen erstellen
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...
| Main Author: | |
|---|---|
| Format: | eBook |
| Language: | German |
| Published: |
Heidelberg
O'Reilly
2018
|
| Edition: | 1. Auflage |
| Subjects: | |
| Online Access: | |
| Collection: | O'Reilly - Collection details see MPG.ReNa |
Table of Contents:
- Includes bibliographical references and index
- 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