Neuronale Netze und Deep Learning kapieren

Von:

Andrew W. Trask

Beschreibung

Von den Grundlagen Neuronaler Netze über Machine Learning bis hin zu Deep-Learning-Algorithmen Anschauliche Diagramme, Anwendungsbeispiele in Python und der Einsatz von NumPy Keine Vorkenntnisse in Machine Learning oder höherer Mathematik erforderlich Deep Le...

Format auswählen

Kartonierter EinbandCHF 36.70
E-Book (pdf)CHF 35.00
E-Book (epub)CHF 35.00

Kartonierter Einband

CHF36.70

TIEFPREIS

CHF36.70

Auslieferung erfolgt in der Regel innert 2 bis 4 Werktagen.

Kostenlose Lieferung

Beschreibung

Von den Grundlagen Neuronaler Netze über Machine Learning bis hin zu Deep-Learning-Algorithmen
Anschauliche Diagramme, Anwendungsbeispiele in Python und der Einsatz von NumPy
Keine Vorkenntnisse in Machine Learning oder höherer Mathematik erforderlich
Deep Learning muss nicht kompliziert sein. Mit diesem Buch lernst du anhand vieler Beispiele alle Grundlagen, die du brauchst, um Deep-Learning-Algorithmen zu verstehen und anzuwenden. Dafür brauchst du nichts weiter als Schulmathematik und Kenntnisse der Programmiersprache Python. Alle Codebeispiele werden ausführlich erläutert und mathematische Hintergründe anhand von Analogien veranschaulicht.
Der Autor erklärt leicht verständlich, wie Neuronale Netze lernen und wie sie mit Machine-Learning-Verfahren trainiert werden können. Du erfährst, wie du dein erstes Neuronales Netz erstellst und wie es mit Deep-Learning-Algorithmen Bilder erkennen sowie natürliche Sprache verarbeiten und modellieren kann. Hierbei kommen Netze mit mehreren Schichten wie CNNs und RNNs zum Einsatz.
Fokus des Buches ist es, Neuronale Netze zu trainieren, ohne auf vorgefertigte Python-Frameworks zurückzugreifen. So verstehst du Deep Learning von Grund auf und kannst in Zukunft auch komplexe Frameworks erfolgreich für deine Projekte einsetzen. Aus dem Inhalt:
Parametrische und nichtparametrische Modelle
Überwachtes und unüberwachtes Lernen
Vorhersagen mit mehreren Ein- und Ausgaben
Fehler messen und verringern
Hot und Cold Learning
Batch- und stochastischer Gradientenabstieg
Überanpassung vermeiden
Generalisierung
Dropout-Verfahren
Backpropagation und Forward Propagation
Bilderkennung
Verarbeitung natürlicher Sprache (NLP)
Sprachmodellierung
Aktivierungsfunktionen
- Sigmoid-Funktion
- Tangens hyperbolicus
- Softmax
Convolutional Neural Networks (CNNs)
Recurrent Neural Networks (RNNs)
Long Short-Term Memory (LSTM)
Deep-Learning-Framework erstellen
»Wer nicht nur Programmzeilen abtippen, sondern auch die inneren Zusammenhänge des maschinellen Lernens verstehen will, ist bei diesem Buch genau richtig. Es lohnt sich, genug Zeit zu investieren, um die Beispiele nachzuprogrammieren.« (iX, 09/2020) »Wer als Net-Entwickler in die Welt der Künstlichen Intelligenz einzusteigen versucht, hat zunächst eine etwas schwierige Ausgangsposition. Das vorliegende Buch ist aber eines jener Werke, dessen Kauf man letztendlich nicht bereut der Schwierigkeitsgrad bzw. die Menge an mathematischen Ausführungen ist gelungen gewählt, so dass man sich weder langweilt noch überfordert fühlt.« (windows.developer, 09/2020) »Durch sinnvoll gewählte Abstraktionen vermittelt (der Autor) Python-Programmierern auch ohne fortgeschrittene Mathematik solides Grundwissen über neuronale Netze und Deep Learning. [] Anstatt zu theoretisieren, zündet er ein Feuerwerk von Anregungen für Programmierpraktiker.« (c't, 06/2020) »Das vorliegende Buch [...] erklärt mit vielen Beispielen in einfacher Weise, wie künstliche neuronale Netze lernen und wie sie mit Deep-Learning-Verfahren trainiert werden können. [...] Didaktisch gut aufgebaut.« (Ekz Bibliotheks-Service, 02/2020)
Autorentext
Andrew W. Trask ist Doktorand an der Oxford University und als Research Scientist für DeepMind tätig. Zuvor war er Researcher und Analytics Product Manager bei Digital Reasoning, wo er u.a. das größte künstliche Neuronale Netz der Welt trainierte.