Cargando…

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 ode...

Descripción completa

Detalles Bibliográficos
Clasificación:Libro Electrónico
Autor principal: Wartala, Ramon (Autor)
Formato: Electrónico eBook
Idioma:Alemán
Publicado: Heidelberg : O'Reilly : Dpunkt.verlag, [2018]
Edición:1. Auflage.
Temas:
Acceso en línea:Texto completo (Requiere registro previo con correo institucional)
Tabla de Contenidos:
  • 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
  • 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.