Deep Learning illustriert
Eine anschauliche EinfĂŒhrung in Machine Vision, Natural Language Processing und Bilderzeugung fĂŒr Programmierer und Datenanalysten
Jon Krohn, Grant Beyleveld, Aglaé Bassens, Kathrin Lichtenberg
- 472 pages
- German
- ePUB (mobile friendly)
- Available on iOS & Android
Deep Learning illustriert
Eine anschauliche EinfĂŒhrung in Machine Vision, Natural Language Processing und Bilderzeugung fĂŒr Programmierer und Datenanalysten
Jon Krohn, Grant Beyleveld, Aglaé Bassens, Kathrin Lichtenberg
About This Book
Deep Learning begreifen und einsetzen
- EinfĂŒhrung in verwandte Themen wie KĂŒnstliche Intelligenz, Machine Learning und Neuronale Netze
- viele Illustrationen, verstÀndlich erklÀrt
- begleitendes online-Material zum Ausprobieren der ErlÀuterungen aus dem Buch (Jupyter-Notebooks)
- Vorstellung von Bibliotheken (Tensor Flow/Keras, PyTorch)
Deep Learning verĂ€ndert unseren Alltag. Dieser Ansatz fĂŒr maschinelles Lernen erzielt bahnbrechende Ergebnisse in einigen der bekanntesten Anwendungen von heute, in Unternehmen von Google bis Tesla, Facebook bis Apple. Tausende von technischen FachkrĂ€ften und Studenten wollen seine Möglichkeiten einsetzen, aber frĂŒhere BĂŒcher ĂŒber Deep Learning waren oft nicht intuitiv, unzugĂ€nglich und trocken. John Krohn, Grant Beylefeld und AglaĂ© Bassens bieten Ihnen eine einzigartige visuelle, intuitive und verstĂ€ndliche EinfĂŒhrung in Techniken und Anwendungen von Deep Learning. Mit den farbenfrohen Illustrationen und eingĂ€ngigen ErlĂ€uterungen von "Deep Learning illustriert" gelingt Ihnen ein einfacher Zugang zum Aufbau von Deep-Learning-Modellen, und bringt ihnen beim Lernen mehr SpaĂ.
Der erste Teil des Buches erklĂ€rt, was Deep Learning ist, warum es so allgegenwĂ€rtig geworden ist und wie es mit Konzepten und Terminologien wie kĂŒnstlicher Intelligenz, Machine Learning oder kĂŒnstlichen neuronalen Netzen interagiert. Dabei verwenden die Autoren leicht verstĂ€ndliche Analogien, lebendige Grafiken und viele Beispiele.
Auf dieser Grundlage prĂ€sentieren die Autoren eine praktische Referenz und ein Tutorial zur Anwendung eines breiten Spektrums bewĂ€hrter Techniken des Deep Learning. Die wesentliche Theorie wird mit so wenig Mathematik wie möglich behandelt und mit praktischem Python-Code beleuchtet. Praktische Beispiele zum Ausprobieren, die kostenfrei online verfĂŒgbar sind (Jupyter-Notebooks), machen Ihnen die Theorie begreiflich. So erlangen Sie ein pragmatisches VerstĂ€ndnis aller wichtigen Deep-Learning-AnsĂ€tze und ihrer Anwendungen: Machine Vision, Natural Language Processing, Bilderzeugung und Spielalgorithmen.
Um Ihnen zu helfen, mehr in kĂŒrzerer Zeit zu erreichen, stellen die Autoren mehrere der heute am weitesten verbreiteten und innovativsten Deep-Learning-Bibliotheken vor, darunter:
- TensorFlow und seine High-Level-API, Keras
- PyTorch
- High-Level-Coach, eine TensorFlow-API, die die KomplexitÀt, die typischerweise mit der Entwicklung von Deep Reinforcement Learning-Algorithmen verbunden ist, abstrahiert.
Frequently asked questions
Information
Teil III
Interaktive Anwendungen des Deep Learning
10Maschinelles Sehen
- Recurrent Neural Networks zur Verarbeitung natĂŒrlicher Sprache (in Kapitel 11)
- Generative Adversarial Networks fĂŒr eine visuelle KreativitĂ€t (in Kapitel 12)
- Deep Reinforcement Learning fĂŒr eine sequenzielle Entscheidungsfindung in komplexen, verĂ€nderlichen Umgebungen (in Kapitel 13)