Deep Learning illustriert : eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten
Bibliographische Detailangaben
- Titel
- Deep Learning illustriert eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten
- verantwortlich
- ; ; ; ;
- Werktitel
- Deep learning illustrated
- veröffentlicht
- Erscheinungsjahr
- 2020
- Erscheint auch als
- Krohn, Jon, Deep Learning illustriert, Heidelberg : dpunkt.verlag, 2020, xxvi, 445 Seiten
- Andere Ausgaben
- Deep Learning illustriert: eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten
- Medientyp
- E-Book
- Datenquelle
- K10plus Verbundkatalog
- Tags
- Tag hinzufügen
Zugang
Weitere Informationen sehen Sie, wenn Sie angemeldet sind. Noch keinen Account? Jetzt registrieren.
- Details Klicken Sie hier, um den Inhalt der Registerkarte zu laden.
- Standorte Klicken Sie hier, um den Inhalt der Registerkarte zu laden.
- Internformat Klicken Sie hier, um den Inhalt der Registerkarte zu laden.
- Zusammenfassung
- Deep Learning begreifen und einsetzen Einführung in verwandte Themen wie Künstliche Intelligenz, Machine Learning und Neuronale Netze viele Illustrationen, verständlich erklärt begleitendes online-Material zum Ausprobieren der Erläuterungen aus dem Buch (Jupyter-Notebooks) Vorstellung von Bibliotheken (Tensor Flow/Keras, PyTorch) Deep Learning verändert unseren Alltag. Dieser Ansatz für maschinelles Lernen erzielt bahnbrechende Ergebnisse in einigen der bekanntesten Anwendungen von heute, in Unternehmen von Google bis Tesla, Facebook bis Apple. Tausende von technischen Fachkräften und Studenten wollen seine Möglichkeiten einsetzen, aber frühere Bücher über Deep Learning waren oft nicht intuitiv, unzugänglich und trocken. John Krohn, Grant Beylefeld und Aglaé Bassens bieten Ihnen eine einzigartige visuelle, intuitive und verständliche Einführung in Techniken und Anwendungen von Deep Learning. Mit den farbenfrohen Illustrationen und eingängigen Erläuterungen von "Deep Learning illustriert" gelingt Ihnen ein einfacher Zugang zum Aufbau von Deep-Learning-Modellen, und bringt ihnen beim Lernen mehr Spaß. Der erste Teil des Buches erklärt, was Deep Learning ist, warum es so allgegenwärtig geworden ist und wie es mit Konzepten und Terminologien wie künstlicher Intelligenz, Machine Learning oder künstlichen neuronalen Netzen interagiert. Dabei verwenden die Autoren leicht verständliche Analogien, lebendige Grafiken und viele Beispiele. Auf dieser Grundlage präsentieren die Autoren eine praktische Referenz und ein Tutorial zur Anwendung eines breiten Spektrums bewährter 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 verfügbar sind (Jupyter-Notebooks), machen Ihnen die Theorie begreiflich. So erlangen Sie ein pragmatisches Verständnis aller wichtigen Deep-Learning-Ansätze und ihrer Anwendungen: Machine Vision, Natural Language Processing, Bilderzeugung und Spielalgorithmen. Um Ihnen zu helfen, mehr in kürzerer 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 Komplexität, die typischerweise mit der Entwicklung von Deep Reinforcement Learning-Algorithmen verbunden ist, abstrahiert.
Intro -- Vorwort -- Einführung -- Wie Sie dieses Buch lesen sollten -- Danksagungen -- Teil I -- Deep Learning vorgestellt -- 1 Biologisches und maschinelles Sehen -- 1.1 Das biologische Sehen -- 1.2 Maschinelles Sehen -- 1.2.1 Das Neocognitron -- 1.2.2 LeNet-5 -- 1.2.3 Der traditionelle Machine-Learning-Ansatz -- 1.2.4 ImageNet und die ILSVRC -- 1.2.5 AlexNet -- 1.3 TensorFlow Playground -- 1.4 Quick, Draw! -- 1.5 Zusammenfassung -- 2 Menschen- und Maschinensprache -- 2.1 Deep Learning für Natural Language Processing -- 2.1.1 Deep-Learning-Netze lernen Repräsentationen automatisch -- 2.1.2 Natural Language Processing -- 2.1.3 Eine kurze Geschichte des Deep Learning für NLP -- 2.2 Repräsentationen von Sprache im Computer -- 2.2.1 1-aus-n-Repräsentationen von Wörtern -- 2.2.2 Wortvektoren -- 2.2.3 Wortvektor-Arithmetik -- 2.2.4 word2viz -- 2.2.5 Lokalistische versus verteilte Repräsentationen -- 2.3 Elemente der natürlichen menschlichen Sprache -- 2.4 Google Duplex -- 2.5 Zusammenfassung -- 3 Maschinenkunst -- 3.1 Eine feuchtfröhliche Nacht -- 3.2 Berechnungen auf nachgemachten menschlichen Gesichtern -- 3.3 Stiltransfer: Fotos in einen Monet verwandeln (und umgekehrt) -- 3.4 Machen Sie Ihre eigenen Skizzen fotorealistisch -- 3.5 Fotorealistische Bilder aus Text erzeugen -- 3.6 Bildverarbeitung mittels Deep Learning -- 3.7 Zusammenfassung -- 4 Spielende Maschinen -- 4.1 Deep Learning, KI und andere Monster -- 4.1.1 Künstliche Intelligenz -- 4.1.2 Machine Learning -- 4.1.3 Representation Learning -- 4.1.4 Künstliche neuronale Netze -- 4.1.5 Deep Learning -- 4.1.6 Maschinelles Sehen -- 4.1.7 Natural Language Processing -- 4.2 Drei Arten von Machine-Learning-Problemen -- 4.2.1 Supervised Learning -- 4.2.2 Unsupervised Learning -- 4.2.3 Reinforcement Learning -- 4.3 Deep Reinforcement Learning -- 4.4 Videospiele -- 4.5 Brettspiele -- 4.5.1 AlphaGo.
Die auch für Laien gut lesbaren und verständlichen ersten Kapitel erläutern die grundlegenden Verfahren des Machine Learning (ML; in diesem Fach oft englische Nomenklatur) und des Deep Learning (DL), die auf neuronalen Netzen und immer gröe︣ren Bilddatenbanken beruhen. Man kann mit diesen Methoden sogar ähnlich aussehende Hunderassen unterscheiden. Nach dem 1. Viertel des Buchs wenden sich die Autoren explizit an Softwareentwickler, Forscher und Analysten. Es werden gute Vorkenntnisse erwartet, um die vielen Codebeispiele (meist in Keras, einer speziellen API-Sprache verfasst) verstehen und nachvollziehen zu können. Man findet aber auch in diesem Teil des Buchs eher beiläufig viele interessante Informationen zum Thema. Ein instruktives Venn-Diagramm zeigt, wie die Konzepte KI, ML und DL ineinander geschachtelt sind. Wenn die Presse aber Forschungsergebnisse von DL aufgreift, wird oft der allgemeinere Begriff KI benutzt. Die vielen verblüffenden Ergebnisse von DL etwa bei Spielen wie Schach, Go und Shogi zeigen eindrucksvoll, wie hier menschliche Intelligenz schon heute übertroffen wird. (2-3) - Umfang
- 1 Online-Ressource (xxvi, 445 Seiten); Illustrationen, Diagramme
- Sprache
- Deutsch, Englisch
- Schlagworte
- RVK-Notation
-
- Informatik
-
- Monografien
-
- Künstliche Intelligenz
-
- Allgemeines
- BK-Notation
- 54.72 Künstliche Intelligenz
- DDC-Notation
- 006.31 ; 006.3028551 ; 004
- ISBN
-
9783960887515
9783960887522
9783960887539