Verfügbarkeit: Deep learning mit Python und Keras

Deep learning mit Python und Keras: das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Chollet, François (VerfasserIn)
Weitere Verfasser:	Lorenzen, Knut (ÜbersetzerIn)
Format:	Buch
Sprache:	German
Veröffentlicht:	Frechen mitp 2018
Ausgabe:	1. Auflage
Schlagworte:	Deep learning Python > Programmiersprache Maschinelles Lernen Keras > Framework, Informatik Entwickler und Programmierer für Deep Learning und Machine Learning, Studenten, Data Scientists Keras Big Data Data Science Programmierung Computer Vision Neuronale Netze Machine Learning Python-Bibliothek Künstliche Intelligenz
Online-Zugang:	Inhaltsverzeichnis
Beschreibung:	443 Seiten Illustrationen, Diagramme
ISBN:	9783958458383

Internformat

MARC


LEADER	00000nam a2200000 c 4500
001	BV044928935
003	DE-604
005	20210415
007	t
008	180503s2018 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 18,N17 \|2 dnb
016	7		\|a 1156218543 \|2 DE-101
020			\|a 9783958458383 \|c pbk. \|9 978-3-95845-838-3
035			\|a (OCoLC)1032350195
035			\|a (DE-599)DNB1156218543
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-NW
049			\|a DE-M347 \|a DE-860 \|a DE-91G \|a DE-19 \|a DE-384 \|a DE-92 \|a DE-634 \|a DE-1102 \|a DE-473 \|a DE-523 \|a DE-898 \|a DE-573 \|a DE-20 \|a DE-1046 \|a DE-862 \|a DE-525 \|a DE-B768 \|a DE-861 \|a DE-526 \|a DE-83 \|a DE-29T \|a DE-Aug4 \|a DE-210 \|a DE-11 \|a DE-522 \|a DE-703 \|a DE-706 \|a DE-1049
082	0		\|a 006.31 \|2 22/ger
082	0		\|a 005.133 \|2 22/ger
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a ST 301 \|0 (DE-625)143651: \|2 rvk
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a 004 \|2 sdnb
084			\|a DAT 708f \|2 stub
100	1		\|a Chollet, François \|0 (DE-588)1151332550 \|4 aut
240	1	0	\|a Deep learning with Python (2017)
245	1	0	\|a Deep learning mit Python und Keras \|b das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek \|c François Chollet ; Übersetzung aus dem Amerikanischen von Knut Lorenzen
250			\|a 1. Auflage
264		1	\|a Frechen \|b mitp \|c 2018
300			\|a 443 Seiten \|b Illustrationen, Diagramme
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
650	0	7	\|a Deep learning \|0 (DE-588)1135597375 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Keras \|g Framework, Informatik \|0 (DE-588)1160521077 \|2 gnd \|9 rswk-swf
653			\|a Entwickler und Programmierer für Deep Learning und Machine Learning, Studenten, Data Scientists
653			\|a Keras
653			\|a Big Data
653			\|a Data Science
653			\|a Programmierung
653			\|a Computer Vision
653			\|a Neuronale Netze
653			\|a Machine Learning
653			\|a Python-Bibliothek
653			\|a Künstliche Intelligenz
689	0	0	\|a Keras \|g Framework, Informatik \|0 (DE-588)1160521077 \|D s
689	0	1	\|a Deep learning \|0 (DE-588)1135597375 \|D s
689	0	2	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	0		\|5 DE-604
689	1	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	1	1	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	1		\|5 DE-604
689	2	0	\|a Deep learning \|0 (DE-588)1135597375 \|D s
689	2	1	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	2	2	\|a Keras \|g Framework, Informatik \|0 (DE-588)1160521077 \|D s
689	2		\|5 DE-604
700	1		\|a Lorenzen, Knut \|0 (DE-588)1020241446 \|4 trl
710	2		\|a mitp Verlags GmbH & Co. KG \|0 (DE-588)1065362072 \|4 pbl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF/ePub \|z 978-3-95845-839-0
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF/ePub \|z 978-3-95845-840-6
856	4	2	\|m DNB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030322049&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-030322049

Datensatz im Suchindex

DE-BY-862_location	2000
DE-BY-FWS_call_number	2000/ST 300 C547
DE-BY-FWS_katkey	705740
DE-BY-FWS_media_number	083000520782 083000523927 083000524001
_version_	1806174637019627520
adam_text	I NHALTSVERZEICH N IS EINLEITUNG............................................................................................ 13 UEBER DIESES BUCH................................................................................ 14 WER SOLLTE DIESES BUCH LESEN?............................................................. 15 UEBERBLICK............................................................................................ 15 ERFORDERLICHE HARD- UND SOFTWARE..................................................... 16 QUELLCODE............................................................................................ 17 DAS FORUM ZUM BUCH ........................................................................ 17 UEBER DEN A UTOR.................................................................................. 17 UEBER DEN FACHKORREKTOR .................................................................... 17 DANKSAGUNGEN .......................................... 18 TEIL I GRUNDLAGEN DES DEEP LEARNINGS ..................................................... 19 1 WAS IST DEEP LEAMING?........................................................................ 21 1.1 KUENSTLICHE INTELLIGENZ, MACHINE LEAMING UND DEEP LEAMING ........ 21 1.1.1 KUENSTLICHE INTELLIGENZ........................................................... 22 1.1.2 MACHINE L EAM ING ................................................................ 22 1.1.3 DIE REPRAESENTATION ANHAND DER DATEN ERLERN EN .................. 24 1.1.4 DAS DEEP IN DEEP LEAMING............................................... 27 1.1.5 DEEP LEAMING IN DREI DIAGRAMMEN ERKLAERT ......................... 29 1.1.6 WAS DEEP LEAMING HEUTE SCHON LEISTEN KANN...................... 31 1.1.7 SCHENKEN SIE DEM KURZFRISTIGEN HYPE KEINEN GLAUBEN ___ 32 1.1.8 DAS VERSPRECHEN DER KI......................................................... 33 1.2 VOR DEEP LEAMING: EINE KURZE GESCHICHTE DES MACHINE LEARNINGS............................................................................................ 35 1.2.1 PROBABILISTISCHE MODELLIERUNG............................................... 35 1.2.2 DIE ERSTEN NEURONALEN NETZE................................................. 36 1.2.3 KEMEL-METHODEN .................................................................. 36 1.2.4 ENTSCHEIDUNGSBAEUME, RANDOM FORESTS UND GRADIENT BOOSTING MACHINES................................................. 38 1.2.5 ZURUECK ZU NEURONALEN N ETZEN ............................................. 39 1.2.6 DAS BESONDERE AM DEEP LEAMING ....................................... 40 1.2.7 DER STAND DES MODERNEN MACHINE-LEARNINGS...................... 42 1.3 WARUM DEEP LEAMING? UND WARUM JETZT? ........................................ 42 1.3.1 HARDWARE ................................................................................ 43 1.3.2 DATEN ...................................................................................... 44 1.3.3 ALGORITHMEN........................................................................... 45 1.3.4 EINE NEUE INVESTITIONSWELLE ................................................... 46 1.3.5 DIE DEMOKRATISIERUNG DES DEEP LEAMINGS.......................... 47 1.3.6 BLEIBT ES SO?............................................................................. 47 2 BEVOR ES LOSGEHT: DIE MATHEMATISCHEN BAUSTEINE EINES NNS ............. 49 2.1 EIN ERSTER BLICK AUF EIN N N ................................................................. 49 2.2 DATENREPRAESENTATIONEN....................................................................... 54 2.2.1 SKALARE (O-D-TENSOREN)........................................................... 54 2.2.2 VEKTOREN (1-D-TENSOREN)....................................................... 55 2.2.3 MATRIZEN (2-D-TENSOREN)....................................................... 55 2.2.4 3-D-TENSOREN UND HOEHERDIMENSIONALE T ENSOREN ................ 55 2.2.5 DIE WICHTIGSTEN ATTRIBUTE....................................................... 56 2.2.6 BEARBEITEN VON TENSOREN MIT NUMPY ................................... 58 2.2.7 DATENSTAPEL............................................................................. 58 2.2.8 BEISPIELE FUER DATENTENSOREN AUS DER PRAXIS.......................... 59 2.2.9 VEKTORDATEN............................................................................. 59 2.2.10 ZEITREIHEN ODER SEQUENZIELLE D ATEN ..................................... 60 2.2.11 BILDDATEN................................................................................. 61 2.2.12 VIDEODATEN............................................................................... 62 2.3 DAS GETRIEBE VON NNS: TENSOROPERATIONEN ....................................... 62 2.3.1 ELEMENTWEISE OPERATIONEN ................................................... 63 2.3.2 BROADCASTING........................................................................... 64 2.3.3 TENSORPRODUKT......................................................................... 66 2.3.4 TENSOREN UM FORM EN............................................................. 69 2.3.5 GEOMETRISCHE INTERPRETATION VON TENSOROPERATIONEN .......... 70 2.3.6 EINE GEOMETRISCHE INTERPRETATION DES DEEP LEAMINGS ........ 72 2.4 DER ANTRIEB VON NNS: GRADIENTENBASIERTE OPTIMIERUNG.................... 73 2.4.1 WAS IST EINE ABLEITUNG?......................................................... 74 2.4.2 ABLEITUNG EINER TENSOROPERATION: DER GRADIENT.................... 76 2.4.3 STOCHASTISCHES GRADIENTENABSTIEGSVERFAHREN........................ 77 2.4.4 ABLEITUNGEN VERKETTEN: DER BACKPROPAGATION- ALGORITHMUS ........................................................................... 80 2.5 ZURUECK ZUM ERSTEN BEISPIEL............................................................... 81 2.6 ZUSAMMENFASSUNG KAPITEL 2 ............................................................. 83 3 EINFUEHRUNG IN NEURONALE NETZE.......................................................... 85 3.1 AUFBAU EINES N N S.............................................................................. 86 3.1.1 LAYER: BAUSTEINE DES DEEP LEAMINGS ................................... 86 3.1.2 MODELLE: VERNETZTE LAYER....................................................... 88 3.1.3 VERLUSTFUNKTIONEN UND OPTIMIEREN KONFIGURATION DES LEMVORGANGS ........................................................................ 88 3.2 EINFUEHRUNG IN KERAS.......................................................................... 89 3.2.1 KERAS, TENSORFLOW, THEANO UND CNTK ............................... 91 3.2.2 MIT KERAS ENTWICKELN: EINE KURZE UE BERSICHT........................ 92 3.3 EINRICHTUNG EINES DEEP-LEARNING-RECHNERS ..................................... 93 3.3.1 DIE BEVORZUGTE METHODE ZUM AUSFUEHREN VON DEEP-LEAMING-EXPERIMENTEN: JUPYTER-NOTEBOOKS .............. 94 3.3.2 KERAS ZUM LAUFEN BRINGEN: ZWEI MOEGLICHKEITEN.................. 95 3.3.3 PRO UND KONTRA: DEEP LEAMING IN DER CLOUD AUSFUEHREN . . . 95 3.3.4 FUER DEEP LEAMING GEEIGNETE GPUS ..................................... 96 3.4 KLASSIFIZIERUNG VON FILMBEWERTUNGEN: EIN BEISPIEL FUER EINE BINAERKLASSIFIZIERUNG .......................................................................... 96 3.4.1 DIE IMDB-DATENSAMMLUNG................................................... 96 3.4.2 DATEN VORBEREITEN .................................................................. 98 3.4.3 NN ERZEUGEN .......................................................................... 99 3.4.4 VALIDIERUNG DES ANSATZES....................................................... 103 3.4.5 VORHERSAGEN UEBER NEUE DATEN MIT EINEM TRAINIERTEN NN TREFFEN.............................................................................. 107 3.4.6 WEITERE EXPERIMENTE............................................................. 108 3.4.7 ZUSAMMENFASSUNG............................................................... 108 3.5 EIN BEISPIEL FUER EINE MEHRFACHKLASSIFIZIERUNG: KLASSIFIZIERUNG VON NACHRICHTENMELDUNGEN............................................................... 109 3.5.1 DIE REUTERS-DATENSAMMLUNG............................................... 109 3.5.2 DATEN VORBEREITEN .................................................................. 110 3.5.3 NN ERZEUGEN.......................................................................... 111 3.5.4 VALIDIERUNG DES ANSATZES....................................................... 113 3.5.5 VORHERSAGEN UEBER NEUE DATEN TREFFEN ................................. 116 3.5.6 EINE WEITERE MOEGLICHKEIT ZUR HANDHABUNG DER KLASSENBEZEICHNUNGEN UND DER VERLUSTFUNKTION ................ 116 3.5.7 HINREICHEND GROSSE ZWISCHENLIEGENDE LAYER SIND WICHTIG... 117 3.5.8 WEITERE EXPERIMENTE............................................................. 117 3.5.9 ZUSAMMENFASSUNG .............................................................. 118 3.6 EIN BEISPIEL FUER EINE REGRESSION: VORHERSAGE DER KAUFPREISE VON HAEUSERN ...................................................................................... 118 3.6.1 DIE BOSTON-HOUSING-PRICE-DATENSAMMLUNG........................ 119 3.6.2 DATEN VORBEREITEN................................................................... 120 3.6.3 NN ERZEUGEN........................................................................... 120 3.6.4 K-FACHE KREUZVALIDIERUNGEN DES ANSATZES............................ 121 3.6.5 ZUSAMMENFASSUNG................................................................. 127 3.7 ZUSAMMENFASSUNG KAPITEL 3 ............................................................. 127 4 GRUNDLAGEN DES MACHINE LEAM INGS .................................................. 129 4.1 VIER TEILGEBIETE DES MACHINE LEAM INGS ........................................... 129 4.1.1 UEBERWACHTES LERNEN............................................................... 129 4.1.2 UNUEBERWACHTES L ERNEN......................................................... 130 4.1.3 SELBSTUEBERWACHTES LERNEN ..................................................... 130 4.1.4 VERSTAERKENDES LERNEN............................................................. 131 4.1.5 GLOSSAR: KLASSIFIZIERUNG UND REGRESSION ............................. 132 4.2 BEWERTUNG VON MACHINE-LEAMING-MODELLEN ................................... 133 4.2.1 TRAININGS-, VALIDIEMNGS- UND TESTMENGEN.......................... 133 4.2.2 WORAUF ZU ACHTEN IST............................................................... 137 4.3 DATENVORVERARBEITUNG, MERKMALSERSTELLUNG UND ERLERNEN VON MERKMALEN.......................................................................................... 138 4.3.1 DATENVORVERARBEITUNG FUER N N S ............................................. 138 4.3.2 MERKMALSERSTELLUNG............................................................... 140 4.4 UEBERANPASSUNG UND UNTERANPASSUNG ............................................... 142 4.4.1 DAS NN VERKLEINERN............................................................... 143 4.4.2 REGULARISIERUNG DER GEWICHTUNGEN ..................................... 147 4.4.3 DROPOUT-REGULARISIERUNG....................................................... 149 4.5 EIN ALLGEMEINER MACHINE-LEAMING-WORKFLOW ................................... 151 4.5.1 DEFINITION DER AUFGABE UND ZUSAMMENSTELLEN EINER DATENMENGE........................................................................... 152 4.5.2 AUSWAHL EINES ERFOLGSKRITERIUMS ......................................... 153 4.5.3 AUSWAHL EINER BEWERTUNGSMETHODE ..................................... 153 4.5.4 DATEN VORBEREITEN................................................................... 154 4.5.5 ENTWICKLUNG EINES MODELLS, DAS BESSER FUNKTIONIERT ALS ZUFAELLIGES RATEN................................................................. 154 4.5.6 HOCHSKALIEREN: ENTWICKLUNG EINES MODELLS MIT UEBERANPASSUNG....................................................................... 156 4.5.7 REGULARISIERUNG DES MODELLS UND ABSTIMMUNG DER HYPERPARAMETER..................................................................... 156 4.6 ZUSAMMENFASSUNG KAPITEL 4 ............................................................. 157 5 DEEP LEARNING UND MASCHINELLES SEHEN ........................................... 161 5.1 EINFUEHRUNG IN CNNS........................................................................... 161 5.1.1 DIE FALTUNGSOPERATION........................................................... 164 5.1.2 DIE MAX-POOLING-OPERATION................................................... 170 5.2 EIN CNN VON GRUND AUF MIT EINER KLEINEN DATENMENGE TRAINIEREN............................................................................................ 172 5.2.1 DIE BEDEUTUNG DES DEEP LEARNINGS FUER AUFGABEN MIT KLEINEN DATENMENGEN........................................................... 173 5.2.2 DATEN HERUNTERLADEN............................................................. 173 5.2.3 NN ERZEUGEN.......................................................................... 177 5.2.4 DATENVORVERARBEITUNG............................................................. 179 5.2.5 DATENAUGMENTATION............................................................... 184 5.3 VERWENDUNG EINES VORTRAINIERTEN CNNS ........................................... 189 5.3.1 MERKMALSEXTRAKTION............................................................... 190 5.3.2 FEINABSTIMMUNG................................................................... 202 5.3.3 ZUSAMMENFASSUNG............................................................... 210 5.4 VISUALISIERUNG: WAS CNNS ERLERNEN K OE N N EN ................................... 210 5.4.1 VISUALISIERUNG ZWISCHENLIEGENDER AKTIVIERUNGEN ................ 211 5.4.2 VISUALISIERUNG VON CNN-FILTEM ........................................... 219 5.4.3 VISUALISIERUNG DER HEATMAPS DER KLASSENAKTIVIERUNG ........ 224 5.5 ZUSAMMENFASSUNG KAPITEL 5 ............................................................. 230 6 DEEP LEARNING, TEXT UND SEQUENZIELLE DATEN ................................... 231 6.1 TEXTDATEN............................................................................................ 232 6.1.1 ONE-HOT-CODIERUNG VON WOERTERN UND ZEICHEN.................... 234 6.1.2 WORTEINBETTUNG ...................................................................... 237 6.1.3 ZUSAMMENGEFASST: VON REINEM TEXT ZU WORT EINBETTUNGEN .......................................................................... 243 6.1.4 ZUSAMMENFASSUNG............................................................... 251 6.2 REKURRENTE NEURONALE NETZE............................................................... 252 6.2.1 EIN REKURRENTER LAYER IN K ERAS ............................................. 255 6.2.2 LSTM- UND GRU-LAYER......................................................... 260 6.2.3 EIN KONKRETES LSTM-BEISPIEL IN KERAS ................................. 263 6.2.4 ZUSAMMENFASSUNG............................................................... 265 6.3 ERWEITERTE NUTZUNG REKURRENTER NEURONALER NETZE ........................... 265 6.3.1 TEMPERATURVORHERSAGE........................................................... 266 6.3.2 DATEN VORBEREITEN .................................................................. 269 6.3.3 EINE VERNUENFTIGE ABSCHAETZUNG OHNE MACHINE LEARNING.. . . 272 6.3.4 EIN ELEMENTARER MACHINE-LEAMING-ANSATZ.......................... 274 6.3.5 EIN ERSTES RNN....................................................................... 276 6.3.6 REKURRENTES DROPOUT-VERFAHREN ZUM VERHINDERN EINER UEBERANPASSUNG....................................................................... 277 6.3.7 HINTEREINANDERSCHALTUNG REKURRENTER LAYER.......................... 279 6.3.8 BIDIREKTIONALE RNNS............................................................... 281 6.3.9 NOCH EINEN SCHRITT WEITER GEHEN ........................................... 286 6.3.10 ZUSAMMENFASSUNG................................................................. 286 6.4 VERARBEITUNG VON SEQUENZEN MIT CNNS ........................................... 288 6.4.1 EINDIMENSIONALE FALTUNG SEQUENZIELLER DATEN...................... 288 6.4.2 EINDIMENSIONALES POOLING SEQUENZIELLER DATEN.................... 289 6.4.3 IMPLEMENTIERUNG EINES EINDIMENSIONALEN CNNS ................ 290 6.4.4 LANGE SEQUENZEN MIT EINER KOMBINATION AUS CNNS UND RNNS VERARBEITEN........................................................... 293 6.4.5 ZUSAMMENFASSUNG................................................................. 297 6.5 ZUSAMMENFASSUNG KAPITEL 6 ............................................................. 298 7 BEWAEHRTE VERFAHREN DES DEEP LEAMINGS ............................................ 299 7.1 JENSEITS DES SEQUENTIAL-MODELLS: DIE FUNKTIONALE KERAS-API ............ 299 7.1.1 EINFUEHRUNG IN DIE FUNKTIONALE A PI ....................................... 303 7.1.2 MODELLE MIT MEHREREN EINGABEN ........................................... 305 7.1.3 MODELLE MIT MEHREREN AUSGABEN ......................................... 308 7.1.4 GERICHTETE AZYKLISCHE GRAPHEN VON LAYEM............................ 311 7.1.5 GEMEINSAM GENUTZTE GEWICHTUNGEN VON LAYEM ................ 316 7.1.6 MODELLE ALS LAYER................................................................... 318 7.1.7 ZUSAMMENFASSUNG................................................................. 319 7.2 DEEP-LEAMING-MODELLE MIT CALLBACKS UND TENSORBOARD UNTERSUCHEN UND UEBERWACHEN........................................................... 319 7.2.1 BEEINFLUSSUNG EINES MODELLS WAEHREND DES TRAININGS DURCH CALLBACKS....................................................................... 320 7.2.2 EINFUEHRUNG IN DAS VISUALISIERUNGS-FRAMEWORK TENSORBOARD........................................................................... 325 7.2.3 ZUSAMMENFASSUNG................................................................. 332 7.3 MODELLE RICHTIG AUSREIZEN................................................................... 332 7.3.1 ERWEITERTE ARCHITEKTURMUSTER ............................................... 333 7.3.2 HYPERPARAMETEROPTIMIERUNG ................................................. 336 7.3.3 ENSEMBLEMODELLE................................................................... 339 7.3.4 ZUSAMMENFASSUNG................................................................. 341 7.4 ZUSAMMENFASSUNG KAPITEL 7 ............................................................. 342 8 GENERATIVES DEEP LEARNING ................................................................ 343 8.1 TEXTERZEUGUNG MIT LSTM-MODELLEN................................................. 345 8.1.1 EINE KURZE GESCHICHTE GENERATIVER RNNS ............................. 345 8.1.2 WIE ERZEUGT MAN SEQUENZIELLE DATEN? ................................. 346 8.1.3 DIE BEDEUTUNG DER SAMPLING-STRATEGIE ............................... 347 8.1.4 IMPLEMENTIERUNG DER LSTM-TEXTERZEUGUNG FUER ZEICHEN.................................................................................. 349 8.1.5 ZUSAMMENFASSUNG............................................................... 356 8.2 DEEPDREAM........................................................................................ 356 8.2.1 DEEPDREAM IN KERAS IMPLEMENTIEREN ................................. 357 8.2.2 ZUSAMMENFASSUNG............................................................... 364 8.3 STILUEBERTRAGUNG MIT DEM NEURAL-STYLE-ALGORITHMUS........................ 365 8.3.1 VERLUSTFUNKTION FUER DEN IN H ALT ............................................. 366 8.3.2 VERLUSTFUNKTION FUER DEN S TIL................................................. 366 8.3.3 STILUEBERTRAGUNG IN KERAS....................................................... 367 8.3.4 ZUSAMMENFASSUNG............................................................... 376 8.4 BILDERZEUGUNG MIT VARIATIONAL AUTOENCODERS ................................... 376 8.4.1 SAMPLING EINES LATENTEN BILDERRAUMS ................................... 376 8.4.2 KONZEPTVEKTOREN FUER DAS BEARBEITEN VON BILDERN ................. 377 8.4.3 VARIATIONAL AUTOENCODERS....................................................... 378 8.4.4 ZUSAMMENFASSUNG............................................................... 385 8.5 EINFUEHRUNG IN GENERATIVE ADVERSARIAL NETWORKS ............................. 386 8.5.1 EINE SCHEMATISCHE GAN - IMPLEMENTIERUNG.......................... 388 8.5.2 EINIGE NUETZLICHE T RICKS......................................................... 389 8.5.3 DER GENERATOR ........................................................................ 390 8.5.4 DER DISKRIMINATOR................................................................. 391 8.5.5 DAS GEGNERISCHE NETZ............................................................. 392 8.5.6 TRAINING DES DCGAN............................................................. 393 8.5.7 ZUSAMMENFASSUNG............................................................... 396 8.6 ZUSAMMENFASSUNG KAPITEL 8 ............................................................. 396 9 SCHLUSSFOLGERUNGEN ............................................................................ 397 9.1 KEMKONZEPTE IM UEBERBLICK ............................................................... 397 9.1.1 VERSCHIEDENE ANSAETZE DER KI................................................. 398 9.1.2 DIE BESONDERHEITEN DES DEEP LEAMINGS ............................. 398 9.1.3 WAS IST VOM DEEP LEARNING ZU HALTEN? ................................. 399 9.1.4 WICHTIGE ZUGRUNDE LIEGENDE TECHNOLOGIEN ......................... 401 9.1.5 DER ALLGEMEINE MACHINE-LEAMING-WORKFLOW...................... 402 9.1.6 WICHTIGE NETZARCHITEKTUREN ................................................... 403 9.1.7 DER RAUM DER MOEGLICHKEITEN ............................................... 407 9.2 GRENZEN DES DEEP LEAMINGS............................................................. 409 9.2.1 DAS RISIKO DER VERMENSCHLICHUNG VON DEEP-LEAMING- MODELLEN ................................................................................ 410 9.2.2 LOKALE UND EXTREME VERALLGEMEINERUNG ............................... 413 9.2.3 ZUSAMMENFASSUNG................................................................. 414 9.3 DIE ZUKUNFT DES DEEP LEARNINGS....................................................... 415 9.3.1 MODELLE ALS PROGRAMME......................................................... 416 9.3.2 JENSEITS VON BACKPROPAGATION UND DIFFERENZIERBAREN LAYERN .................................................................................... 418 9.3.3 AUTOMATISIERTES MACHINE LEAMING ....................................... 418 9.3.4 BESTAENDIGES LERNEN UND WIEDERVERWENDUNG MODULARER SUBROUTINEN........................................................................... 419 9.3.5 LANGFRISTIGE AUSSICHTEN......................................................... 421 9.4 AUF DEM LAUFENDEN BLEIBEN............................................................... 422 9.4.1 PRAKTISCHE ERFAHRUNGEN SAMMELN MIT KAGGLE...................... 423 9.4.2 AKTUELLE ENTWICKLUNGEN AUF DER ARXIV-WEBSITE NACHLESEN ................................................................................ 423 9.4.3 ERKUNDUNG DES KERAS-OEKOSYSTEMS ....................................... 424 9.5 SCHLUSSWORT........................................................................................ 424 A INSTALLATION VON KERAS UND DER ERWEITERUNGEN UNTER U BUNTU ........... 425 A.L INSTALLATION DER WISSENSCHAFTLICHEN PAKETE ........................................ 426 A.2 EINRICHTUNG DER GPU-UNTERSTUETZUNG .................................................. 427 A.3 THEANO INSTALLIEREN (OPTIONAL).............................................................. 428 A. 4 KERAS INSTALLIEREN ................................................................................. 429 B JUPYTER-NOTEBOOKS AUF EINER EC2-GPU-INSTANZ AUSFUHREN ............... 431 B. L WAS SIND JUPYTER-NOTEBOOKS? - GRUENDE, SIE AUF AWS-GPUS AUSFUEHREN............................................................................................ 431 B.2 GRUENDE, AUF AWS-JUPYTER-NOTEBOOKS ZU VERZICHTEN .......................... 431 B.3 EINRICHTUNG EINER AWS-GPU-INSTANZ ................................................ 432 B.3.1 JUPYTER KONFIGURIEREN.............................................................. 435 B.4 KERAS INSTALLIEREN ................................................................................. 436 B.5 LOKALE PORTWEITERLEITUNG EINRICHTEN.................................................... 437 B.6 JUPYTER MIT DEM LOKALEN BROWSER VERWENDEN .................................... 437 STICHWORTVERZEICHNIS 439
any_adam_object	1
author	Chollet, François
author2	Lorenzen, Knut
author2_role	trl
author2_variant	k l kl
author_GND	(DE-588)1151332550 (DE-588)1020241446
author_facet	Chollet, François Lorenzen, Knut
author_role	aut
author_sort	Chollet, François
author_variant	f c fc
building	Verbundindex
bvnumber	BV044928935
classification_rvk	ST 302 ST 301 ST 250 ST 300
classification_tum	DAT 708f
ctrlnum	(OCoLC)1032350195 (DE-599)DNB1156218543
dewey-full	006.31 005.133
dewey-hundreds	000 - Computer science, information, general works
dewey-ones	006 - Special computer methods 005 - Computer programming, programs, data, security
dewey-raw	006.31 005.133
dewey-search	006.31 005.133
dewey-sort	16.31
dewey-tens	000 - Computer science, information, general works
discipline	Informatik
edition	1. Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03308nam a2200769 c 4500</leader><controlfield tag="001">BV044928935</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20210415 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">180503s2018 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">18,N17</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1156218543</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783958458383</subfield><subfield code="c">pbk.</subfield><subfield code="9">978-3-95845-838-3</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1032350195</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1156218543</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-NW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-M347</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-384</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-473</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-525</subfield><subfield code="a">DE-B768</subfield><subfield code="a">DE-861</subfield><subfield code="a">DE-526</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-210</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-522</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-1049</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.31</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">005.133</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 301</subfield><subfield code="0">(DE-625)143651:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 250</subfield><subfield code="0">(DE-625)143626:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 708f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Chollet, François</subfield><subfield code="0">(DE-588)1151332550</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Deep learning with Python (2017)</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Deep learning mit Python und Keras</subfield><subfield code="b">das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek</subfield><subfield code="c">François Chollet ; Übersetzung aus dem Amerikanischen von Knut Lorenzen</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Frechen</subfield><subfield code="b">mitp</subfield><subfield code="c">2018</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">443 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Deep learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Keras</subfield><subfield code="g">Framework, Informatik</subfield><subfield code="0">(DE-588)1160521077</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Entwickler und Programmierer für Deep Learning und Machine Learning, Studenten, Data Scientists</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Keras</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Big Data</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Programmierung</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Computer Vision</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Neuronale Netze</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Python-Bibliothek</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligenz</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Keras</subfield><subfield code="g">Framework, Informatik</subfield><subfield code="0">(DE-588)1160521077</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Deep learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="2" ind2="0"><subfield code="a">Deep learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2="1"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2="2"><subfield code="a">Keras</subfield><subfield code="g">Framework, Informatik</subfield><subfield code="0">(DE-588)1160521077</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Lorenzen, Knut</subfield><subfield code="0">(DE-588)1020241446</subfield><subfield code="4">trl</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">mitp Verlags GmbH & Co. KG</subfield><subfield code="0">(DE-588)1065362072</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF/ePub</subfield><subfield code="z">978-3-95845-839-0</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF/ePub</subfield><subfield code="z">978-3-95845-840-6</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030322049&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-030322049</subfield></datafield></record></collection>
id	DE-604.BV044928935
illustrated	Illustrated
indexdate	2024-08-01T10:52:41Z
institution	BVB
institution_GND	(DE-588)1065362072
isbn	9783958458383
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-030322049
oclc_num	1032350195
open_access_boolean
owner	DE-M347 DE-860 DE-91G DE-BY-TUM DE-19 DE-BY-UBM DE-384 DE-92 DE-634 DE-1102 DE-473 DE-BY-UBG DE-523 DE-898 DE-BY-UBR DE-573 DE-20 DE-1046 DE-862 DE-BY-FWS DE-525 DE-B768 DE-861 DE-526 DE-83 DE-29T DE-Aug4 DE-210 DE-11 DE-522 DE-703 DE-706 DE-1049
owner_facet	DE-M347 DE-860 DE-91G DE-BY-TUM DE-19 DE-BY-UBM DE-384 DE-92 DE-634 DE-1102 DE-473 DE-BY-UBG DE-523 DE-898 DE-BY-UBR DE-573 DE-20 DE-1046 DE-862 DE-BY-FWS DE-525 DE-B768 DE-861 DE-526 DE-83 DE-29T DE-Aug4 DE-210 DE-11 DE-522 DE-703 DE-706 DE-1049
physical	443 Seiten Illustrationen, Diagramme
publishDate	2018
publishDateSearch	2018
publishDateSort	2018
publisher	mitp
record_format	marc
spellingShingle	Chollet, François Deep learning mit Python und Keras das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek Deep learning (DE-588)1135597375 gnd Python Programmiersprache (DE-588)4434275-5 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Keras Framework, Informatik (DE-588)1160521077 gnd
subject_GND	(DE-588)1135597375 (DE-588)4434275-5 (DE-588)4193754-5 (DE-588)1160521077
title	Deep learning mit Python und Keras das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek
title_alt	Deep learning with Python (2017)
title_auth	Deep learning mit Python und Keras das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek
title_exact_search	Deep learning mit Python und Keras das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek
title_full	Deep learning mit Python und Keras das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek François Chollet ; Übersetzung aus dem Amerikanischen von Knut Lorenzen
title_fullStr	Deep learning mit Python und Keras das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek François Chollet ; Übersetzung aus dem Amerikanischen von Knut Lorenzen
title_full_unstemmed	Deep learning mit Python und Keras das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek François Chollet ; Übersetzung aus dem Amerikanischen von Knut Lorenzen
title_short	Deep learning mit Python und Keras
title_sort	deep learning mit python und keras das praxis handbuch vom entwickler der keras bibliothek
title_sub	das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek
topic	Deep learning (DE-588)1135597375 gnd Python Programmiersprache (DE-588)4434275-5 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Keras Framework, Informatik (DE-588)1160521077 gnd
topic_facet	Deep learning Python Programmiersprache Maschinelles Lernen Keras Framework, Informatik
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030322049&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT cholletfrancois deeplearningwithpython2017 AT lorenzenknut deeplearningwithpython2017 AT mitpverlagsgmbhcokg deeplearningwithpython2017 AT cholletfrancois deeplearningmitpythonundkerasdaspraxishandbuchvomentwicklerderkerasbibliothek AT lorenzenknut deeplearningmitpythonundkerasdaspraxishandbuchvomentwicklerderkerasbibliothek AT mitpverlagsgmbhcokg deeplearningmitpythonundkerasdaspraxishandbuchvomentwicklerderkerasbibliothek

Verfügbarkeit

Inhaltsverzeichnis

Schweinfurt Zentralbibliothek Lesesaal

Bestandesangaben von Schweinfurt Zentralbibliothek Lesesaal
Signatur:	2000 ST 300 C547
Exemplar 1	ausleihbar Verfügbar Bestellen
Exemplar 2	ausleihbar Verfügbar Bestellen

Schweinfurt Zentralbibliothek Lesesaal

Bestandesangaben von Schweinfurt Zentralbibliothek Lesesaal
Signatur:	2000 ST 300 C547
Exemplar 1	ausleihbar Checked out – Rückgabe bis: 01.01.2099 Vormerken

MARC

Datensatz im Suchindex

Schweinfurt Zentralbibliothek Lesesaal

Schweinfurt Zentralbibliothek Lesesaal

Ähnliche Einträge