Deep learning mit Python und Keras: das Praxis-Handbuch : vom Entwickler der Keras-Bibliothek
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Book |
| Language: | German |
| Published: |
Frechen
mitp
2018
|
| Edition: | 1. Auflage |
| Subjects: | |
| Online Access: | Inhaltsverzeichnis |
| Physical Description: | 443 Seiten Illustrationen, Diagramme |
| ISBN: | 9783958458383 |
Staff View
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 DAT 708f |2 stub | ||
| 084 | |a 004 |2 sdnb | ||
| 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 Keras |g Framework, Informatik |0 (DE-588)1160521077 |2 gnd |9 rswk-swf |
| 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 |
| 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 |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-030322049 | |
Record in the Search Index
| DE-BY-862_location | 2000 |
|---|---|
| DE-BY-FWS_call_number | 2000/ST 300 C547 |
| DE-BY-FWS_katkey | 705740 |
| DE-BY-FWS_media_number | 083000524001 083000523927 083000520782 |
| _version_ | 1824556306238799872 |
| 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>00000nam a2200000 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">DAT 708f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</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">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="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="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="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-030322049</subfield></datafield></record></collection> |
| id | DE-604.BV044928935 |
| illustrated | Illustrated |
| indexdate | 2025-02-20T07:21:28Z |
| 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 Keras Framework, Informatik (DE-588)1160521077 gnd Deep Learning (DE-588)1135597375 gnd Python Programmiersprache (DE-588)4434275-5 gnd Maschinelles Lernen (DE-588)4193754-5 gnd |
| subject_GND | (DE-588)1160521077 (DE-588)1135597375 (DE-588)4434275-5 (DE-588)4193754-5 |
| 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 | Keras Framework, Informatik (DE-588)1160521077 gnd Deep Learning (DE-588)1135597375 gnd Python Programmiersprache (DE-588)4434275-5 gnd Maschinelles Lernen (DE-588)4193754-5 gnd |
| topic_facet | Keras Framework, Informatik Deep Learning Python Programmiersprache Maschinelles Lernen |
| 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 |
Indexes
Sonderstandort Fakultät
| Call Number: |
2000 ST 300 C547 |
|---|---|
| Copy 1 | nicht ausleihbar Checked out – Due: 31.12.2099 Recall This |
THWS Schweinfurt Zentralbibliothek Lesesaal
| Call Number: |
2000 ST 300 C547 |
|---|---|
| Copy 1 | ausleihbar Available Place a Hold |
| Copy 2 | ausleihbar Available Place a Hold |