Holdings: Deep Learning mit TensorFlow, Keras und TensorFlow.js

Deep Learning mit TensorFlow, Keras und TensorFlow.js:

Saved in:

Bibliographic Details
Main Authors:	Deru, Matthieu (Author), Ndiaye, Alassane (Author)
Format:	Book
Language:	German
Published:	Bonn Rheinwerk 2020
Edition:	2., aktualisierte und erweiterte Auflage
Series:	Rheinwerk Computing
Subjects:	Keras > Framework, Informatik Deep Learning JavaScript Python > Programmiersprache TensorFlow HTML 5.0 Machine Learning ML Neural Networks Neuronale Netze AI KI Künstliche Intelligenz Deep-Learning-Netze Hand-Buch Bücher Grundlagen Maschinelles Lernen Informatik Wissen Kurse Seminare Tutorials Artificial Intelligence Data-Science
Online Access:	Inhaltstext Inhaltsverzeichnis
Item Description:	Auf dem Cover: "2. Auflage zu TensorFlow 2, von der Aufbereitung der Daten bis zur Visualisierung, mit Python, HTML5 und JavaScript Deep Learning entdecken, inkl. tf.keras, TensorBoard, TensorFlow Hub, ml5.js, Migration nach TensorFlow 2 u. v. m., alle Beispielprojekte zum Download"
Physical Description:	496 Seiten Illustrationen, Diagramme 24 cm x 16.8 cm
ISBN:	9783836274258 3836274256

Staff View

MARC


LEADER	00000nam a22000008c 4500
001	BV046343919
003	DE-604
005	20201218
007	t\|
008	200120s2020 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 20,N01 \|2 dnb
016	7		\|a 1201938651 \|2 DE-101
020			\|a 9783836274258 \|c : EUR 39.90 (DE), EUR 41.10 (AT), CHF 49.90 (freier Preis) \|9 978-3-8362-7425-8
020			\|a 3836274256 \|9 3-8362-7425-6
024	3		\|a 9783836274258
028	5	2	\|a Bestellnummer: 459/07425
035			\|a (OCoLC)1164639034
035			\|a (DE-599)DNB1201938651
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-NW
049			\|a DE-91G \|a DE-20 \|a DE-473 \|a DE-898 \|a DE-355 \|a DE-29T \|a DE-573 \|a DE-1043 \|a DE-523 \|a DE-859 \|a DE-703 \|a DE-M347 \|a DE-19 \|a DE-83 \|a DE-634 \|a DE-92 \|a DE-1046 \|a DE-862 \|a DE-858 \|a DE-522
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
084			\|a ST 301 \|0 (DE-625)143651: \|2 rvk
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a DAT 708f \|2 stub
084			\|a 004 \|2 sdnb
084			\|a DAT 316f \|2 stub
100	1		\|a Deru, Matthieu \|e Verfasser \|0 (DE-588)1186996420 \|4 aut
245	1	0	\|a Deep Learning mit TensorFlow, Keras und TensorFlow.js \|c Matthieu Deru, Alassane Ndiaye
250			\|a 2., aktualisierte und erweiterte Auflage
264		1	\|a Bonn \|b Rheinwerk \|c 2020
300			\|a 496 Seiten \|b Illustrationen, Diagramme \|c 24 cm x 16.8 cm
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
490	0		\|a Rheinwerk Computing
500			\|a Auf dem Cover: "2. Auflage zu TensorFlow 2, von der Aufbereitung der Daten bis zur Visualisierung, mit Python, HTML5 und JavaScript Deep Learning entdecken, inkl. tf.keras, TensorBoard, TensorFlow Hub, ml5.js, Migration nach TensorFlow 2 u. v. m., alle Beispielprojekte zum Download"
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 JavaScript \|0 (DE-588)4420180-1 \|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 TensorFlow \|0 (DE-588)1153577011 \|2 gnd \|9 rswk-swf
650	0	7	\|a HTML 5.0 \|0 (DE-588)7704810-6 \|2 gnd \|9 rswk-swf
653			\|a Machine Learning ML
653			\|a Neural Networks
653			\|a Neuronale Netze
653			\|a AI
653			\|a KI
653			\|a Künstliche Intelligenz
653			\|a Deep-Learning-Netze
653			\|a Hand-Buch Bücher Grundlagen
653			\|a Maschinelles Lernen
653			\|a Informatik
653			\|a Wissen Kurse Seminare Tutorials
653			\|a Artificial Intelligence
653			\|a Data-Science
689	0	0	\|a Deep Learning \|0 (DE-588)1135597375 \|D s
689	0	1	\|a TensorFlow \|0 (DE-588)1153577011 \|D s
689	0	2	\|a Keras \|g Framework, Informatik \|0 (DE-588)1160521077 \|D s
689	0		\|5 DE-604
689	1	0	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	1	1	\|a HTML 5.0 \|0 (DE-588)7704810-6 \|D s
689	1	2	\|a JavaScript \|0 (DE-588)4420180-1 \|D s
689	1	3	\|a Deep Learning \|0 (DE-588)1135597375 \|D s
689	1		\|5 DE-604
700	1		\|a Ndiaye, Alassane \|e Verfasser \|0 (DE-588)1187002445 \|4 aut
710	2		\|a Galileo Press \|0 (DE-588)1065964404 \|4 pbl
780	0	0	\|i Vorangegangen ist \|z 9783836265096
856	4	2	\|m X:MVB \|q text/html \|u http://deposit.dnb.de/cgi-bin/dokserv?id=2905628e71d8447aa5da823cb06deb78&prov=M&dok_var=1&dok_ext=htm \|3 Inhaltstext
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=031720535&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
943	1		\|a oai:aleph.bib-bvb.de:BVB01-031720535

Record in the Search Index

DE-BY-862_location	2000
DE-BY-FWS_call_number	2000/ST 300 D438(2)
DE-BY-FWS_katkey	759725
DE-BY-FWS_media_number	083000524007 083000524006
_version_	1824556306256625665
adam_text	AUF EINEN BLICK 1 EINFUEHRUNG . 15 2 MACHINE LEARNING UND DEEP LEARNING . 33 3 NEURONALE NETZE . 67 4 PYTHON UND MACHINE-LEARNING-BIBLIOTHEKEN . 107 5 TENSORFLOW: INSTALLATION UND GRUNDLAGEN . 139 6 KERAS . 185 7 NETZE UND METRIKEN VISUALISIEREN . 227 8 TENSORFLOW.JS . 285 9 PRAXISBEISPIELE . 361 10 AUSBLICK . 463 11 FAZIT . 489 INHALT 1 EINFUEHRUNG 15 1.1 UEBER DIESES BUCH . 15 1.1.1 VORAUSSETZUNGEN . 16 1.1.2 AUFBAU DES BUCHES . 16 1.1.3 GITHUB-REPOSITORY ZUM BUCH . 17 1.2 EIN EINBLICK IN DEEP LEARNING . 17 1.3 DEEP LEARNING IM ALLTAG UND IN DER ZUKUNFT . 19 1.3.1 SPRACHVERARBEITUNG . 20 1.3.2 AUTOMATISCHE SPRACHUEBERSETZUNGEN . 21 1.3.3 VISUAL COMPUTING . 22 1.3.4 AUTONOMES FAHREN . 24 1.3.5 DEEP LEARNING IN DEN SOZIALEN NETZWERKEN . 25 1.3.6 DEEP LEARNING IN DER MEDIZIN . 25 1.3.7 DEEP LEARNING IN DER INDUSTRIE 4.0 . 27 1.3.8 DEEP LEARNING IN DER LANDWIRTSCHAFT . 27 1.3.9 DEEP LEARNING IM RECHTSWESEN . 28 1.3.10 DEEP LEARNING IN DER FINANZWELT . 29 1.3.11 DEEP LEARNING IN DER ENERGIEWIRTSCHAFT . 31 2 MACHINE LEARNING UND DEEP LEARNING 33 2.1 EINFUEHRUNG . 33 2.2 LERNANSAETZE BEIM MACHINE LEARNING . 38 2.2.1 SUPERVISED LEARNING . 39 2.2.2 UNSUPERVISED LEARNING . 41 2.2.3 SEMI-SUPERVISED LEARNING . 42 2.2.4 REINFORCEMENT LEARNING . 42 2.2.5 AKTIVES LERNEN . 44 2.3 DEEP-LEARNING-FRAMEWORKS . 44 2.4 DATENBESCHAFFUNG . 46 2.4.1 VORGEFERTIGTE DATASETS . 46 2.4.2 EIGENE DATASETS . 47 INHALT 2.5 DATASETS . 48 2.5.1 KAGGLE . 48 2.5.2 GOOGLE DATASET SEARCH . 49 2.5.3 CHARS74K . 50 2.5.4 IMAGENET . 50 2.5.5 IMAGECLEF . 53 2.5.6 VGG . 54 2.5.7 YFCC100M . 56 2.5.8 YOUTUBE-8M . 56 2.5.9 MS-CELEB-LM . 57 2.5.10 CELEBA . 58 2.5.11 VOXCELEB2 . 59 2.5.12 MICROSOFT COCO . 59 2.5.13 MNISTUND FASHION-MNIST . 60 2.5.14 UCI-DATASETS . 62 2.5.15 UBER-DATASETS . 62 2.5.16 CLEVR-DATASET . 63 2.5.17 WEITERE DATASETS . 64 2.5.18 CHECKLISTE ZU DATASETS . 64 2.6 ZUSAMMENFASSUNG. 65 3 NEURONALE NETZE E? 3.1 AUFBAU UND PRINZIP . 67 3.1.1 DAS KUENSTLICHE NEURON . 69 3.1.2 WIE FUNKTIONIERT EIN KUENSTLICHES NEURON? . 69 3.1.3 MEHRSCHICHTIGE NEURONALE NETZE . 71 3.2 LERNPROZESS NEURONALER NETZE . 73 3.2.1 LERNVORGANG . 73 3.2.2 BACKPROPAGATION UND FEHLERFUNKTIONEN . 76 3.2.3 GEWICHTSANPASSUNG UND TRAINING . 77 3.2.4 GRADIENTENVERFAHREN . 79 3.3 DATENAUFBEREITUNG . 81 3.4 EIN EINFACHES NEURONALES NETZ . 82 3.5 NETZARCHITEKTUREN . 91 3.5.1 CONVOLUTIONAL NEURAL NETWORKS . 91 6 INHALT 3.5.2 REKURRENTE NEURONALE NETZE . 96 3.5.3 GENERATIVE ADVERSARIAL NETWORKS . 97 3.6 BEKANNTE NETZE . 98 3.6.1 LENET . 98 3.6.2 ALEXNET . 98 3.6.3 VGGNET . 99 3.6.4 YOLO . 100 3.6.5 POSENET . 100 3.7 FALLSTRICKE BEIM DEEP LEARNING. 101 3.8 ZUSAMMENFASSUNG. 106 4 PYTHON UND MACHINE-LEARNING-BIBLIOTHEKEN IO? 4.1 INSTALLATION VON PYTHON 3.7 MIT ANACONDA . 108 4.1.1 INSTALLATION UNTER WINDOWS . 109 4.1.2 INSTALLATION UNTER MACOS . 109 4.1.3 INSTALLATION UNTER UBUNTU LINUX . 109 4.1.4 ANLEGEN VON UMGEBUNGEN . 110 4.1.5 ORGANISATION DER ARBEITSUMGEBUNG ZUM BUCH . 111 4.2 ALTERNATIVE INSTALLATIONEN VON PYTHON 3.7 . 113 4.2.1 UNTER MICROSOFT WINDOWS . 113 4.2.2 UNTER MACOS . 114 4.3 PROGRAMMIERUMGEBUNGEN. 116 4.3.1 MICROSOFT VISUAL STUDIO CODE . 116 4.3.2 PYCHARM CE . 118 4.3.3 SPYDER . 120 4.4 JUPYTER NOTEBOOK . 121 4.5 PYTHON-BIBLIOTHEKEN FUER DAS MACHINE LEARNING . 126 4.5.1 NUMPY . 126 4.5.2 PANDAS . 127 4.5.3 SCIPY . 127 4.5.4 SCIKIT-IEARN . 128 4.6 NUETZLICHE ROUTINEN MIT NUMPY UND SCIKIT-IEARN FUER ML . 129 4.6.1 EIN DATASET AUS EINER CSV- ODER JSON-DATEI LADEN . 129 4.6.2 EIN DATASET AUS DEM WEB LADEN . 130 4.6.3 EIN IN SCIKIT-IEARN INKLUDIERTES DATASET LADEN . 130 7 INHALT 4.6.4 DATEN EXPLORIEREN UND VISUALISIEREN . 130 4.6.5 NORMALISIERUNG VON DATEN . 131 4.6.6 REPRODUZIERBARKEIT VON ERGEBNISSEN . 132 4.7 EIN ZWEITES MACHINE-LEARNING-BEISPIEL. 133 4.8 ZUSAMMENFASSUNG. 137 5 TENSORFLOW: INSTALLATION UND GRUNDLAGEN IZS 5.1 EINFUEHRUNG . 139 5.2 INSTALLATION . 143 5.2.1 INSTALLATION UNTER WINDOWS MIT ALLEINIGER CPU-UNTERSTUETZUNG . 144 5.2.2 INSTALLATION UNTER MACOS . 144 5.2.3 INSTALLATION UNTER LINUX . 145 5.2.4 TENSORFLOW MIT GPU-UNTERSTUETZUNG UNTER WINDOWS . 145 5.2.5 TENSORFLOW MIT GPU-UNTERSTUETZUNG UNTER LINUX . 150 5.2.6 TENSORFLOW MIT GPU-UNTERSTUETZUNG UNTER MACOS . 151 5.2.7 UEBERPRUEFUNG DER TENSORFLOW-LNSTALLATION . 152 5.3 GOOGLE COLAB: TENSORFLOW OHNE INSTALLATION BENUTZEN . 153 5.4 TENSOREN . 154 5.4.1 VARIABLEN . 158 5.4.2 OPERATIONEN . 159 5.5 GRAPHEN . 160 5.5.1 KONZEPT . 161 5.5.2 EAGER EXECUTION . 163 5.5.3 AUTOGRAPH UND DER @TF.FUNCTION-DEKORATOR . 163 5.5.4 GRAPHEN VISUALISIEREN . 166 5.6 BENUTZUNG DER CPU UND GPU . 171 5.7 ERSTES BEISPIEL: EINE LINEARE REGRESSION . 174 5.7.1 SCHRITT 1: DATENGENERIERUNG UND VISUALISIERUNG . 175 5.7.2 SCHRITT 2: MODELL ERSTELLEN . 176 5.7.3 SCHRITT 3: MODELL TRAINIEREN UND VISUALISIEREN . 177 5.8 VON TENSORFLOW 1.X ZU TENSORFLOW 2 . 180 5.8.1 WAS HAT SICH VERAENDERT? . 180 5.8.2 AUTOMATISCHE KONVERTIERUNG MIT TF_UPGRADE_V2 . 182 5.9 ZUSAMMENFASSUNG. 183 8 INHALT 6 KERAS ISS 6.1 VON KERAS ZU TF.KERAS . 185 6.1.1 K WIE KERAS ODER KONFUSION . 186 6.1.2 DIE ZUKUNFT VON KERAS . 188 6.2 ERSTER KONTAKT . 189 6.2.1 SEQUENTIAL MODEL . 189 6.2.2 FUNCTIONAL API . 190 6.2.3 KERAS-LAYERS . 191 6.3 MODELLE TRAINIEREN . 191 6.4 MODELLE EVALUIEREN . 193 6.5 MODELLE LADEN UND EXPORTIEREN . 194 6.5.1 SPEICHERN DES MODELLS ALS H5-DATEI . 194 6.5.2 SPEICHERN ALS SAVEDMODEL-FORMAT . 195 6.5.3 SEPARATES SPEICHERN DER STRUKTUR UND PARAMETER DES MODELLS . 196 6.6 KERAS APPLICATIONS . 197 6.7 KERAS CALLBACKS . 198 6.8 PROJEKT 1: IRIS-KLASSIFIKATION MIT KERAS . 200 6.8.1 DATASET LADEN . 200 6.8.2 MODELL ERSTELLEN . 202 6.8.3 MODELL TRAINIEREN . 202 6.8.4 MODELL EVALUIEREN . 202 6.8.5 MODELL BENUTZEN . 203 6.9 PROJEKT 2: CNNS MIT FASHION-MNIST. 204 6.9.1 SCHRITT 1: LADEN DER DATEN . 205 6.9.2 SCHRITT 2: MODELL ERSTELLEN . 209 6.9.3 SCHRITT 3: MODELL TRAINIEREN . 211 6.9.4 SCHRITT 4: MODELL EVALUIEREN . 212 6.9.5 SCHRITT 5: MODELL EXPORTIEREN UND BENUTZEN . 213 6.10 PROJEKT 3: EIN EINFACHES CNN MIT DEM CIFAR-10-DATASET . 213 6.10.1 CIFAR-10-DATASET LADEN . 214 6.10.2 MODELL ERSTELLEN UND TRAINIEREN . 215 6.10.3 MODELL ALS H5-DATEI EXPORTIEREN . 218 6.10.4 MODELL ALS SAVEDMODEL-FORMAT EXPORTIEREN . 218 6.10.5 MODELL BENUTZEN . 219 6.11 PROJEKT 4: AKTIENKURSVORHERSAGE MIT RNNS UND LSTMS . 220 6.11.1 VORBEREITUNG DER DATEN . 221 9 INHALT 6.11.2 MODELL ERSTELLEN UND TRAINIEREN . 224 6.11.3 MODELL TESTEN . 224 6.12 ZUSAMMENFASSUNG. 226 7 NETZE UND METRIKEN VISUALISIEREN 227 7.1 TENSORBOARD . 228 7.1.1 GRAPHEN VISUALISIEREN . 229 7.1.2 METRIKEN UND SKALARE VISUALISIEREN . 232 7.1.3 HISTOGRAM UND DISTRIBUTIONS DASHBOARD . 235 7.1.4 TEXT-DASHBOARD . 237 7.1.5 IMAGES-DASHBOARD . 240 7.1.6 INTEGRATION VON TENSORBOARD IN JUPYTER NOTEBOOK . 242 7.1.7 WEITERE TENSORBOARD-DASHBOARDS . 243 7.2 TENSORBOARD.DEV . 246 7.3 DEBUGGING MIT TENSORBOARD (NUR TF 1.X) . 248 7.3.1 DEBBUGING EINES EINFACHEN MODELLS . 248 7.3.2 DEBUGGING EINES CNNS . 253 7.4 DER TENSORBOARD-DEBUGGER MIT KERAS (NUR TF 1.X) . 257 7.5 VISUALISIERUNG MIT KERAS . 259 7.5.1 DIE STRUKTUR EINES MODELLS MIT PLOT_MODEL() VISUALISIEREN . 259 7.5.2 AKTIVIERUNGEN VISUALISIEREN . 260 7.5.3 TF-EXPLAIN . 264 7.5.4 KERAS-METRIKEN MIT BOKEH DARSTELLEN . 265 7.6 VISUALISIERUNG VON CNNS MIT QUIVER (NUR MIT KERAS.IO) . 267 7.6.1 INSTALLATION . 268 7.6.2 ANPASSUNGEN FUER KERAS.IO UND TENSORFLOW 2 . 268 7.6.3 START . 269 7.7 INTERAKTIVE VISUALISIERUNG MIT KERAS-CALLBACKS, NODE.JS UND HTML5 SELBST IMPLEMENTIEREN . 271 7.7.1 PROJEKTARCHITEKTUR . 271 7.7.2 BENUTZUNG VON KERAS-CALLBACKS . 272 7.7.3 SERVER . 274 7.7.4 AUFBAU DER VISUALISIERUNG . 277 7.7.5 START DER VISUALISIERUNG . 279 7.8 WEITERE VISUALISIERUNGSMOEGLICHKEITEN. 281 7.8.1 NETRON . 282 10 INHALT 7.8.2 NET2VIS . 282 7.8.3 CONX . 283 8 TENSORFLOW.JS 285 8.1 ANWENDUNGSFAELLE . 285 8.2 INSTALLATION VON BROWSERSYNC . 288 8.3 INSTALLATION VON TENSORFLOW.JS. 290 8.4 KONZEPTE . 293 8.4.1 KERAS VS. TENSORFLOW.JS . 293 8.4.2 VARIABLEN . 296 8.4.3 TENSOREN . 297 8.4.4 OPERATIONEN . 301 8.4.5 MODELLE UND SCHICHTEN . 302 8.4.6 BILDDATEN MIT TF.FROMPIXELS() EINLESEN . 303 8.5 IHR ERSTES MODELL MIT TENSORFLOW.JS: EINE QUADRATISCHE REGRESSION . 304 8.5.1 SCHRITT 1: INDEX.HTML-DATEI ANLEGEN . 305 8.5.2 SCHRITT 2: DATEN ANLEGEN . 309 8.5.3 SCHRITT 3: MODELL ERSTELLEN . 309 8.5.4 SCHRITT 4: MODELL TRAINIEREN . 310 8.5.5 TRAININGSMETRIKEN MIT TFJS-VIS VISUALISIEREN . 312 8.6 LADEN UND SPEICHERN VON MODELLEN . 318 8.6.1 MODELLE MIT MODEL.SAVE() SPEICHERN . 318 8.6.2 MODELL LADEN . 324 8.6.3 KERAS-MODELLE EXPORTIEREN UND IN TENSORFLOW.JS IMPORTIEREN . 326 8.7 POSENET-MODELL MIT TENSORFLOW.JS . 327 8.7.1 SCHRITT 1: IMPLEMENTIERUNG DER BENUTZERSCHNITTSTELLE . 329 8.7.2 SCHRITT 2: LADEN DES POSENET-MODELLS . 334 8.7.3 SCHRITT 3: SINGLE-UND MULTI-POSE-ERKENNUNG . 334 8.7.4 SCHRITT 4: ERGEBNISSE VON POSENET VISUALISIEREN . 336 8.8 EINE INTELLIGENTE SMART-HOME-KOMPONENTE MIT TENSORFLOW.JS UND NODE.JS . 343 8.8.1 SCHRITT 1: DAS TENSORFLOW.JS-PROJEKT FUER NODE.JS VORBEREITEN . 343 8.8.2 SCHRITT 2: ANALYSE UND VORBEREITUNG DER EINGABEDATEN . 344 8.8.3 SCHRITT 3: MODELL TRAINIEREN . 349 8.8.4 SCHRITT 4: MODELL SPEICHERN . 351 8.8.5 SCHRITT 5: MODELL TESTEN . 351 11 INHALT 8.8.6 SCHRITT 6: MODELL ALS WEBSERVICE BENUTZEN . 353 8.8.7 ERWEITERUNGSMOEGLICHKEITEN . 355 8.9 TENSORFLOW.JS NOCH EINFACHER: MLS.JS . 356 9 PRAXISBEISPIELE SEI 9.1 PROJEKT 1: VERKEHRSZEICHENERKENNUNG MIT KERAS . 363 9.1.1 SCHRITT 1: DATASETS . 364 9.1.2 SCHRITT 2: DATENANALYSE UND VORBEREITUNG DER KLASSIFIKATION . 366 9.1.3 SCHRITT 3: MODELL TRAINIEREN . 368 9.1.4 SCHRITT 4: MODELL TESTEN . 374 9.1.5 ERWEITERUNGSMOEGLICHKEITEN . 378 9.2 PROJEKT 2: INTELLIGENTE SPURERKENNUNG MIT KERAS UND OPENCV . 379 9.2.1 SCHRITT 1: METHODIK ZUR DATENERSTELLUNG . 380 9.2.2 SCHRITT 2: BENUTZUNG DER MODELLE . 385 9.3 PROJEKT 3: ERKENNUNG DER UMGEBUNG MIT YOLO UND TENSORFLOW.JS BZW. MLS.JS . 392 9.3.1 DAS YOLO-MODELL . 392 9.3.2 SCHRITT 1: VORBEREITUNG DES PROJEKTS . 395 9.3.3 SCHRITT 2: AUFBEREITUNG DER OBJEKTERKENNUNG . 396 9.3.4 SCHRITT 3: BENUTZUNG DES YOLO-MODELLS . 401 9.3.5 SCHRITT 4: ERWEITERUNGSMOEGLICHKEITEN . 402 9.4 PROJEKT 4: HAUS ODER KATZE? VORGEFERTIGTE MODELLE MIT KERAS BENUTZEN - VGG-19 . 403 9.4.1 SCHRITT 1: VORBEREITUNG . 404 9.4.2 SCHRITT 2: INSTANZIIERUNG DES VGG-19-MODELLS . 405 9.4.3 SCHRITT 3: BENUTZUNG DES MODELLS . 405 9.4.4 SCHRITT 4: BENUTZUNG WEITERER MODELLE UND TESTS . 406 9.5 PROJEKT 5: BUCHSTABEN- UND ZIFFERNERKENNUNG MIT DEM CHARS74K-DATASET UND DATENAUGMENTIERUNG . 410 9.5.1 SCHRITT 1: DATENANALYSE . 410 9.5.2 SCHRITT 2: DATENAUGMENTIERUNG MIT OPENCV . 411 9.5.3 SCHRITT 3: ZWEI MODELLE ERSTELLEN UND TRAINIEREN . 412 9.5.4 SCHRITT 4: MODELL EVALUIEREN . 414 9.5.5 SCHRITT 5: DATENAUGMENTIERUNG MIT IMAGEDATAGENERATOR . 416 9.6 PROJEKT 6: STIMMUNGSANALYSE MIT KERAS . 418 9.6.1 SCHRITT 1: EINGABEDATEN UND DATENSTRUKTUR . 419 12 INHALT 9.6.2 SCHRITT 2: MODELL(E) ERSTELLEN . 422 9.6.3 SCHRITT 3: MODELL TRAINIEREN . 423 9.6.4 SCHRITT 4: MODELL BENUTZEN . 424 9.7 PROJEKT 7: SENTIMENT-ANALYSE MIT TENSORFLOW.JS. 425 9.7.1 SCHRITT 1: DIE BENUTZERSCHNITTSTELLE ERSTELLEN UND DAS MODELL LADEN . 426 9.7.2 SCHRITT 2: MODELL BENUTZEN . 429 9.8 PROJEKT 8: BENUTZUNG VON TENSORFLOW HUB . 429 9.8.1 IMET COLLECTION ATTRIBUTE CLASSIFIER . 430 9.8.2 STILTRANSFER . 433 9.9 PROJEKT 9: HYPERPARAMETER-TUNING MIT TENSORBOARD . 437 9.9.1 TABLEVIEW . 439 9.9.2 PARALLEL COORDINATES VIEW . 440 9.9.3 SCATTER PLOT MATRIX VIEW . 441 9.10 PROJEKT 10: CNN MIT FASHION-MNIST UND TENSORFLOW- ESTIMATORS (NUR TF 1.X) . 442 9.10.1 SCHRITT 1: MODELL MIT TF.ESTIMATOR ERSTELLEN . 443 9.10.2 SCHRITT 2: MODELL ANLEGEN . 444 9.10.3 SCHRITT 3: MODELL TRAINIEREN UND EVALUIEREN . 448 9.10.4 SCHRITT 4: VORHERSAGE MIT PREDICTQ . 450 9.10.5 SCHRITT 5: BENUTZUNG DES MODELLS . 451 9.10.6 BONUS: ALTERNATIVMODELL MIT EINEM DNNCIASSIFIER . 453 9.10.7 ERWEITERUNG . 455 9.11 ALLGEMEINE TIPPS UND TRICKS . 455 9.11.1 DATENANALYSE . 455 9.11.2 DAS PROBLEM UND DIE AUFGABEN EINES MODELLS KORREKT DEFINIEREN . 456 9.11.3 WIE VIELE VERDECKTE SCHICHTEN UND NEURONEN BRAUCHE ICH? . 457 9.11.4 DIE FALLE DES OVERFITTINGS BZW. UNDERFITTINGS VERMEIDEN . 458 9.11.5 DATENAUGMENTIERUNG UND SYNTHETISCHE DATEN . 459 9.11.6 NORMALISIERUNG DER DATEN . 459 9.11.7 EINGABEDIMENSIONEN VON TENSOREN . 460 9.11.8 HILFE, ES GEHT NICHT! . 461 10 AUSBLICK 463 10.1 DEEP LEARNING IN DER CLOUD . 463 10.1.1 GOOGLE CLOUD MACHINE LEARNING . 463 10.1.2 MICROSOFT AZU RE . 465 13 INHALT 10.1.3 AMAZON DEEP LEARNING-AMIS . 466 10.1.4 IBM WATSON SERVICES . 468 10.1.5 SONY NEURAL NETWORK CONSOLE . 469 10.1.6 ADOBE SENSEI . 469 10.1.7 CLOUD ODER NICHT CLOUD? . 470 10.2 BILDGENERIERUNG MIT DEEP LEARNING. 471 10.2.1 GOOGLE DEEP DREAM . 471 10.2.2 PIX2PIX . 472 10.2.3 MICROSOFT SKETCH2CODE . 474 10.2.4 STILTRANSFER MIT GANS . 474 10.3 MUSIK MIT DEEP LEARNING . 476 10.3.1 FLOWMACHINE . 476 10.3.2 MAGENTA.JS . 476 10.4 VIDEOGENERIERUNG MIT DEEP LEARNING . 478 10.5 DEEP LEARNING EINFACHER GEMACHT . 480 10.5.1 AUTOMATISIERTES MACHINE LEARNING . 481 10.5.2 UBER LUDWIG . 483 10.5.3 TEACHABLE MACHINE . 485 10.5.4 RUNWAYML . 487 11 FAZIT 489 INDEX . 492 14
any_adam_object	1
author	Deru, Matthieu Ndiaye, Alassane
author_GND	(DE-588)1186996420 (DE-588)1187002445
author_facet	Deru, Matthieu Ndiaye, Alassane
author_role	aut aut
author_sort	Deru, Matthieu
author_variant	m d md a n an
building	Verbundindex
bvnumber	BV046343919
classification_rvk	ST 300 ST 250 ST 301 ST 302
classification_tum	DAT 708f DAT 316f
ctrlnum	(OCoLC)1164639034 (DE-599)DNB1201938651
discipline	Informatik
edition	2., aktualisierte und erweiterte Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a22000008c 4500</leader><controlfield tag="001">BV046343919</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20201218</controlfield><controlfield tag="007">t\|</controlfield><controlfield tag="008">200120s2020 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">20,N01</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1201938651</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783836274258</subfield><subfield code="c">: EUR 39.90 (DE), EUR 41.10 (AT), CHF 49.90 (freier Preis)</subfield><subfield code="9">978-3-8362-7425-8</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3836274256</subfield><subfield code="9">3-8362-7425-6</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783836274258</subfield></datafield><datafield tag="028" ind1="5" ind2="2"><subfield code="a">Bestellnummer: 459/07425</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1164639034</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1201938651</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-91G</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-473</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-858</subfield><subfield code="a">DE-522</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">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 301</subfield><subfield code="0">(DE-625)143651:</subfield><subfield code="2">rvk</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">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="084" ind1=" " ind2=" "><subfield code="a">DAT 316f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Deru, Matthieu</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1186996420</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Deep Learning mit TensorFlow, Keras und TensorFlow.js</subfield><subfield code="c">Matthieu Deru, Alassane Ndiaye</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">2., aktualisierte und erweiterte Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Bonn</subfield><subfield code="b">Rheinwerk</subfield><subfield code="c">2020</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">496 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 16.8 cm</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="490" ind1="0" ind2=" "><subfield code="a">Rheinwerk Computing</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Auf dem Cover: "2. Auflage zu TensorFlow 2, von der Aufbereitung der Daten bis zur Visualisierung, mit Python, HTML5 und JavaScript Deep Learning entdecken, inkl. tf.keras, TensorBoard, TensorFlow Hub, ml5.js, Migration nach TensorFlow 2 u. v. m., alle Beispielprojekte zum Download"</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">JavaScript</subfield><subfield code="0">(DE-588)4420180-1</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">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">HTML 5.0</subfield><subfield code="0">(DE-588)7704810-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine Learning ML</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Neural Networks</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Neuronale Netze</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">AI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">KI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligenz</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Deep-Learning-Netze</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Hand-Buch Bücher Grundlagen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maschinelles Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Informatik</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Wissen Kurse Seminare Tutorials</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Artificial Intelligence</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data-Science</subfield></datafield><datafield tag="689" ind1="0" 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="0" ind2="1"><subfield code="a">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" 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="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><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="1"><subfield code="a">HTML 5.0</subfield><subfield code="0">(DE-588)7704810-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">JavaScript</subfield><subfield code="0">(DE-588)4420180-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><subfield code="a">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Ndiaye, Alassane</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1187002445</subfield><subfield code="4">aut</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Galileo Press</subfield><subfield code="0">(DE-588)1065964404</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="780" ind1="0" ind2="0"><subfield code="i">Vorangegangen ist</subfield><subfield code="z">9783836265096</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="q">text/html</subfield><subfield code="u">http://deposit.dnb.de/cgi-bin/dokserv?id=2905628e71d8447aa5da823cb06deb78&prov=M&dok_var=1&dok_ext=htm</subfield><subfield code="3">Inhaltstext</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=031720535&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:BVB01-031720535</subfield></datafield></record></collection>
id	DE-604.BV046343919
illustrated	Illustrated
indexdate	2025-02-20T07:21:28Z
institution	BVB
institution_GND	(DE-588)1065964404
isbn	9783836274258 3836274256
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-031720535
oclc_num	1164639034
open_access_boolean
owner	DE-91G DE-BY-TUM DE-20 DE-473 DE-BY-UBG DE-898 DE-BY-UBR DE-355 DE-BY-UBR DE-29T DE-573 DE-1043 DE-523 DE-859 DE-703 DE-M347 DE-19 DE-BY-UBM DE-83 DE-634 DE-92 DE-1046 DE-862 DE-BY-FWS DE-858 DE-522
owner_facet	DE-91G DE-BY-TUM DE-20 DE-473 DE-BY-UBG DE-898 DE-BY-UBR DE-355 DE-BY-UBR DE-29T DE-573 DE-1043 DE-523 DE-859 DE-703 DE-M347 DE-19 DE-BY-UBM DE-83 DE-634 DE-92 DE-1046 DE-862 DE-BY-FWS DE-858 DE-522
physical	496 Seiten Illustrationen, Diagramme 24 cm x 16.8 cm
publishDate	2020
publishDateSearch	2020
publishDateSort	2020
publisher	Rheinwerk
record_format	marc
series2	Rheinwerk Computing
spellingShingle	Deru, Matthieu Ndiaye, Alassane Deep Learning mit TensorFlow, Keras und TensorFlow.js Keras Framework, Informatik (DE-588)1160521077 gnd Deep Learning (DE-588)1135597375 gnd JavaScript (DE-588)4420180-1 gnd Python Programmiersprache (DE-588)4434275-5 gnd TensorFlow (DE-588)1153577011 gnd HTML 5.0 (DE-588)7704810-6 gnd
subject_GND	(DE-588)1160521077 (DE-588)1135597375 (DE-588)4420180-1 (DE-588)4434275-5 (DE-588)1153577011 (DE-588)7704810-6
title	Deep Learning mit TensorFlow, Keras und TensorFlow.js
title_auth	Deep Learning mit TensorFlow, Keras und TensorFlow.js
title_exact_search	Deep Learning mit TensorFlow, Keras und TensorFlow.js
title_full	Deep Learning mit TensorFlow, Keras und TensorFlow.js Matthieu Deru, Alassane Ndiaye
title_fullStr	Deep Learning mit TensorFlow, Keras und TensorFlow.js Matthieu Deru, Alassane Ndiaye
title_full_unstemmed	Deep Learning mit TensorFlow, Keras und TensorFlow.js Matthieu Deru, Alassane Ndiaye
title_short	Deep Learning mit TensorFlow, Keras und TensorFlow.js
title_sort	deep learning mit tensorflow keras und tensorflow js
topic	Keras Framework, Informatik (DE-588)1160521077 gnd Deep Learning (DE-588)1135597375 gnd JavaScript (DE-588)4420180-1 gnd Python Programmiersprache (DE-588)4434275-5 gnd TensorFlow (DE-588)1153577011 gnd HTML 5.0 (DE-588)7704810-6 gnd
topic_facet	Keras Framework, Informatik Deep Learning JavaScript Python Programmiersprache TensorFlow HTML 5.0
url	http://deposit.dnb.de/cgi-bin/dokserv?id=2905628e71d8447aa5da823cb06deb78&prov=M&dok_var=1&dok_ext=htm http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=031720535&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT derumatthieu deeplearningmittensorflowkerasundtensorflowjs AT ndiayealassane deeplearningmittensorflowkerasundtensorflowjs AT galileopress deeplearningmittensorflowkerasundtensorflowjs

Holdings

Description

THWS Schweinfurt Zentralbibliothek Lesesaal

Holdings details from THWS Schweinfurt Zentralbibliothek Lesesaal
Call Number:	2000 ST 300 D438(2)
Copy 1	ausleihbar Checked out – Due: 22.04.2025 Recall This

Sonderstandort Fakultät

Holdings details from Sonderstandort Fakultät
Call Number:	2000 ST 300 D438(2)
Copy 1	nicht ausleihbar Checked out – Due: 31.12.2099 Recall This

MARC

Record in the Search Index

THWS Schweinfurt Zentralbibliothek Lesesaal

Sonderstandort Fakultät

Similar Items