Deep Learning illustriert: eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten
Gespeichert in:
| Hauptverfasser: | , , |
|---|---|
| Weitere Verfasser: | |
| Format: | Buch |
| Sprache: | German English |
| Veröffentlicht: |
Heidelberg
dpunkt.verlag
[2020]
|
| Schlagworte: | |
| Online-Zugang: | Inhaltstext Inhaltsverzeichnis |
| Beschreibung: | xxvi, 445 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm |
| ISBN: | 9783864906633 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV046673514 | ||
| 003 | DE-604 | ||
| 005 | 20230816 | ||
| 007 | t | ||
| 008 | 200416s2020 gw a||| |||| 00||| ger d | ||
| 015 | |a 20,N04 |2 dnb | ||
| 020 | |a 9783864906633 |c kart. : EUR 39.90 (DE), circa EUR 41.10 (AT) |9 978-3-86490-663-3 | ||
| 024 | 3 | |a 9783864906633 | |
| 035 | |a (OCoLC)1193305228 | ||
| 035 | |a (DE-599)DNB1202860974 | ||
| 040 | |a DE-604 |b ger | ||
| 041 | 1 | |a ger |h eng | |
| 044 | |a gw |c XA-DE-BW | ||
| 049 | |a DE-1102 |a DE-29T |a DE-860 |a DE-706 |a DE-1050 |a DE-M347 |a DE-19 |a DE-1046 |a DE-1043 |a DE-898 |a DE-355 |a DE-1049 |a DE-739 |a DE-859 |a DE-92 |a DE-573 |a DE-20 |a DE-703 |a DE-M472 |a DE-83 |a DE-1052 | ||
| 084 | |a ST 301 |0 (DE-625)143651: |2 rvk | ||
| 084 | |a ST 300 |0 (DE-625)143650: |2 rvk | ||
| 084 | |a ST 302 |0 (DE-625)143652: |2 rvk | ||
| 084 | |a 004 |2 sdnb | ||
| 100 | 1 | |a Krohn, Jon |e Verfasser |0 (DE-588)120607969X |4 aut | |
| 240 | 1 | 0 | |a Deep learning illustrated |
| 245 | 1 | 0 | |a Deep Learning illustriert |b eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten |c Jon Krohn, Grant Beyleveld, Aglaé Bassens ; aus dem Englischen von Kathrin Lichtenberg |
| 264 | 1 | |a Heidelberg |b dpunkt.verlag |c [2020] | |
| 264 | 4 | |c © 2020 | |
| 300 | |a xxvi, 445 Seiten |b Illustrationen, Diagramme |c 24 cm x 16.5 cm | ||
| 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 TensorFlow |0 (DE-588)1153577011 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a API |0 (DE-588)4430243-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Bilderzeugung |0 (DE-588)4197032-9 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Maschinelles Sehen |0 (DE-588)4129594-8 |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 Neuronales Netz |0 (DE-588)4226127-2 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a PyTorch |0 (DE-588)1202487386 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Deep learning |0 (DE-588)1135597375 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Sprachverarbeitung |0 (DE-588)4116579-2 |2 gnd |9 rswk-swf |
| 689 | 0 | 0 | |a Deep learning |0 (DE-588)1135597375 |D s |
| 689 | 0 | |5 DE-604 | |
| 689 | 1 | 0 | |a Deep learning |0 (DE-588)1135597375 |D s |
| 689 | 1 | 1 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |D s |
| 689 | 1 | 2 | |a Neuronales Netz |0 (DE-588)4226127-2 |D s |
| 689 | 1 | 3 | |a TensorFlow |0 (DE-588)1153577011 |D s |
| 689 | 1 | 4 | |a Keras |g Framework, Informatik |0 (DE-588)1160521077 |D s |
| 689 | 1 | 5 | |a PyTorch |0 (DE-588)1202487386 |D s |
| 689 | 1 | 6 | |a Maschinelles Sehen |0 (DE-588)4129594-8 |D s |
| 689 | 1 | 7 | |a Sprachverarbeitung |0 (DE-588)4116579-2 |D s |
| 689 | 1 | 8 | |a Bilderzeugung |0 (DE-588)4197032-9 |D s |
| 689 | 1 | 9 | |a API |0 (DE-588)4430243-5 |D s |
| 689 | 1 | |5 DE-604 | |
| 700 | 1 | |a Beyleveld, Grant |e Verfasser |0 (DE-588)1217281320 |4 aut | |
| 700 | 1 | |a Bassens, Aglaé |e Verfasser |0 (DE-588)1217281363 |4 aut | |
| 700 | 1 | |a Lichtenberg, Kathrin |d ca. 20. Jh. |0 (DE-588)1172891052 |4 trl | |
| 710 | 2 | |a Dpunkt.Verlag (Heidelberg) |0 (DE-588)6085529-0 |4 pbl | |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, PDF |z 978-3-96088-751-5 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, EPUB |z 978-3-96088-752-2 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, MOBI |z 978-3-96088-753-9 |
| 856 | 4 | 2 | |m X:MVB |q text/html |u http://deposit.dnb.de/cgi-bin/dokserv?id=184094c9704348c4bf2fe68bf5728269&prov=M&dok_var=1&dok_ext=htm |3 Inhaltstext |
| 856 | 4 | 2 | |m Digitalisierung UB Passau - ADAM Catalogue Enrichment |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032084460&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
Datensatz im Suchindex
| _version_ | 1805066747713159168 |
|---|---|
| adam_text |
xix Inhaltsverzeichnis Teil I Deep Learning vorgestellt 1 1 Biologisches und maschinelles Sehen 1.1 Das biologische Sehen . 3 1.2 Maschinelles Sehen. 10 1.3 1.2.1 Das Neocognitron. 1.2.2 LeNet-5. 1.2.3 Der traditionelle Machine-Learning-Ansatz. 1.2.4 ImageNet und die ILSVRC . 1.2.5 AlexNet. TensorFlow Playground. 10 11 14 15 17 20 1.4 Quick, Draw!. 22 1.5 Zusammenfassung . 23 2 Menschen- und Maschinensprache 2.1 Deep Learning für Natural Language Processing . 26 3 25 2.1.1 2.2 Deep-Learning-Netze lernen Repräsentationen automatisch. 2.1.2 Natural Language Processing . 2.1.3 Eine kurze Geschichte des Deep Learning für NLP. Repräsentationen von Sprache im Computer . 26 28 30 31 2.3 2.4 2.2.1 1-aus-n-
Repräsentationen von Wörtern. 2.2.2 Wortvektoren . 2.2.3 Wortvektor-Arithmetik. 2.2.4 word2viz. 2.2.5 Lokalistische versus verteilte Repräsentationen. Elemente der natürlichen menschlichenSprache. Google Duplex . 31 32 36 37 39 41 44 2.5 Zusammenfassung . 46
Inhaltsverzeichnis XX 3 Maschinenkunst 47 3.1 Eine feuchtfröhliche Nacht . 47 3.2 Berechnungen auf nachgemachten menschlichen Gesichtern. 50 3.3 Stiltransfer: Fotos in einen Monet verwandeln(und umgekehrt) . 53 3.4 Machen Sie Ihre eigenen Skizzen fotorealistisch.54 3.5 Fotorealistische Bilder aus Text erzeugen. 55 3.6 Bildverarbeitung mittels Deep Learning. 56 3.7 Zusammenfassung.58 4 Spielende Maschinen 4.1 Deep Learning, KI und andere Monster. 61 4.2 4.1.1 Künstliche Intelligenz . 61 4.1.2 Machine Learning .63 4.1.3 Representation Learning . 63 4.1.4 Künstliche neuronale Netze .63 4.1.5 Deep Learning . 64 4.1.6 Maschinelles Sehen.65 4.1.7 Natural Language Processing. 66 Drei Arten von Machine-Learning-Problemen.66 4.3 4.2.1 Supervised
Learning.67 4.2.2 Unsupervised Learning. 67 4.2.3 Reinforcement Learning. 68 Deep Reinforcement Learning. 70 61 4.4 Videospiele . 72 4.5 Brettspiele . 73 4.6 4.5.1 AlphaGo . 74 4.5.2 AlphaGo Zero . 78 4.5.3 AlphaZero.81 Manipulation von Objekten .83 4.7 Populäre Umgebungen für das Deep-Reinforcement-Learning.85 4.8 4.7.1 OpenAI Gym. 85 4.7.2 DeepMind Lab. 86 4.7.3 UnityML-Agents .88 Drei Arten von KI.89 4.8.1 4.8.2 4.8.3 4.8.4 Artificial Narrow Intelligence.89 Artificial General
Intelligence. 89 Artificial Super Intelligence .89 Zusammenfassung.90
Inhaltsverzeichnis^_ _ Jori Teil II Die nötige Theorie 91 5 Der (Code-)Karren vor dem (Theorie-)Pferd 93 5.1 Voraussetzungen . 93 5.2 5.3 Installation. 94 Ein flaches Netzwerk in Keras . 94 5.4 5.3.1 Der MNIST-Datensatz handgeschriebenerZiffern . 5.3.2 Ein schematisches Diagramm des Netzwerks. 5.3.3 Die Daten laden . 5.3.4 Die Daten umformatieren. 5.3.5 Die Architektur eines neuronalen Netzes entwerfen . 5.3.6 Trainieren eines Deep-Learning-Modells. Zusammenfassung . 95 96 99 101 102 103 104 6 Künstliche Neuronen, die Hotdogs erkennen 105 6.1 Das Einmaleins der biologischen Neuroanatomie. 105 6.2 Das Perzeptron. 6.3 6.2.1 Der Hotdog/Nicht-Hotdog-Detektor. 107 6.2.2 Die wichtigste Gleichung in diesem Buch . 111 Moderne Neuronen und Aktivierungsfunktionen. 112 6.4 6.3.1 Das Sigmoid-
Neuron. 6.3.2 Das Tanh-Neuron. 6.3.3 ReLU: Rectified Linear Units. Ein Neuron auswählen. 6.5 Zusammenfassung . 119 106 113 115 116 118 Schlüsselkonzepte. 119 7 Künstliche neuronale Netze 7.1 Die Eingabeschicht. 121 7.2 Vollständig verbundene Schichten . 7.3 Ein vollständig verbundenes Netzwerk zum Erkennen von Hotdogs. 124 7.4 121 122 7.3.1 Forwardpropagation durch die erste verborgeneSchicht . . 125 7.3.2 Forwardpropagation durch nachfolgendeSchichten. 126 Die Softmax-Schicht eines Netzwerks zum Klassifizieren von Fastfood . 129 7.5 Zurück zu unserem flachen Netzwerk . 7.6 Zusammenfassung . 134 Schlüsselkonzepte. 132 135
Inhaltsverzeichnis xxii 8 Deep Networks trainieren 137 8.1 Kostenfunktionen .137 8.2 8.1.1 Quadratische Kosten . 138 8.1.2 Gesättigte Neuronen . 139 8.1.3 Kreuzentropie-Kosten. 140 Optimierung: Lernen, um die Kosten zu minimieren. 143 8.3 8.2.1 Der Gradientenabstieg. 143 8.2.2 Die Lernrate. 146 8.2.3 Batch-Größe und stochastischer Gradientenabstieg . 148 8.2.4 Dem lokalen Minimum entkommen.152 Backpropagation.155 8.4 Die Anzahl der verborgenen Schichten und der Neuronen anpassen .156 8.5 Ein mittleres Netz in Keras .158 8.6 Zusammenfassung.161 Schlüsselkonzepte .162 9 Deep Networks verbessern 163 9.1 Die Initialisierung der Gewichte. 163 9.2 9.1.1
Xavier-Glorot-Verteilungen.168 Instabile Gradienten . 171 9.3 9.2.1 Verschwindende Gradienten.171 9.2.2 Explodierende Gradienten .172 9.2.3 Batch-Normalisierung . 172 Modellgeneralisierung (Überanpassung vermeiden). 174 9.4 9.3.1 LÍ- und L2-Regularisierung.176 9.3.2 Dropout.177 9.3.3 Datenaugmentation .180 Intelligente Optimierer. 181 9.5 9.4.1 Momentum . 181 9.4.2 Nesterov-Momentum. 182 9.4.3 AdaGrad .182 9.4.4 AdaDelta und RMSProp . 183 9.4.5 Adam. 183 Ein tiefes neuronales Netz in Keras .184 9.6
Regression. 186 9.7 TensorBoard . 189 9.8 Zusammenfassung. 192 Schlüsselkonzepte .193
Inhaltsverzeichnis XXIII Teil IN Interaktive Anwendungen des Deep Learning 195 Ю 197 Maschinelles Sehen 10.1 Convolutional Neural Networks . 197 10.2 10.1.1 Die zweidimensionale Struktur der visuellen Bilddarstellung . 10.1.2 Berechnungskomplexität. 10.1.3 Konvolutionsschichten . 10.1.4 Mehrere Filter. 10.1.5 Ein Beispiel für Konvolutionsschichten. Hyperparameter von Konvolutionsfiltern. 198 198 199 202 203 208 10.3 10.2.1 Kernel-Größe . 10.2.2 Schrittlänge. 10.2.3 Padding. Pooling-Schichten. 208 209 209 210 10.4 10.5 LeNet-5 in Keras . 212 AlexNet und VGGNet in Keras . 218 10.6 Residualnetzwerke. 221 10.7 10.6.1 Schwindende Gradienten: Das Grauen der tiefen CNN . . . 10.6.2
Residualverbindungen. 10.6.3 ResNet . Anwendungen des maschinellen Sehens . 221 222 225 225 10.8 10.7.1 Objekterkennung . 10.7.2 Bildsegmentierung. 10.7.3 Transfer-Lernen . 10.7.4 Capsule Networks. Zusammenfassung . 226 230 233 237 238 Schlüsselkonzepte. 239 11 Natural Language Processing 241 11.1 Natürliche Sprachdaten vorverarbeiten . 241 11.1.1 11.1.2 11.1.3 11.1.4 11.1.5 11.1.6 Tokenisierung. Alle Zeichen in Kleinbuchstaben umwandeln . Stoppwörter und Interpunktionszeichen entfernen . Stemming . N-Gramme verarbeiten. Vorverarbeitung des kompletten Textkorpus . 244 247 247 248 249 251
Inhaltsverzeichnis xxiv 11.2 Worteinbettungen mit word2vee erzeugen.254 11.3 11.2.1 Die prinzipielle Theorie hinter word2vec.254 11.2.2 Wortvektoren evaluieren . 257 11.2.3 word2vec ausführen. 258 11.2.4 Wortvektoren plotten. 263 Der Bereich unter der ROC-Kurve.268 11.4 11.3.1 Die Wahrheitsmatrix . 269 11.3.2 Die ROC-AUC-Metrik berechnen .270 Klassifikation natürlicher Sprache mit vertrautenNetzwerken . 274 11.5 11.4.1 Die IMDb-Filmkritiken laden. 274 11.4.2 Die IMDb-Daten untersuchen . 278 11.4.3 Die Länge der Filmkritiken standardisieren .281 11.4.4 Vollständig verbundenes Netzwerk .281 11.4.5 Convolutional Networks .288 Netzwerke für die Verarbeitung sequenzieller Daten.293 11.6 11.5.1 Recurrent Neural Networks. 294 11.5.2 Ein RNN in Keras implementieren.296 11.5.3 Long Short-Term Memory Units .299 11.5.4
Bidirektionale LSTMs . 303 11.5.5 Gestapelte rekurrente Modelle. 303 11.5.6 Seq2seq und Attention. 305 11.5.7 Transfer-Lernen in NLP. 307 Nichtsequenzielle Architekturen: Die funktionaleAPI in Keras . 308 11.7 Zusammenfassung. 312 Schlüsselkonzepte . 313 12 Generative Adversaria! Networks 315 12.1 Die grundlegende GAN-Theorie . 315 12.2 Der Quick, Draw'.-Datensatz. 319 12.3 Das Diskriminator-Netzwerk. 323 12.4 Das Generator-Netzwerk.326 12.5 Das Adversarial-Netzwerk.329 12.6 Das GAN-Training . 331 12.7 Zusammenfassung. 337 Schlüsselkonzepte . 338
Inhaltsverzeichnis 13 Deep Reinforcement Learning xxv 341 j3 1 Die grundlegende Theorie des Reinforcement Learning . 341 13.1.1 Das Cart-Pole-Spiel. 13.1.2 Markow-Entscheidungsprozesse. 13.1.3 Die optimale Strategie. 13 2 Die grundlegende Theorie von Deep-Q-Learning-Netzwerken . 342 344 347 349 13.2.1 Value-Funktionen. 13.2.2 Q-Value-Funktionen. 13.2.3 Einen optimalen Q-Value schätzen . 13.3 Einen DQN-Agenten definieren . 350 350 351 353 13.3.1 Initialisierungsparameter. 13.3.2 Das neuronale-Netze-Modell des Agenten bauen . 13.3.3 Sich an das Spiel erinnern . 13.3.4 Training über Memory Replay . 13.3.5 Eine Aktion auswählen. 13.3.6 Speichern und Laden der Modellparameter. լՅ֊4 Mit einer OpenAI-Gym-Umgebung interagieren. 355 358 359 359 361 362 362 13.5 13.4.1 Hyperparameter-Optimierung mit SLMLab. 366 Agenten jenseits von DQN. 369 13.6 13.5.1
Policy-Gradienten und der REINFORCE-Algorithmus . . . 370 13.5.2 Der Actor-Critic-Algorithmus. 371 Zusammenfassung . 372 Schlüsselkonzepte. 373 Teil IV Kl und Sie 375 14 377 14.1 14.2 14.3 Mit Ihren eigenen Deep-Learning-Projekten beginnen Ideen für Deep-Learning-Projekte. 377 14.1.1 14.1.2 14.1.3 14.1.4 377 380 381 Machine Vision und GANs. Natural Language Processing . Deep Reinforcement Learning. Ein vorhandenes Machine-Learning-Projekt überführen . Ressourcen für weitere Projekte. 381 382 14.2.1 Gesellschaftlich nützliche Projekte. 383 Der Modellierungsprozess einschließlich der Anpassung der Hyperparameter. 384 14.3.1 Automatisierung der Hyperparameter-Suche. 387
Inhaltsverzeichnis XXVI 14.4 Deep-Learning-Bibliotheken . 387 14.5 14.4.1 Keras und TensorFlow. 388 14.4.2 PyTorch. 390 14.4.3 MXNet, CNTK, Caffe und so weiter.391 Software 2.0 .391 14.6 Die kommende Artificial General Intelligence .394 14.7 Zusammenfassung. 397 Anhang 399 A Die formale Notation neuronaler Netze 401 В Backpropagation 403 C PyTorch 407 C.l PyTorch-Eigenschaften .407 C.2 C.l.l Das Autograd System. 407 C.l.2 Das Define-by-Run-Framework. 407 C.1.3 PyTorch im Vergleich mit TensorFlow. 408 PyTorch in der Praxis .409 C.2.1 C.2.2 C.2.3 D Die PyTorch-Installation .409 Die grundlegenden Bausteine in PyTorch. 410 Ein tiefes neuronales Netz in PyTorch bauen.411 Bildnachweise 415 Abbildungsverzeichnis 417 Tabellenverzeichnis 429
Beispielverzeichnis 431 Index 435 |
| adam_txt |
xix Inhaltsverzeichnis Teil I Deep Learning vorgestellt 1 1 Biologisches und maschinelles Sehen 1.1 Das biologische Sehen . 3 1.2 Maschinelles Sehen. 10 1.3 1.2.1 Das Neocognitron. 1.2.2 LeNet-5. 1.2.3 Der traditionelle Machine-Learning-Ansatz. 1.2.4 ImageNet und die ILSVRC . 1.2.5 AlexNet. TensorFlow Playground. 10 11 14 15 17 20 1.4 Quick, Draw!. 22 1.5 Zusammenfassung . 23 2 Menschen- und Maschinensprache 2.1 Deep Learning für Natural Language Processing . 26 3 25 2.1.1 2.2 Deep-Learning-Netze lernen Repräsentationen automatisch. 2.1.2 Natural Language Processing . 2.1.3 Eine kurze Geschichte des Deep Learning für NLP. Repräsentationen von Sprache im Computer . 26 28 30 31 2.3 2.4 2.2.1 1-aus-n-
Repräsentationen von Wörtern. 2.2.2 Wortvektoren . 2.2.3 Wortvektor-Arithmetik. 2.2.4 word2viz. 2.2.5 Lokalistische versus verteilte Repräsentationen. Elemente der natürlichen menschlichenSprache. Google Duplex . 31 32 36 37 39 41 44 2.5 Zusammenfassung . 46
Inhaltsverzeichnis XX 3 Maschinenkunst 47 3.1 Eine feuchtfröhliche Nacht . 47 3.2 Berechnungen auf nachgemachten menschlichen Gesichtern. 50 3.3 Stiltransfer: Fotos in einen Monet verwandeln(und umgekehrt) . 53 3.4 Machen Sie Ihre eigenen Skizzen fotorealistisch.54 3.5 Fotorealistische Bilder aus Text erzeugen. 55 3.6 Bildverarbeitung mittels Deep Learning. 56 3.7 Zusammenfassung.58 4 Spielende Maschinen 4.1 Deep Learning, KI und andere Monster. 61 4.2 4.1.1 Künstliche Intelligenz . 61 4.1.2 Machine Learning .63 4.1.3 Representation Learning . 63 4.1.4 Künstliche neuronale Netze .63 4.1.5 Deep Learning . 64 4.1.6 Maschinelles Sehen.65 4.1.7 Natural Language Processing. 66 Drei Arten von Machine-Learning-Problemen.66 4.3 4.2.1 Supervised
Learning.67 4.2.2 Unsupervised Learning. 67 4.2.3 Reinforcement Learning. 68 Deep Reinforcement Learning. 70 61 4.4 Videospiele . 72 4.5 Brettspiele . 73 4.6 4.5.1 AlphaGo . 74 4.5.2 AlphaGo Zero . 78 4.5.3 AlphaZero.81 Manipulation von Objekten .83 4.7 Populäre Umgebungen für das Deep-Reinforcement-Learning.85 4.8 4.7.1 OpenAI Gym. 85 4.7.2 DeepMind Lab. 86 4.7.3 UnityML-Agents .88 Drei Arten von KI.89 4.8.1 4.8.2 4.8.3 4.8.4 Artificial Narrow Intelligence.89 Artificial General
Intelligence. 89 Artificial Super Intelligence .89 Zusammenfassung.90
Inhaltsverzeichnis^_ _ Jori Teil II Die nötige Theorie 91 5 Der (Code-)Karren vor dem (Theorie-)Pferd 93 5.1 Voraussetzungen . 93 5.2 5.3 Installation. 94 Ein flaches Netzwerk in Keras . 94 5.4 5.3.1 Der MNIST-Datensatz handgeschriebenerZiffern . 5.3.2 Ein schematisches Diagramm des Netzwerks. 5.3.3 Die Daten laden . 5.3.4 Die Daten umformatieren. 5.3.5 Die Architektur eines neuronalen Netzes entwerfen . 5.3.6 Trainieren eines Deep-Learning-Modells. Zusammenfassung . 95 96 99 101 102 103 104 6 Künstliche Neuronen, die Hotdogs erkennen 105 6.1 Das Einmaleins der biologischen Neuroanatomie. 105 6.2 Das Perzeptron. 6.3 6.2.1 Der Hotdog/Nicht-Hotdog-Detektor. 107 6.2.2 Die wichtigste Gleichung in diesem Buch . 111 Moderne Neuronen und Aktivierungsfunktionen. 112 6.4 6.3.1 Das Sigmoid-
Neuron. 6.3.2 Das Tanh-Neuron. 6.3.3 ReLU: Rectified Linear Units. Ein Neuron auswählen. 6.5 Zusammenfassung . 119 106 113 115 116 118 Schlüsselkonzepte. 119 7 Künstliche neuronale Netze 7.1 Die Eingabeschicht. 121 7.2 Vollständig verbundene Schichten . 7.3 Ein vollständig verbundenes Netzwerk zum Erkennen von Hotdogs. 124 7.4 121 122 7.3.1 Forwardpropagation durch die erste verborgeneSchicht . . 125 7.3.2 Forwardpropagation durch nachfolgendeSchichten. 126 Die Softmax-Schicht eines Netzwerks zum Klassifizieren von Fastfood . 129 7.5 Zurück zu unserem flachen Netzwerk . 7.6 Zusammenfassung . 134 Schlüsselkonzepte. 132 135
Inhaltsverzeichnis xxii 8 Deep Networks trainieren 137 8.1 Kostenfunktionen .137 8.2 8.1.1 Quadratische Kosten . 138 8.1.2 Gesättigte Neuronen . 139 8.1.3 Kreuzentropie-Kosten. 140 Optimierung: Lernen, um die Kosten zu minimieren. 143 8.3 8.2.1 Der Gradientenabstieg. 143 8.2.2 Die Lernrate. 146 8.2.3 Batch-Größe und stochastischer Gradientenabstieg . 148 8.2.4 Dem lokalen Minimum entkommen.152 Backpropagation.155 8.4 Die Anzahl der verborgenen Schichten und der Neuronen anpassen .156 8.5 Ein mittleres Netz in Keras .158 8.6 Zusammenfassung.161 Schlüsselkonzepte .162 9 Deep Networks verbessern 163 9.1 Die Initialisierung der Gewichte. 163 9.2 9.1.1
Xavier-Glorot-Verteilungen.168 Instabile Gradienten . 171 9.3 9.2.1 Verschwindende Gradienten.171 9.2.2 Explodierende Gradienten .172 9.2.3 Batch-Normalisierung . 172 Modellgeneralisierung (Überanpassung vermeiden). 174 9.4 9.3.1 LÍ- und L2-Regularisierung.176 9.3.2 Dropout.177 9.3.3 Datenaugmentation .180 Intelligente Optimierer. 181 9.5 9.4.1 Momentum . 181 9.4.2 Nesterov-Momentum. 182 9.4.3 AdaGrad .182 9.4.4 AdaDelta und RMSProp . 183 9.4.5 Adam. 183 Ein tiefes neuronales Netz in Keras .184 9.6
Regression. 186 9.7 TensorBoard . 189 9.8 Zusammenfassung. 192 Schlüsselkonzepte .193
Inhaltsverzeichnis XXIII Teil IN Interaktive Anwendungen des Deep Learning 195 Ю 197 Maschinelles Sehen 10.1 Convolutional Neural Networks . 197 10.2 10.1.1 Die zweidimensionale Struktur der visuellen Bilddarstellung . 10.1.2 Berechnungskomplexität. 10.1.3 Konvolutionsschichten . 10.1.4 Mehrere Filter. 10.1.5 Ein Beispiel für Konvolutionsschichten. Hyperparameter von Konvolutionsfiltern. 198 198 199 202 203 208 10.3 10.2.1 Kernel-Größe . 10.2.2 Schrittlänge. 10.2.3 Padding. Pooling-Schichten. 208 209 209 210 10.4 10.5 LeNet-5 in Keras . 212 AlexNet und VGGNet in Keras . 218 10.6 Residualnetzwerke. 221 10.7 10.6.1 Schwindende Gradienten: Das Grauen der tiefen CNN . . . 10.6.2
Residualverbindungen. 10.6.3 ResNet . Anwendungen des maschinellen Sehens . 221 222 225 225 10.8 10.7.1 Objekterkennung . 10.7.2 Bildsegmentierung. 10.7.3 Transfer-Lernen . 10.7.4 Capsule Networks. Zusammenfassung . 226 230 233 237 238 Schlüsselkonzepte. 239 11 Natural Language Processing 241 11.1 Natürliche Sprachdaten vorverarbeiten . 241 11.1.1 11.1.2 11.1.3 11.1.4 11.1.5 11.1.6 Tokenisierung. Alle Zeichen in Kleinbuchstaben umwandeln . Stoppwörter und Interpunktionszeichen entfernen . Stemming . N-Gramme verarbeiten. Vorverarbeitung des kompletten Textkorpus . 244 247 247 248 249 251
Inhaltsverzeichnis xxiv 11.2 Worteinbettungen mit word2vee erzeugen.254 11.3 11.2.1 Die prinzipielle Theorie hinter word2vec.254 11.2.2 Wortvektoren evaluieren . 257 11.2.3 word2vec ausführen. 258 11.2.4 Wortvektoren plotten. 263 Der Bereich unter der ROC-Kurve.268 11.4 11.3.1 Die Wahrheitsmatrix . 269 11.3.2 Die ROC-AUC-Metrik berechnen .270 Klassifikation natürlicher Sprache mit vertrautenNetzwerken . 274 11.5 11.4.1 Die IMDb-Filmkritiken laden. 274 11.4.2 Die IMDb-Daten untersuchen . 278 11.4.3 Die Länge der Filmkritiken standardisieren .281 11.4.4 Vollständig verbundenes Netzwerk .281 11.4.5 Convolutional Networks .288 Netzwerke für die Verarbeitung sequenzieller Daten.293 11.6 11.5.1 Recurrent Neural Networks. 294 11.5.2 Ein RNN in Keras implementieren.296 11.5.3 Long Short-Term Memory Units .299 11.5.4
Bidirektionale LSTMs . 303 11.5.5 Gestapelte rekurrente Modelle. 303 11.5.6 Seq2seq und Attention. 305 11.5.7 Transfer-Lernen in NLP. 307 Nichtsequenzielle Architekturen: Die funktionaleAPI in Keras . 308 11.7 Zusammenfassung. 312 Schlüsselkonzepte . 313 12 Generative Adversaria! Networks 315 12.1 Die grundlegende GAN-Theorie . 315 12.2 Der Quick, Draw'.-Datensatz. 319 12.3 Das Diskriminator-Netzwerk. 323 12.4 Das Generator-Netzwerk.326 12.5 Das Adversarial-Netzwerk.329 12.6 Das GAN-Training . 331 12.7 Zusammenfassung. 337 Schlüsselkonzepte . 338
Inhaltsverzeichnis 13 Deep Reinforcement Learning xxv 341 j3 1 Die grundlegende Theorie des Reinforcement Learning . 341 13.1.1 Das Cart-Pole-Spiel. 13.1.2 Markow-Entscheidungsprozesse. 13.1.3 Die optimale Strategie. 13 2 Die grundlegende Theorie von Deep-Q-Learning-Netzwerken . 342 344 347 349 13.2.1 Value-Funktionen. 13.2.2 Q-Value-Funktionen. 13.2.3 Einen optimalen Q-Value schätzen . 13.3 Einen DQN-Agenten definieren . 350 350 351 353 13.3.1 Initialisierungsparameter. 13.3.2 Das neuronale-Netze-Modell des Agenten bauen . 13.3.3 Sich an das Spiel erinnern . 13.3.4 Training über Memory Replay . 13.3.5 Eine Aktion auswählen. 13.3.6 Speichern und Laden der Modellparameter. լՅ֊4 Mit einer OpenAI-Gym-Umgebung interagieren. 355 358 359 359 361 362 362 13.5 13.4.1 Hyperparameter-Optimierung mit SLMLab. 366 Agenten jenseits von DQN. 369 13.6 13.5.1
Policy-Gradienten und der REINFORCE-Algorithmus . . . 370 13.5.2 Der Actor-Critic-Algorithmus. 371 Zusammenfassung . 372 Schlüsselkonzepte. 373 Teil IV Kl und Sie 375 14 377 14.1 14.2 14.3 Mit Ihren eigenen Deep-Learning-Projekten beginnen Ideen für Deep-Learning-Projekte. 377 14.1.1 14.1.2 14.1.3 14.1.4 377 380 381 Machine Vision und GANs. Natural Language Processing . Deep Reinforcement Learning. Ein vorhandenes Machine-Learning-Projekt überführen . Ressourcen für weitere Projekte. 381 382 14.2.1 Gesellschaftlich nützliche Projekte. 383 Der Modellierungsprozess einschließlich der Anpassung der Hyperparameter. 384 14.3.1 Automatisierung der Hyperparameter-Suche. 387
Inhaltsverzeichnis XXVI 14.4 Deep-Learning-Bibliotheken . 387 14.5 14.4.1 Keras und TensorFlow. 388 14.4.2 PyTorch. 390 14.4.3 MXNet, CNTK, Caffe und so weiter.391 Software 2.0 .391 14.6 Die kommende Artificial General Intelligence .394 14.7 Zusammenfassung. 397 Anhang 399 A Die formale Notation neuronaler Netze 401 В Backpropagation 403 C PyTorch 407 C.l PyTorch-Eigenschaften .407 C.2 C.l.l Das Autograd System. 407 C.l.2 Das Define-by-Run-Framework. 407 C.1.3 PyTorch im Vergleich mit TensorFlow. 408 PyTorch in der Praxis .409 C.2.1 C.2.2 C.2.3 D Die PyTorch-Installation .409 Die grundlegenden Bausteine in PyTorch. 410 Ein tiefes neuronales Netz in PyTorch bauen.411 Bildnachweise 415 Abbildungsverzeichnis 417 Tabellenverzeichnis 429
Beispielverzeichnis 431 Index 435 |
| any_adam_object | 1 |
| any_adam_object_boolean | 1 |
| author | Krohn, Jon Beyleveld, Grant Bassens, Aglaé |
| author2 | Lichtenberg, Kathrin ca. 20. Jh |
| author2_role | trl |
| author2_variant | k l kl |
| author_GND | (DE-588)120607969X (DE-588)1217281320 (DE-588)1217281363 (DE-588)1172891052 |
| author_facet | Krohn, Jon Beyleveld, Grant Bassens, Aglaé Lichtenberg, Kathrin ca. 20. Jh |
| author_role | aut aut aut |
| author_sort | Krohn, Jon |
| author_variant | j k jk g b gb a b ab |
| building | Verbundindex |
| bvnumber | BV046673514 |
| classification_rvk | ST 301 ST 300 ST 302 |
| ctrlnum | (OCoLC)1193305228 (DE-599)DNB1202860974 |
| discipline | Informatik |
| discipline_str_mv | Informatik |
| 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">BV046673514</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20230816</controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">200416s2020 gw a||| |||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">20,N04</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783864906633</subfield><subfield code="c">kart. : EUR 39.90 (DE), circa EUR 41.10 (AT)</subfield><subfield code="9">978-3-86490-663-3</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783864906633</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1193305228</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1202860974</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield></datafield><datafield tag="041" ind1="1" ind2=" "><subfield code="a">ger</subfield><subfield code="h">eng</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-1102</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-M472</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-1052</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 300</subfield><subfield code="0">(DE-625)143650:</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">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Krohn, Jon</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)120607969X</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Deep learning illustrated</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Deep Learning illustriert</subfield><subfield code="b">eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten</subfield><subfield code="c">Jon Krohn, Grant Beyleveld, Aglaé Bassens ; aus dem Englischen von Kathrin Lichtenberg</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">dpunkt.verlag</subfield><subfield code="c">[2020]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">© 2020</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">xxvi, 445 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 16.5 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="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">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">API</subfield><subfield code="0">(DE-588)4430243-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Bilderzeugung</subfield><subfield code="0">(DE-588)4197032-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Sehen</subfield><subfield code="0">(DE-588)4129594-8</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">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">PyTorch</subfield><subfield code="0">(DE-588)1202487386</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">Sprachverarbeitung</subfield><subfield code="0">(DE-588)4116579-2</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</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=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" 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="1" ind2="1"><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="2"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><subfield code="a">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="4"><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="1" ind2="5"><subfield code="a">PyTorch</subfield><subfield code="0">(DE-588)1202487386</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="6"><subfield code="a">Maschinelles Sehen</subfield><subfield code="0">(DE-588)4129594-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="7"><subfield code="a">Sprachverarbeitung</subfield><subfield code="0">(DE-588)4116579-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="8"><subfield code="a">Bilderzeugung</subfield><subfield code="0">(DE-588)4197032-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="9"><subfield code="a">API</subfield><subfield code="0">(DE-588)4430243-5</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">Beyleveld, Grant</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1217281320</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Bassens, Aglaé</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1217281363</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Lichtenberg, Kathrin</subfield><subfield code="d">ca. 20. Jh.</subfield><subfield code="0">(DE-588)1172891052</subfield><subfield code="4">trl</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Dpunkt.Verlag (Heidelberg)</subfield><subfield code="0">(DE-588)6085529-0</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</subfield><subfield code="z">978-3-96088-751-5</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, EPUB</subfield><subfield code="z">978-3-96088-752-2</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, MOBI</subfield><subfield code="z">978-3-96088-753-9</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=184094c9704348c4bf2fe68bf5728269&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">Digitalisierung UB Passau - ADAM Catalogue Enrichment</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=032084460&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield></record></collection> |
| id | DE-604.BV046673514 |
| illustrated | Illustrated |
| index_date | 2024-07-03T14:22:03Z |
| indexdate | 2024-07-20T03:23:16Z |
| institution | BVB |
| institution_GND | (DE-588)6085529-0 |
| isbn | 9783864906633 |
| language | German English |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-032084460 |
| oclc_num | 1193305228 |
| open_access_boolean | |
| owner | DE-1102 DE-29T DE-860 DE-706 DE-1050 DE-M347 DE-19 DE-BY-UBM DE-1046 DE-1043 DE-898 DE-BY-UBR DE-355 DE-BY-UBR DE-1049 DE-739 DE-859 DE-92 DE-573 DE-20 DE-703 DE-M472 DE-83 DE-1052 |
| owner_facet | DE-1102 DE-29T DE-860 DE-706 DE-1050 DE-M347 DE-19 DE-BY-UBM DE-1046 DE-1043 DE-898 DE-BY-UBR DE-355 DE-BY-UBR DE-1049 DE-739 DE-859 DE-92 DE-573 DE-20 DE-703 DE-M472 DE-83 DE-1052 |
| physical | xxvi, 445 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm |
| publishDate | 2020 |
| publishDateSearch | 2020 |
| publishDateSort | 2020 |
| publisher | dpunkt.verlag |
| record_format | marc |
| spelling | Krohn, Jon Verfasser (DE-588)120607969X aut Deep learning illustrated Deep Learning illustriert eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten Jon Krohn, Grant Beyleveld, Aglaé Bassens ; aus dem Englischen von Kathrin Lichtenberg Heidelberg dpunkt.verlag [2020] © 2020 xxvi, 445 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm txt rdacontent n rdamedia nc rdacarrier Keras Framework, Informatik (DE-588)1160521077 gnd rswk-swf TensorFlow (DE-588)1153577011 gnd rswk-swf API (DE-588)4430243-5 gnd rswk-swf Bilderzeugung (DE-588)4197032-9 gnd rswk-swf Maschinelles Sehen (DE-588)4129594-8 gnd rswk-swf Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf Neuronales Netz (DE-588)4226127-2 gnd rswk-swf PyTorch (DE-588)1202487386 gnd rswk-swf Deep learning (DE-588)1135597375 gnd rswk-swf Sprachverarbeitung (DE-588)4116579-2 gnd rswk-swf Deep learning (DE-588)1135597375 s DE-604 Maschinelles Lernen (DE-588)4193754-5 s Neuronales Netz (DE-588)4226127-2 s TensorFlow (DE-588)1153577011 s Keras Framework, Informatik (DE-588)1160521077 s PyTorch (DE-588)1202487386 s Maschinelles Sehen (DE-588)4129594-8 s Sprachverarbeitung (DE-588)4116579-2 s Bilderzeugung (DE-588)4197032-9 s API (DE-588)4430243-5 s Beyleveld, Grant Verfasser (DE-588)1217281320 aut Bassens, Aglaé Verfasser (DE-588)1217281363 aut Lichtenberg, Kathrin ca. 20. Jh. (DE-588)1172891052 trl Dpunkt.Verlag (Heidelberg) (DE-588)6085529-0 pbl Erscheint auch als Online-Ausgabe, PDF 978-3-96088-751-5 Erscheint auch als Online-Ausgabe, EPUB 978-3-96088-752-2 Erscheint auch als Online-Ausgabe, MOBI 978-3-96088-753-9 X:MVB text/html http://deposit.dnb.de/cgi-bin/dokserv?id=184094c9704348c4bf2fe68bf5728269&prov=M&dok_var=1&dok_ext=htm Inhaltstext Digitalisierung UB Passau - ADAM Catalogue Enrichment application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032084460&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis |
| spellingShingle | Krohn, Jon Beyleveld, Grant Bassens, Aglaé Deep Learning illustriert eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten Keras Framework, Informatik (DE-588)1160521077 gnd TensorFlow (DE-588)1153577011 gnd API (DE-588)4430243-5 gnd Bilderzeugung (DE-588)4197032-9 gnd Maschinelles Sehen (DE-588)4129594-8 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Neuronales Netz (DE-588)4226127-2 gnd PyTorch (DE-588)1202487386 gnd Deep learning (DE-588)1135597375 gnd Sprachverarbeitung (DE-588)4116579-2 gnd |
| subject_GND | (DE-588)1160521077 (DE-588)1153577011 (DE-588)4430243-5 (DE-588)4197032-9 (DE-588)4129594-8 (DE-588)4193754-5 (DE-588)4226127-2 (DE-588)1202487386 (DE-588)1135597375 (DE-588)4116579-2 |
| title | Deep Learning illustriert eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten |
| title_alt | Deep learning illustrated |
| title_auth | Deep Learning illustriert eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten |
| title_exact_search | Deep Learning illustriert eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten |
| title_exact_search_txtP | Deep Learning illustriert eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten |
| title_full | Deep Learning illustriert eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten Jon Krohn, Grant Beyleveld, Aglaé Bassens ; aus dem Englischen von Kathrin Lichtenberg |
| title_fullStr | Deep Learning illustriert eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten Jon Krohn, Grant Beyleveld, Aglaé Bassens ; aus dem Englischen von Kathrin Lichtenberg |
| title_full_unstemmed | Deep Learning illustriert eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten Jon Krohn, Grant Beyleveld, Aglaé Bassens ; aus dem Englischen von Kathrin Lichtenberg |
| title_short | Deep Learning illustriert |
| title_sort | deep learning illustriert eine anschauliche einfuhrung in machine vision natural language processing und bilderzeugung fur programmierer und datenanalysten |
| title_sub | eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten |
| topic | Keras Framework, Informatik (DE-588)1160521077 gnd TensorFlow (DE-588)1153577011 gnd API (DE-588)4430243-5 gnd Bilderzeugung (DE-588)4197032-9 gnd Maschinelles Sehen (DE-588)4129594-8 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Neuronales Netz (DE-588)4226127-2 gnd PyTorch (DE-588)1202487386 gnd Deep learning (DE-588)1135597375 gnd Sprachverarbeitung (DE-588)4116579-2 gnd |
| topic_facet | Keras Framework, Informatik TensorFlow API Bilderzeugung Maschinelles Sehen Maschinelles Lernen Neuronales Netz PyTorch Deep learning Sprachverarbeitung |
| url | http://deposit.dnb.de/cgi-bin/dokserv?id=184094c9704348c4bf2fe68bf5728269&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=032084460&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT krohnjon deeplearningillustrated AT beyleveldgrant deeplearningillustrated AT bassensaglae deeplearningillustrated AT lichtenbergkathrin deeplearningillustrated AT dpunktverlagheidelberg deeplearningillustrated AT krohnjon deeplearningillustrierteineanschaulicheeinfuhrunginmachinevisionnaturallanguageprocessingundbilderzeugungfurprogrammiererunddatenanalysten AT beyleveldgrant deeplearningillustrierteineanschaulicheeinfuhrunginmachinevisionnaturallanguageprocessingundbilderzeugungfurprogrammiererunddatenanalysten AT bassensaglae deeplearningillustrierteineanschaulicheeinfuhrunginmachinevisionnaturallanguageprocessingundbilderzeugungfurprogrammiererunddatenanalysten AT lichtenbergkathrin deeplearningillustrierteineanschaulicheeinfuhrunginmachinevisionnaturallanguageprocessingundbilderzeugungfurprogrammiererunddatenanalysten AT dpunktverlagheidelberg deeplearningillustrierteineanschaulicheeinfuhrunginmachinevisionnaturallanguageprocessingundbilderzeugungfurprogrammiererunddatenanalysten |