Praxiseinstieg Deep Learning

Mit Python, Caffe, TensorFlow und Spark eigene Deep-Learning-Anwendungen erstellen

Ramon Wartala

Diese Publikation zitieren

Ramon Wartala, Praxiseinstieg Deep Learning (2018), O'Reilly Verlag, Heidelberg, ISBN: 9783960101567

7012
Accesses
69
Quotes

Beschreibung / Abstract

Deep Learning ist ein Teilbereich des Machine Learning und basiert auf künstlichen neuronalen Netzen. Dieser praktische Leitfaden bietet einen schnellen Einstieg in die Schlüsseltechnologie und erschließt Grundlagen und Arbeitsweisen von Deep Learning.

Anhand Python-basierter Beispielanwendungen wird der Umgang mit den Frameworks Caffe/Caffe2 und TensorFlow gezeigt. Einfache, alltagstaugliche Beispiele laden zum Nachprogrammieren ein. Darüber hinaus erfahren Sie, warum moderne Grafikkarten, Big Data und Cloud Computing beim Deep Learning so wichtig sind. Wenn Sie bereits mit Python, NumPy und matplotlib arbeiten, ermöglicht Ihnen dieses Buch, praktische Erfahrungen mit Deep-Learning-Anwendungen zu machen.

Deep Learning – die Hintergründe
- Lernmethoden, die Deep Learning zugrunde liegen
- Aktuelle Anwendungsfelder wie maschinelle Übersetzungen, Sprach- und Bilderkennung bei Google, Facebook, IBM oder Amazon

Der Werkzeugkasten mit Docker
- Der Docker-Container zum Buch: Alle nötigen Tools und Programme sind bereits installiert, damit Sie die Beispiele des Buchs und eigene Deep-Learning-Anwendungen leicht ausführen können.
- Die Arbeitsumgebung kennenlernen: Jupyter Notebook, Beispieldatensätze, Web Scraping

Der Praxiseinstieg
- Einführung in Caffe/Caffe2 und TensorFlow
- Deep-Learning-Anwendungen nachprogrammieren: Handschrifterkennung, Bilderkennung und -klassifizierung, Deep Dreaming
- Lösungen für Big-Data-Szenarien: verteilte Anwendungen, Spark, Cloud-Systeme
- Modelle in produktive Systeme überführen

Beschreibung

Ramon Wartala ist Diplom-Informatiker und arbeitet als Senior Big Data Architect bei Tchibo in Hamburg. Er publiziert seit mehr als 20 Jahren regelmäßig in führenden deutschen Fachzeitschriften über die Themen Softwareentwicklung und Big Data und hat Bücher zu Ruby on Rails und zu Hadoop geschrieben. Als Spark und Hadoop-Enthusiast sucht er auf Meetups und Konferenzen regelmäßig den Austausch mit Gleichgesinnten.

Inhaltsverzeichnis

  • BEGINN
  • Inhaltsverzeichnis
  • Vorwort
  • Kapitel 1: Einführung
  • Wozu Deep Learning?
  • Zielgruppe
  • Struktur des Buchs
  • Weiterführende Quellen
  • Typografische Konventionen
  • Quellcode und Beispiele
  • Danksagung
  • Kapitel 2: Was ist Deep Learning?
  • Kurze Geschichte der künstlichen neuronalen Netze
  • Wie lernen (künstliche) neuronale Netze?
  • Modelle und Trainingseinheiten
  • Mehrschichtsysteme
  • Backpropagation-Algorithmus
  • GPUs und Parallelisierung
  • Lernmethoden des Deep Learning
  • Kapitel 3: Wozu wird Deep Learning verwendet?
  • Deep Learning bei Google
  • Deep Learning bei Facebook
  • Deep Learning bei IBM
  • Deep Learning bei Microsoft
  • Deep Learning bei Baidu
  • Deep Learning bei Apple
  • Deep Learning bei Amazon
  • Kapitel 4: Werkzeuge für Deep Learning
  • Python für die Praxis
  • Docker-Installation
  • Jupyter Notebook
  • Beispieldaten
  • Kapitel 5: Zwei Deep-Learning-Frameworks
  • Einführung in Caffe
  • Einfürung in TensorFlow
  • Kapitel 6: Deep-Learning-Anwendungen
  • Handschrifterkennung
  • Kunst mit Deep Learning
  • Bilderkennung und Klassifizierung
  • Deep Dreaming
  • Prognosen von Zeitreihen
  • Kapitel 7: Deep Learning und Big Data
  • TensorFlow verteilen
  • Caffe2 verteilen
  • Spark und Deep Learning
  • Deep Learning und die Amazon-Cloud
  • Googles Cloud Platform
  • Kapitel 8: Deep Learning produktiv
  • Modellgüte bewerten
  • Modelle einfrieren
  • Modelle nutzen
  • Entwicklungspipeline
  • Laufzeitumgebungen
  • Anhang: Arbeiten mit dem Docker-Container
  • Index
  • Über den Autor
  • Kolophon

Mehr von dieser Serie

    Ähnliche Titel

      Mehr von diesem Autor