Deep Learning illustriert

Eine anschauliche Einführung in Machine Vision, Natural Language Processing und Bilderzeugung für Programmierer und Datenanalysten

Jon Krohn, Grant Beyleveld y Aglaé Bassens

Cite this publication as

Jon Krohn, Grant Beyleveld, Aglaé Bassens, Deep Learning illustriert (2020), dpunkt.verlag, Heidelberg, ISBN: 9783960887515

7549
accesses
189
quotes

Descripción / Abstract

Deep Learning begreifen und einsetzen


Einführung in verwandte Themen wie Künstliche Intelligenz, Machine Learning und Neuronale Netze
viele Illustrationen, verständlich erklärt
begleitendes online-Material zum Ausprobieren der Erläuterungen aus dem Buch (Jupyter-Notebooks)
Vorstellung von Bibliotheken (Tensor Flow/Keras, PyTorch)


Deep Learning verändert unseren Alltag. Dieser Ansatz für maschinelles Lernen erzielt bahnbrechende Ergebnisse in einigen der bekanntesten Anwendungen von heute, in Unternehmen von Google bis Tesla, Facebook bis Apple. Tausende von technischen Fachkräften und Studenten wollen seine Möglichkeiten einsetzen, aber frühere Bücher über Deep Learning waren oft nicht intuitiv, unzugänglich und trocken. John Krohn, Grant Beylefeld und Aglaé Bassens bieten Ihnen eine einzigartige visuelle, intuitive und verständliche Einführung in Techniken und Anwendungen von Deep Learning. Mit den farbenfrohen Illustrationen und eingängigen Erläuterungen von "Deep Learning illustriert" gelingt Ihnen ein einfacher Zugang zum Aufbau von Deep-Learning-Modellen, und bringt ihnen beim Lernen mehr Spaß.


Der erste Teil des Buches erklärt, was Deep Learning ist, warum es so allgegenwärtig geworden ist und wie es mit Konzepten und Terminologien wie künstlicher Intelligenz, Machine Learning oder künstlichen neuronalen Netzen interagiert. Dabei verwenden die Autoren leicht verständliche Analogien, lebendige Grafiken und viele Beispiele.


Auf dieser Grundlage präsentieren die Autoren eine praktische Referenz und ein Tutorial zur Anwendung eines breiten Spektrums bewährter Techniken des Deep Learning. Die wesentliche Theorie wird mit so wenig Mathematik wie möglich behandelt und mit praktischem Python-Code beleuchtet. Praktische Beispiele zum Ausprobieren, die kostenfrei online verfügbar sind (Jupyter-Notebooks), machen Ihnen die Theorie begreiflich. So erlangen Sie ein pragmatisches Verständnis aller wichtigen Deep-Learning-Ansätze und ihrer Anwendungen: Machine Vision, Natural Language Processing, Bilderzeugung und Spielalgorithmen.


Um Ihnen zu helfen, mehr in kürzerer Zeit zu erreichen, stellen die Autoren mehrere der heute am weitesten verbreiteten und innovativsten Deep-Learning-Bibliotheken vor, darunter:
- TensorFlow und seine High-Level-API, Keras
- PyTorch
- High-Level-Coach, eine TensorFlow-API, die die Komplexität, die typischerweise mit der Entwicklung von Deep Reinforcement Learning-Algorithmen verbunden ist, abstrahiert.

Descripción

Jon Krohn ist leitender Data-Scientist bei untapt, einem Startup-Unternehmen in New York, das sich auf Machine Learning spezialisert. Er leitet eine florierende Deep Learning Study Group, präsentiert das gefeierte Deep Learning mit TensorFlow LiveLessons in Safari und unterrichtet seinen Deep Learning Kurs an der NYC Data Science Academy. Jon ist Doktor der Neurowissenschaften der Universität Oxford und veröffentlicht seit 2010 in führenden akademischen Zeitschriften über maschinelles Lernen.
 
Grant Beyleveld ist Doktorand an der Icahn School of Medicine am New Yorker Mount Sinai Hospital und untersucht den Zusammenhang zwischen Viren und ihren Wirten. Als Gründungsmitglied der Deep Learning Study Group hat er einen Master in Molekularmedizin und medizinischer Biochemie von der University of Witwatersrand.
Aglaé Bassens ist eine belgische Künstlerin mit Sitz in Brooklyn. Sie studierte Bildende Kunst an der Ruskin School of Drawing and Fine Art, Oxford University, und an der Slade School of Fine Arts des University College London. Neben ihrer Arbeit als Illustratorin umfasst ihre Praxis auch Stilllebenmalerei und Wandmalerei.

Índice

  • BEGINN
  • Vorwort
  • Einführung
  • Wie Sie dieses Buch lesen sollten
  • Danksagungen
  • Teil I
  • Deep Learning vorgestellt
  • 1 Biologisches und maschinelles Sehen
  • 2 Menschen- und Maschinensprache
  • 3 Maschinenkunst
  • 4 Spielende Maschinen
  • Teil II
  • Die nötige Theorie
  • 5 Der (Code-)Karren vor dem (Theorie-)Pferd
  • 6 Künstliche Neuronen, die Hotdogs erkennen
  • 7 Künstliche neuronale Netze
  • 8 Deep Networks trainieren
  • 9 Deep Networks verbessern
  • Teil III
  • Interaktive Anwendungen des Deep Learning
  • 10 Maschinelles Sehen
  • 11 Natural Language Processing
  • 12 Generative Adversarial Networks
  • 13 Deep Reinforcement Learning
  • Teil IV
  • KI und Sie
  • 14 Mit Ihren eigenen Deep-Learning-Projekten beginnen
  • Anhang
  • A Die formale Notation neuronaler Netze
  • B Backpropagation
  • C PyTorch
  • D Bildnachweise
  • Abbildungsverzeichnis
  • Tabellenverzeichnis
  • Beispielverzeichnis
  • Index

Títulos relacionados

    Otros títulos del mismo autor