Deep Learning mit TensorFlow, Keras und TensorFlow.js
Rheinwerk (Verlag)
978-3-8362-6509-6 (ISBN)
- Titel ist leider vergriffen;
keine Neuauflage - Artikel merken
- Von der Aufbereitung der Daten bis zur Visualisierung
- Basisprojekte mit Beispielen aus vielen Anwendungsfeldern
- Mit Python, HTML5 und JavaScript Deep Learning entdecken
Deep Learning ist die Schlüsseltechnologie des derzeitigen Booms Künstlicher Intelligenz. Neuronale Netze können Höchstleistung erbringen, wenn sie als Deep-Learning-Netze aufgestellt sind und mit großen Datenmengen trainiert werden – und wenn Sie wissen, wie man dieses maschinelle Lernen geschickt implementiert.
Lernen Sie hier, wie Sie die mächtigen Frameworks in realen Projekten erfolgreich einsetzen. Die Autoren zeigen Ihnen sowohl die Arbeit mit Python und Keras als auch für den Browser mit JavaScript, HTML5 und TensorFlow.js.
Grundkonzepte verstehen
Deep Learning ist nicht gleich Deep Learning. Lernen Sie die Konzepte des maschinellen Lernens und die verschiedenen Typen Neuronaler Netze von Grund auf kennen.
Daten richtig vorbereiten
Je mehr Daten, desto besser lernt Ihr Modell? Ja und nein – worauf es außerdem ankommt, erfahren Sie hier.
Professionell an den Details arbeiten
Die Frameworks nehmen Ihnen vieles ab, so dass sich leicht erste Ergebnisse erzielen lassen – sogar mit selbst konstruierten und trainierten Modellen. Um mehr zu erreichen, geht es ins Detail. Profitieren Sie von der Projekterfahrung der Autoren, um Deep-Learning-Netzwerke geschickt anzulegen und Stolperfallen zu vermeiden.
Deep Learning im Browser
Mit TensorFlow.js bringen Sie Ihre Deep-Learning-Anwendung direkt in den Browser. Dabei verwenden Sie JavaScript und HTML5.
Erlernen Sie:
- Deep-Learning-Grundkonzepte
- Installation der Frameworks
- Vorgefertigte Modelle verwenden
- Datenanalyse und -vorbereitung
- Convolutional Networks, LSTM, RNN, Pooling ...
- Aufgaben eines Modells richtig festlegen
- Eigene Modelle trainieren
- Overfitting und Underfitting vermeiden
- Ergebnisse visualisieren
Dr. Matthieu Deru ist Senior Software-Engineer (R&D) und UX-Designer für interaktive Systeme am Deutschen Forschungszentrum für Künstliche Intelligenz GmbH (DFKI). Seine Projekterfahrung umfasst Themengebiete, die so vielseitig sind wie die Anwendungsfelder der KI, von intelligenten Benutzerschnittstellen bis zu komplexen Vorhersagenmodellen für die Elektromobilität.
Dr. Alassane Ndiaye ist als Senior Software-Engineer (R&D) und Projektleiter seit über 20 Jahren am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) sowohl in Forschungs- als auch in Industrie- und Transferprojekten tätig. Machine Learning setzt er unter anderem in Prognoseverfahren für die Energiewirtschaft und die Elektromobilität ein.
1. Einführung ... 15
1.1 ... Über dieses Buch ... 15
1.2 ... Ein Einblick in Deep Learning ... 17
1.3 ... Deep Learning im Alltag und in der Zukunft ... 19
2. Machine Learning und Deep Learning ... 29
2.1 ... Einführung ... 29
2.2 ... Lernansätze bei Machine Learning ... 34
2.3 ... Deep-Learning-Frameworks ... 39
2.4 ... Datenbeschaffung ... 40
2.5 ... Datasets ... 42
2.6 ... Zusammenfassung ... 55
3. Neuronale Netze ... 57
3.1 ... Aufbau und Prinzip ... 57
3.2 ... Wie lernt ein neuronales Netz? ... 63
3.3 ... Datenaufbereitung ... 70
3.4 ... Ein einfaches neuronales Netz ... 71
3.5 ... Netzarchitektur ... 80
3.6 ... Bekannte Netze ... 86
3.7 ... Die Fallstricke des Deep Learnings ... 89
3.8 ... Zusammenfassung ... 94
4. Python und Machine-Learning-Bibliotheken ... 95
4.1 ... Installation von Python 3.6 ... 95
4.2 ... Programmierumgebungen ... 101
4.3 ... Jupyter Notebook ... 108
4.4 ... Python-Bibliotheken für das Machine Learning ... 113
4.5 ... Nützliche Routinen mit NumPy und Scikit-learn für ML ... 115
4.6 ... Ein erstes Machine-Learning-Beispiel ... 119
4.7 ... Zusammenfassung ... 123
5. TensorFlow ... 125
5.1 ... Einführung ... 125
5.2 ... Installation ... 128
5.3 ... Grundkonzepte ... 136
5.4 ... Erster Kontakt mit TensorBoard: Einen Graphen visualisieren ... 149
5.5 ... Einen Graphen in TensorBoard debuggen ... 152
5.6 ... Projekt 1: Eine lineare Regression ... 156
5.7 ... Projekt 2: Fashion MNIST ... 161
5.8 ... TensorFlow-Modelle speichern und laden ... 171
5.9 ... Projekt 3: Konvolutionales neuronales Netz mit TensorFlow ... 176
5.10 ... High-Level APIs ... 183
5.11 ... Prozess ... 184
5.12 ... Zusammenfassung ... 185
6. Keras ... 187
6.1 ... Einführung ... 187
6.2 ... Installation von Keras ... 188
6.3 ... Modelle erstellen ... 191
6.4 ... Modelle trainieren ... 193
6.5 ... Modelle evaluieren ... 195
6.6 ... Modelle laden und exportieren ... 196
6.7 ... Keras Applications ... 198
6.8 ... Keras Callbacks ... 199
6.9 ... Beispiel: Iris-Klassifikation mit Keras ... 200
6.10 ... CNNs mit Keras ... 204
6.11 ... RNNs und LSTMs in Keras ... 209
6.12 ... Zusammenfassung ... 214
7. Netze und Metriken visualisieren ... 215
7.1 ... TensorBoard ... 215
7.2 ... tf_cnnvis ... 232
7.3 ... Visualisierung mit Keras ... 234
7.4 ... Visualisierung von CNNs mit Quiver ... 244
7.5 ... Bonus: Interaktive Visualisierung mit Keras-Callbacks, Node.js und HTML5 selbst implementieren ... 247
7.6 ... Weitere Visualisierungsmöglichkeiten ... 258
8. TensorFlow.js ... 261
8.1 ... Anwendungsfälle ... 261
8.2 ... Installation von BrowserSync ... 265
8.3 ... Installation von TensorFlow.js ... 266
8.4 ... Konzepte ... 269
8.5 ... Ihr erstes Modell mit TensorFlow.js: Eine quadratische Regression ... 281
8.6 ... Laden und Speichern von Modellen ... 289
8.7 ... PoseNet-Modell mit TensorFlow.js ... 298
8.8 ... TensorFlow.js noch einfacher: ml5.js ... 314
9. Praxisbeispiele ... 317
9.1 ... Projekt 1: Verkehrszeichenerkennung mit Keras ... 318
9.2 ... Projekt 2: Intelligente Spurerkennung mit Keras und OpenCV ... 333
9.3 ... Projekt 3: Erkennung der Umgebung mit YOLO und TensorFlow.js bzw. ml5.js ... 346
9.4 ... Projekt 4: Haus oder Katze? Vorgefertigte Modelle mit Keras benutzen -- VGG-19 ... 357
9.5 ... Projekt 5: Fashion-MNIST mit TensorFlow-Estimators ... 364
9.6 ... Projekt 6: Stimmungsanalyse mit Keras ... 377
9.7 ... Bonus: Sentiment-Analyse mit TensorFlow.js ... 384
9.8 ... Allgemeine Tipps und Tricks ... 388
10. Ausblick ... 397
10.1 ... Deep Learning in der Cloud ... 397
10.2 ... Kunst mit Deep Learning ... 405
10.3 ... GAN und Stiltransfere mit Deep Learning ... 406
10.4 ... Musik mit Deep Learning ... 408
10.5 ... Videogenerierung mit Deep Learning ... 410
10.6 ... Deep Learning
| Erscheinungsdatum | 26.04.2019 |
|---|---|
| Reihe/Serie | Rheinwerk Computing |
| Verlagsort | Bonn |
| Sprache | deutsch |
| Maße | 168 x 240 mm |
| Einbandart | gebunden |
| Themenwelt | Informatik ► Datenbanken ► Data Warehouse / Data Mining |
| Informatik ► Programmiersprachen / -werkzeuge ► Python | |
| Informatik ► Theorie / Studium ► Künstliche Intelligenz / Robotik | |
| Schlagworte | AI KI • Artificial Intelligence • Deep learning • Deep-Learning-Netze • deep neural networks • Hand-Buch Bücher lernen Grundlagen Kurse Tipps Workshops Tutorials Wissen Anleitung Training Ausbildung Einführung • Keras • Künstliche Intelligenz • machine learning • Neuronale Netze • tensorflow • TensorFlow.js |
| ISBN-10 | 3-8362-6509-5 / 3836265095 |
| ISBN-13 | 978-3-8362-6509-6 / 9783836265096 |
| Zustand | Neuware |
| Haben Sie eine Frage zum Produkt? |
aus dem Bereich
