Deep Learning mit R und Keras : Das Praxis-Handbuch : von den Entwicklern von Keras und RStudio

Deep Learning mit R und Keras Das Praxis-Handbuch : von den Entwicklern von Keras und RStudio

Einführung in die grundlegenden Konzepte von Machine Learning und Deep Learning Zahlreiche praktische Anwendungsbeispiele zum Lösen konkreter Aufgabenstellungen: Maschinelles Sehen, Sprachverarbeitung, Bildklassifizierung, Vorhersage von Zeitreihen, Stimmungsanalyse CNNs, Rekurrente neuronale Netze,...

Descripción completa

Detalles Bibliográficos
Otros Autores: Chollet, François, author (author), Allaire, J. J., author
Formato: Libro electrónico
Idioma:Alemán
Publicado: Frechen : MITP 2018.
Edición:1. Auflage
Colección:mitp Professional
Materias:
Programming languages (Electronic computers)
Ver en Biblioteca Universitat Ramon Llull:https://discovery.url.edu/permalink/34CSUC_URL/1im36ta/alma991009630489806719
Tabla de Contenidos:
  • Cover
  • Titel
  • Impressum
  • Inhaltsverzeichnis
  • Vorwort
  • Einleitung
  • Danksagungen
  • Über die Autoren
  • Teil I: Grundlagen des Deep Learnings
  • Kapitel 1: Was ist Deep Learning?
  • 1.1 Künstliche Intelligenz, Machine Learning und Deep Learning
  • 1.1.1 Künstliche Intelligenz
  • 1.1.2 Machine Learning
  • 1.1.3 Die Repräsentation anhand der Daten erlernen
  • 1.1.4 Das »Deep« in Deep Learning
  • 1.1.5 Deep Learning in drei Diagrammen erklärt
  • 1.1.6 Was Deep Learning heute schon leisten kann
  • 1.1.7 Schenken Sie dem kurzfristigen Hype keinen Glauben
  • 1.1.8 Das Versprechen der KI
  • 1.2 Bevor es Deep Learning gab: eine kurze Geschichte des Machine Learnings
  • 1.2.1 Probabilistische Modellierung
  • 1.2.2 Die ersten neuronalen Netze
  • 1.2.3 Kernel-Methoden
  • 1.2.4 Entscheidungsbäume, Random Forests und Gradient Boosting Machines
  • 1.2.5 Zurück zu neuronalen Netzen
  • 1.2.6 Das Besondere am Deep Learning
  • 1.2.7 Der Stand des modernen Machine Learnings
  • 1.3 Warum Deep Learning? Und warum jetzt?
  • 1.3.1 Hardware
  • 1.3.2 Daten
  • 1.3.3 Algorithmen
  • 1.3.4 Eine neue Investitionswelle
  • 1.3.5 Die Demokratisierung des Deep Learnings
  • 1.3.6 Bleibt es so?
  • Kapitel 2: Bevor es losgeht: die mathematischen Bausteine eines neuronalen Netzes
  • 2.1 Ein erster Blick auf ein neuronales Netz
  • 2.2 Datenrepräsentationen
  • 2.2.1 Skalare (0-D-Tensoren)
  • 2.2.2 Vektoren (1-D-Tensoren)
  • 2.2.3 Matrizen (2-D-Tensoren)
  • 2.2.4 3-D-Tensoren und höherdimensionale Tensoren
  • 2.2.5 Die wichtigsten Attribute
  • 2.2.6 Bearbeiten von Tensoren in R
  • 2.2.7 Datenstapel
  • 2.2.8 Beispiele für Datentensoren aus der Praxis
  • 2.2.9 Vektordaten
  • 2.2.10 Zeitreihen oder sequenzielle Daten
  • 2.2.11 Bilddaten
  • 2.2.12 Videodaten
  • 2.3 Das Getriebe von neuronalen Netzen: Tensoroperationen
  • 2.3.1 Elementweise Operationen.
  • 2.3.2 Operationen mit Tensoren unterschiedlicher Dimensionalität
  • 2.3.3 Tensorprodukt
  • 2.3.4 Tensoren umformen
  • 2.3.5 Geometrische Interpretation von Tensoroperationen
  • 2.3.6 Eine geometrische Interpretation des Deep Learnings
  • 2.4 Der Antrieb von neuronalen Netzen: gradientenbasierte Optimierung
  • 2.4.1 Was ist eine Ableitung?
  • 2.4.2 Ableitung einer Tensoroperation: der Gradient
  • 2.4.3 Stochastisches Gradientenabstiegsverfahren
  • 2.4.4 Ableitungen verketten: der Backpropagation-Algorithmus
  • 2.5 Zurück zum ersten Beispiel
  • 2.6 Zusammenfassung Kapitel 2
  • Kapitel 3: Einführung in neuronale Netze
  • 3.1 Aufbau eines neuronalen Netzes
  • 3.1.1 Layer: Bausteine des Deep Learnings
  • 3.1.2 Modelle: vernetzte Layer
  • 3.1.3 Verlustfunktionen und Optimierer: Konfiguration des Lernvorgangs
  • 3.2 Einführung in Keras
  • 3.2.1 Keras, TensorFlow, Theano und CNTK
  • 3.2.2 Keras installieren
  • 3.2.3 Mit Keras entwickeln: eine kurze Übersicht
  • 3.3 Einrichtung eines Deep-Learning-Rechners
  • 3.3.1 Zwei Möglichkeiten, Keras zum Laufen zu bringen
  • 3.3.2 Pro und Kontra: Deep Learning in der Cloud ausführen
  • 3.3.3 Für Deep Learning geeignete GPUs
  • 3.4 Klassifikation von Filmbewertungen: ein Beispiel für eine Binärklassifikation
  • 3.4.1 Die IMDb-Datensammlung
  • 3.4.2 Daten vorbereiten
  • 3.4.3 Neuronales Netz erzeugen
  • 3.4.4 Validierung des Ansatzes
  • 3.4.5 Vorhersagen über neue Daten mit einem trainierten neuronalen Netz treffen
  • 3.4.6 Weitere Experimente
  • 3.4.7 Zusammenfassung
  • 3.5 Ein Beispiel für eine Mehrfachklassifikation: Klassifikation von Nachrichtenmeldungen
  • 3.5.1 Die Reuters-Datensammlung
  • 3.5.2 Daten vorbereiten
  • 3.5.3 Neuronales Netz erzeugen
  • 3.5.4 Validierung des Ansatzes
  • 3.5.5 Vorhersagen über neue Daten treffen.
  • 3.5.6 Eine weitere Möglichkeit zur Handhabung der Klassenbezeichnungen und der Verlustfunktion
  • 3.5.7 Hinreichend große zwischenliegende Layer sind wichtig
  • 3.5.8 Weitere Experimente
  • 3.5.9 Zusammenfassung
  • 3.6 Ein Beispiel für eine Regression: Vorhersage der Kaufpreise von Häusern
  • 3.6.1 Die Boston-Housing-Price-Datensammlung
  • 3.6.2 Daten vorbereiten
  • 3.6.3 Neuronales Netz erzeugen
  • 3.6.4 K-fache Kreuzvalidierung des Ansatzes
  • 3.6.5 Zusammenfassung
  • 3.7 Zusammenfassung Kapitel 3
  • Kapitel 4: Grundlagen des Machine Learnings
  • 4.1 Vier Teilgebiete des Machine Learnings
  • 4.1.1 Überwachtes Lernen
  • 4.1.2 Unüberwachtes Lernen
  • 4.1.3 Selbstüberwachtes Lernen
  • 4.1.4 Bestärkendes Lernen
  • 4.2 Bewertung von Machine-Learning-Modellen
  • 4.2.1 Trainings-, Validierungs- und Testmengen
  • 4.2.2 Worauf zu achten ist
  • 4.3 Datenvorverarbeitung, Merkmalserstellung und Erlernen von Merkmalen
  • 4.3.1 Datenvorverarbeitung für neuronale Netze
  • 4.3.2 Merkmalserstellung
  • 4.4 Überanpassung und Unteranpassung
  • 4.4.1 Das neuronale Netz verkleinern
  • 4.4.2 Regularisierung der Gewichte
  • 4.4.3 Dropout-Regularisierung
  • 4.5 Ein allgemeiner Machine-Learning-Workflow
  • 4.5.1 Definition der Aufgabe und Zusammenstellen einer Datenmenge
  • 4.5.2 Auswahl eines Erfolgskriteriums
  • 4.5.3 Auswahl einer Bewertungsmethode
  • 4.5.4 Daten vorbereiten
  • 4.5.5 Entwicklung eines Modells, das besser funktioniert als zufälliges Raten
  • 4.5.6 Hochskalieren: Entwicklung eines Modells mit Überanpassung
  • 4.5.7 Regularisierung des Modells und Abstimmung der Hyperparameter
  • 4.6 Zusammenfassung Kapitel 4
  • Teil II: Deep Learning in der Praxis
  • Kapitel 5: Deep Learning und maschinelles Sehen
  • 5.1 Einführung in CNNs
  • 5.1.1 Die Faltungsoperation
  • 5.1.2 Die Max-Pooling-Operation
  • 5.2 Ein CNN von Grund auf mit einer kleinen Datenmenge trainieren.
  • 5.2.1 Die Bedeutung des Deep Learnings für Aufgaben mit kleinen Datenmengen
  • 5.2.2 Daten herunterladen
  • 5.2.3 Erstellen des neuronalen Netzes
  • 5.2.4 Datenvorverarbeitung
  • 5.2.5 Datenaugmentation
  • 5.3 Verwendung eines vortrainierten CNNs
  • 5.3.1 Merkmalsextraktion
  • 5.3.2 Feinabstimmung
  • 5.3.3 Zusammenfassung
  • 5.4 Visualisierung: Was CNNs erlernen können
  • 5.4.1 Visualisierung zwischenliegender Aktivierungen
  • 5.4.2 Visualisierung von CNN-Filtern
  • 5.4.3 Visualisierung der Heatmaps der Klassenaktivierung
  • 5.5 Zusammenfassung Kapitel 5
  • Kapitel 6: Deep Learning, Text und sequenzielle Daten
  • 6.1 Textdaten
  • 6.1.1 One-hot-Codierung von Wörtern und Zeichen
  • 6.1.2 Worteinbettung
  • 6.1.3 Zusammengefasst: von reinem Text zu Worteinbettungen
  • 6.1.4 Zusammenfassung
  • 6.2 Rekurrente neuronale Netze
  • 6.2.1 Ein rekurrenter Layer in Keras
  • 6.2.2 LSTM- und GRU-Layer
  • 6.2.3 Ein konkretes LSTM-Beispiel in Keras
  • 6.2.4 Zusammenfassung
  • 6.3 Erweiterte Nutzung rekurrenter neuronaler Netze
  • 6.3.1 Temperaturvorhersage
  • 6.3.2 Daten vorbereiten
  • 6.3.3 Eine vernünftige Abschätzung ohne Machine Learning
  • 6.3.4 Ein elementarer Machine-Learning-Ansatz
  • 6.3.5 Ein erstes RNN
  • 6.3.6 Rekurrentes Dropout-Verfahren zum Verhindern einer Überanpassung
  • 6.3.7 Hintereinanderschaltung rekurrenter Layer
  • 6.3.8 Bidirektionale RNNs
  • 6.3.9 Noch einen Schritt weiter gehen
  • 6.3.10 Zusammenfassung
  • 6.4 Verarbeitung von Sequenzen mit CNNs
  • 6.4.1 Eindimensionale Faltung sequenzieller Daten
  • 6.4.2 Eindimensionales Pooling sequenzieller Daten
  • 6.4.3 Implementierung eines eindimensionalen CNNs
  • 6.4.4 Lange Sequenzen mit einer Kombination aus CNNs und RNNs verarbeiten
  • 6.4.5 Zusammenfassung
  • 6.5 Zusammenfassung Kapitel 6
  • Kapitel 7: Bewährte Verfahren des Deep Learnings.
  • 7.1 Jenseits des Sequential-Modells: die funktionale Keras-API
  • 7.1.1 Einführung in die funktionale API
  • 7.1.2 Modelle mit mehreren Eingaben
  • 7.1.3 Modelle mit mehreren Ausgaben
  • 7.1.4 Gerichtete azyklische Graphen von Layern
  • 7.1.5 Gemeinsam genutzte Gewichte von Layern
  • 7.1.6 Modelle als Layer
  • 7.1.7 Zusammenfassung
  • 7.2 Deep-Learning-Modelle mit Callbacks und TensorBoard untersuchen und überwachen
  • 7.2.1 Beeinflussung eines Modells während des Trainings durch Callbacks
  • 7.2.2 Einführung in das Visualisierungs-Framework TensorBoard
  • 7.2.3 Zusammenfassung
  • 7.3 Modelle richtig ausreizen
  • 7.3.1 Erweiterte Architekturmuster
  • 7.3.2 Hyperparameteroptimierung
  • 7.3.3 Ensemblemodelle
  • 7.3.4 Zusammenfassung
  • 7.4 Zusammenfassung Kapitel 7
  • Kapitel 8: Generatives Deep Learning
  • 8.1 Texterzeugung mit LSTM-Modellen
  • 8.1.1 Eine kurze Geschichte generativer RNNs
  • 8.1.2 Wie erzeugt man sequenzielle Daten?
  • 8.1.3 Die Bedeutung der Sampling-Strategie
  • 8.1.4 Implementierung der LSTM-Texterzeugung für Zeichen
  • 8.1.5 Zusammenfassung
  • 8.2 DeepDream
  • 8.2.1 DeepDream in Keras implementieren
  • 8.2.2 Zusammenfassung
  • 8.3 Stilübertragung mit dem Neural-Style-Algorithmus
  • 8.3.1 Verlustfunktion für den Inhalt
  • 8.3.2 Verlustfunktion für den Stil
  • 8.3.3 Stilübertragung in Keras
  • 8.3.4 Zusammenfassung
  • 8.4 Bilderzeugung mit Variational Autoencoders
  • 8.4.1 Sampling eines latenten Bilderraums
  • 8.4.2 Konzeptvektoren für das Bearbeiten von Bildern
  • 8.4.3 Variational Autoencoders
  • 8.4.4 Zusammenfassung
  • 8.5 Einführung in Generative-Adversarial-Netze
  • 8.5.1 Eine schematische GAN-Implementierung
  • 8.5.2 Einige nützliche Tricks
  • 8.5.3 Der Generator
  • 8.5.4 Der Diskriminator
  • 8.5.5 Das gegnerische Netz
  • 8.5.6 Training des DCGAN
  • 8.5.7 Zusammenfassung
  • 8.6 Zusammenfassung Kapitel 8.
  • Kapitel 9: Schlussfolgerungen.

Ejemplares similares