Von den Grundlagen Neuronaler Netze über Machine Learning bis hin zu Deep-Learning-Algorithmen

Anschauliche Diagramme, Anwendungsbeispiele in Python und der Einsatz von NumPy

Keine Vorkenntnisse in Machine Learning oder höherer Mathematik erforderlich

Deep Learning muss nicht kompliziert sein. Mit diesem Buch lernst du anhand vieler Beispiele alle Grundlagen, die du brauchst, um Deep-Learning-Algorithmen zu verstehen und anzuwenden. Dafür brauchst du nichts weiter als Schulmathematik und Kenntnisse der Programmiersprache Python. Alle Codebeispiele werden ausführlich erläutert und mathematische Hintergründe anhand von Analogien veranschaulicht.

Der Autor erklärt leicht verständlich, wie Neuronale Netze lernen und wie sie mit Machine-Learning-Verfahren trainiert werden können. Du erfährst, wie du dein erstes Neuronales Netz erstellst und wie es mit Deep-Learning-Algorithmen Bilder erkennen sowie natürliche Sprache verarbeiten und modellieren kann. Hierbei kommen Netze mit mehreren Schichten wie CNNs und RNNs zum Einsatz.

Fokus des Buches ist es, Neuronale Netze zu trainieren, ohne auf vorgefertigte Python-Frameworks zurückzugreifen. So verstehst du Deep Learning von Grund auf und kannst in Zukunft auch komplexe Frameworks erfolgreich für deine Projekte einsetzen.

Aus dem Inhalt:

Parametrische und nichtparametrische Modelle

Überwachtes und unüberwachtes Lernen

Vorhersagen mit mehreren Ein- und Ausgaben

Fehler messen und verringern

Hot und Cold Learning

Batch- und stochastischer Gradientenabstieg

Überanpassung vermeiden

Generalisierung

Dropout-Verfahren

Backpropagation und Forward Propagation

Bilderkennung

Verarbeitung natürlicher Sprache (NLP)

Sprachmodellierung

Aktivierungsfunktionen

Sigmoid-Funktion

Tangens hyperbolicus

Softmax

Convolutional Neural Networks (CNNs)

Recurrent Neural Networks (RNNs)

Long Short-Term Memory (LSTM)

Deep-Learning-Framework erstellen