Deep Learning illustriert

Das Buch bietet einen einfachen Zugang zum Aufbau von Deep-Learning-Modellen und erleichtert das Lernen mit farbenfrohen, lebendigen Illustrationen. Teil I erklärt, was Deep Learning ist, warum es so allgegenwärtig geworden ist und wie es sich auf Konzepte und Terminologien wie Künstliche Intelligen...

Descripción completa

Detalles Bibliográficos
Otros Autores:	Krohn, Jon, author (author), Beyleveld, Grant, author, Bassens, Aglaé, author
Formato:	Libro electrónico
Idioma:	Inglés
Publicado:	dpunkt 2020.
Edición:	1st edition
Materias:	Künstliche Intelligenz Machine Learning KI Artificial Intelligence Keras AI TensorFlow Künstliche Neuronale Netze Computervision
Ver en Biblioteca Universitat Ramon Llull:	https://discovery.url.edu/permalink/34CSUC_URL/1im36ta/alma991009630663406719

Tabla de Contenidos:

Intro
Vorwort
Einführung
Wie Sie dieses Buch lesen sollten
Danksagungen
Teil I
Deep Learning vorgestellt
1 Biologisches und maschinelles Sehen
1.1 Das biologische Sehen
1.2 Maschinelles Sehen
1.2.1 Das Neocognitron
1.2.2 LeNet-5
1.2.3 Der traditionelle Machine-Learning-Ansatz
1.2.4 ImageNet und die ILSVRC
1.2.5 AlexNet
1.3 TensorFlow Playground
1.4 Quick, Draw!
1.5 Zusammenfassung
2 Menschen- und Maschinensprache
2.1 Deep Learning für Natural Language Processing
2.1.1 Deep-Learning-Netze lernen Repräsentationen automatisch
2.1.2 Natural Language Processing
2.1.3 Eine kurze Geschichte des Deep Learning für NLP
2.2 Repräsentationen von Sprache im Computer
2.2.1 1-aus-n-Repräsentationen von Wörtern
2.2.2 Wortvektoren
2.2.3 Wortvektor-Arithmetik
2.2.4 word2viz
2.2.5 Lokalistische versus verteilte Repräsentationen
2.3 Elemente der natürlichen menschlichen Sprache
2.4 Google Duplex
2.5 Zusammenfassung
3 Maschinenkunst
3.1 Eine feuchtfröhliche Nacht
3.2 Berechnungen auf nachgemachten menschlichen Gesichtern
3.3 Stiltransfer: Fotos in einen Monet verwandeln (und umgekehrt)
3.4 Machen Sie Ihre eigenen Skizzen fotorealistisch
3.5 Fotorealistische Bilder aus Text erzeugen
3.6 Bildverarbeitung mittels Deep Learning
3.7 Zusammenfassung
4 Spielende Maschinen
4.1 Deep Learning, KI und andere Monster
4.1.1 Künstliche Intelligenz
4.1.2 Machine Learning
4.1.3 Representation Learning
4.1.4 Künstliche neuronale Netze
4.1.5 Deep Learning
4.1.6 Maschinelles Sehen
4.1.7 Natural Language Processing
4.2 Drei Arten von Machine-Learning-Problemen
4.2.1 Supervised Learning
4.2.2 Unsupervised Learning
4.2.3 Reinforcement Learning
4.3 Deep Reinforcement Learning
4.4 Videospiele
4.5 Brettspiele
4.5.1 AlphaGo.
4.5.2 AlphaGo Zero
4.5.3 AlphaZero
4.6 Manipulation von Objekten
4.7 Populäre Umgebungen für das Deep-Reinforcement-Learning
4.7.1 OpenAI Gym
4.7.2 DeepMind Lab
4.7.3 UnityML-Agents
4.8 Drei Arten von KI
4.8.1 Artificial Narrow Intelligence
4.8.2 Artificial General Intelligence
4.8.3 Artificial Super Intelligence
4.8.4 Zusammenfassung
Teil II
Die nötige Theorie
5 Der (Code-)Karren vor dem (Theorie-)Pferd
5.1 Voraussetzungen
5.2 Installation
5.3 Ein flaches Netzwerk in Keras
5.3.1 Der MNIST-Datensatz handgeschriebener Ziffern
5.3.2 Ein schematisches Diagramm des Netzwerks
5.3.3 Die Daten laden
5.3.4 Die Daten umformatieren
5.3.5 Die Architektur eines neuronalen Netzes entwerfen
5.3.6 Trainieren eines Deep-Learning-Modells
5.4 Zusammenfassung
6 Künstliche Neuronen, die Hotdogs erkennen
6.1 Das Einmaleins der biologischen Neuroanatomie
6.2 Das Perzeptron
6.2.1 Der Hotdog/Nicht-Hotdog-Detektor
6.2.2 Die wichtigste Gleichung in diesem Buch
6.3 Moderne Neuronen und Aktivierungsfunktionen
6.3.1 Das Sigmoid-Neuron
6.3.2 Das Tanh-Neuron
6.3.3 ReLU: Rectified Linear Units
6.4 Ein Neuron auswählen
6.5 Zusammenfassung
Schlüsselkonzepte
7 Künstliche neuronale Netze
7.1 Die Eingabeschicht
7.2 Vollständig verbundene Schichten
7.3 Ein vollständig verbundenes Netzwerk zum Erkennen von Hotdogs
7.3.1 Forwardpropagation durch die erste verborgene Schicht
7.3.2 Forwardpropagation durch nachfolgende Schichten
7.4 Die Softmax-Schicht eines Netzwerks zum Klassifizieren von Fastfood
7.5 Zurück zu unserem flachen Netzwerk
7.6 Zusammenfassung
Schlüsselkonzepte
8 Deep Networks trainieren
8.1 Kostenfunktionen
8.1.1 Quadratische Kosten
8.1.2 Gesättigte Neuronen
8.1.3 Kreuzentropie-Kosten.
8.2 Optimierung: Lernen, um die Kosten zu minimieren
8.2.1 Der Gradientenabstieg
8.2.2 Die Lernrate
8.2.3 Batch-Größe und stochastischer Gradientenabstieg
Trainingsrunde:
8.2.4 Dem lokalen Minimum entkommen
8.3 Backpropagation
8.4 Die Anzahl der verborgenen Schichten und der Neuronen anpassen
8.5 Ein mittleres Netz in Keras
8.6 Zusammenfassung
Schlüsselkonzepte
9 Deep Networks verbessern
9.1 Die Initialisierung der Gewichte
9.1.1 Xavier-Glorot-Verteilungen
9.2 Instabile Gradienten
9.2.1 Verschwindende Gradienten
9.2.2 Explodierende Gradienten
9.2.3 Batch-Normalisierung
9.3 Modellgeneralisierung (Überanpassung vermeiden)
9.3.1 L1- und L2-Regularisierung
9.3.2 Dropout
9.3.3 Datenaugmentation
9.4 Intelligente Optimierer
9.4.1 Momentum
9.4.2 Nesterov-Momentum
9.4.3 AdaGrad
9.4.4 AdaDelta und RMSProp
9.4.5 Adam
9.5 Ein tiefes neuronales Netz in Keras
9.6 Regression
9.7 TensorBoard
9.8 Zusammenfassung
Schlüsselkonzepte
Teil III
Interaktive Anwendungen des Deep Learning
10 Maschinelles Sehen
10.1 Convolutional Neural Networks
10.1.1 Die zweidimensionale Struktur der visuellen Bilddarstellung
10.1.2 Berechnungskomplexität
10.1.3 Konvolutionsschichten
10.1.4 Mehrere Filter
10.1.5 Ein Beispiel für Konvolutionsschichten
10.2 Hyperparameter von Konvolutionsfiltern
10.2.1 Kernel-Größe
10.2.2 Schrittlänge
10.2.3 Padding
10.3 Pooling-Schichten
10.4 LeNet-5 in Keras
10.5 AlexNet und VGGNet in Keras
10.6 Residualnetzwerke
10.6.1 Schwindende Gradienten: Das Grauen der tiefen CNN
10.6.2 Residualverbindungen
10.6.3 ResNet
10.7 Anwendungen des maschinellen Sehens
10.7.1 Objekterkennung
R-CNN
Fast R-CNN
Faster R-CNN
YOLO
10.7.2 Bildsegmentierung
Mask R-CNN
U-Net
10.7.3 Transfer-Lernen.
10.7.4 Capsule Networks
10.8 Zusammenfassung
Schlüsselkonzepte
11 Natural Language Processing
11.1 Natürliche Sprachdaten vorverarbeiten
11.1.1 Tokenisierung
11.1.2 Alle Zeichen in Kleinbuchstaben umwandeln
11.1.3 Stoppwörter und Interpunktionszeichen entfernen
11.1.4 Stemming
11.1.5 N-Gramme verarbeiten
11.1.6 Vorverarbeitung des kompletten Textkorpus
11.2 Worteinbettungen mit word2vec erzeugen
11.2.1 Die prinzipielle Theorie hinter word2vec
11.2.2 Wortvektoren evaluieren
11.2.3 word2vec ausführen
11.2.4 Wortvektoren plotten
11.3 Der Bereich unter der ROC-Kurve
11.3.1 Die Wahrheitsmatrix
11.3.2 Die ROC-AUC-Metrik berechnen
11.4 Klassifikation natürlicher Sprache mit vertrauten Netzwerken
11.4.1 Die IMDb-Filmkritiken laden
11.4.2 Die IMDb-Daten untersuchen
11.4.3 Die Länge der Filmkritiken standardisieren
11.4.4 Vollständig verbundenes Netzwerk
11.4.5 Convolutional Networks
11.5 Netzwerke für die Verarbeitung sequenzieller Daten
11.5.1 Recurrent Neural Networks
11.5.2 Ein RNN in Keras implementieren
11.5.3 Long Short-Term Memory Units
Ein LSTM mit Keras implementieren
11.5.4 Bidirektionale LSTMs
11.5.5 Gestapelte rekurrente Modelle
11.5.6 Seq2seq und Attention
11.5.7 Transfer-Lernen in NLP
11.6 Nichtsequenzielle Architekturen: Die funktionale API in Keras
11.7 Zusammenfassung
Schlüsselkonzepte
12 Generative Adversarial Networks
12.1 Die grundlegende GAN-Theorie
12.2 Der Quick, Draw!-Datensatz
12.3 Das Diskriminator-Netzwerk
12.4 Das Generator-Netzwerk
12.5 Das Adversarial-Netzwerk
12.6 Das GAN-Training
12.7 Zusammenfassung
Schlüsselkonzepte
13 Deep Reinforcement Learning
13.1 Die grundlegende Theorie des Reinforcement Learning
13.1.1 Das Cart-Pole-Spiel
13.1.2 Markow-Entscheidungsprozesse.
13.1.3 Die optimale Strategie
13.2 Die grundlegende Theorie von Deep-Q-Learning-Netzwerken
13.2.1 Value-Funktionen
13.2.2 Q-Value-Funktionen
13.2.3 Einen optimalen Q-Value schätzen
13.3 Einen DQN-Agenten definieren
13.3.1 Initialisierungsparameter
13.3.2 Das neuronale-Netze-Modell des Agenten bauen
13.3.3 Sich an das Spiel erinnern
13.3.4 Training über Memory Replay
13.3.5 Eine Aktion auswählen
13.3.6 Speichern und Laden der Modellparameter
13.4 Mit einer OpenAI-Gym-Umgebung interagieren
13.4.1 Hyperparameter-Optimierung mit SLM Lab
13.5 Agenten jenseits von DQN
13.5.1 Policy-Gradienten und der REINFORCE-Algorithmus
13.5.2 Der Actor-Critic-Algorithmus
13.6 Zusammenfassung
Schlüsselkonzepte
Teil IV
KI und Sie
14 Mit Ihren eigenen Deep-Learning-Projekten beginnen
14.1 Ideen für Deep-Learning-Projekte
14.1.1 Machine Vision und GANs
14.1.2 Natural Language Processing
14.1.3 Deep Reinforcement Learning
14.1.4 Ein vorhandenes Machine-Learning-Projekt überführen
14.2 Ressourcen für weitere Projekte
14.2.1 Gesellschaftlich nützliche Projekte
14.3 Der Modellierungsprozess einschließlich der Anpassung der Hyperparameter
14.3.1 Automatisierung der Hyperparameter-Suche
14.4 Deep-Learning-Bibliotheken
14.4.1 Keras und TensorFlow
14.4.2 PyTorch
14.4.3 MXNet, CNTK, Caffe und so weiter
14.5 Software 2.0
14.6 Die kommende Artificial General Intelligence
14.7 Zusammenfassung
Anhang
A Die formale Notation neuronaler Netze
B Backpropagation
C PyTorch
C.1 PyTorch-Eigenschaften
C.1.1 Das Autograd System
C.1.2 Das Define-by-Run-Framework
C.1.3 PyTorch im Vergleich mit TensorFlow
C.2 PyTorch in der Praxis
C.2.1 Die PyTorch-Installation
C.2.2 Die grundlegenden Bausteine in PyTorch
Einfache Operationen mit Tensoren.
Automatische Differentiation.

Deep Learning illustriert

Ejemplares similares