- Browse
- » Praxiseinstieg Deep Learning: mit Python, Caffe, TensorFlow und Spark eigene Deep-Learning-Anwendungen erstellen
Praxiseinstieg Deep Learning: mit Python, Caffe, TensorFlow und Spark eigene Deep-Learning-Anwendungen erstellen
Average Rating
Author
Publisher
O'Reilly
Publication Date
[2018]
Language
Deutsch
Description
Loading Description...
Table of Contents
From the eBook - 1. Auflage.
Intro
Inhaltsverzeichnis
Vorwort
Kapitel 1: Einführung
Wozu Deep Learning?
Zielgruppe
Struktur des Buchs
Weiterführende Quellen
Typografische Konventionen
Quellcode und Beispiele
Danksagung
Kapitel 2: Was ist Deep Learning?
Kurze Geschichte der künstlichen neuronalen Netze
Wie lernen (künstliche) neuronale Netze?
Modelle und Trainingseinheiten
Mehrschichtsysteme
Backpropagation-Algorithmus
GPUs und Parallelisierung
Lernmethoden des Deep Learning
Überwachtes Lernen
Unüberwachtes Lernen
Bestärktes Lernen
Teilüberwachtes Lernen
Aktives Lernen
Kapitel 3: Wozu wird Deep Learning verwendet?
Deep Learning bei Google
TensorFlow
AlphaGo
Google Photo
Google Translate
Google Cloud ML
Google AutoDraw
Google self-driving car
Deep Learning bei Facebook
Deep Learning bei IBM
Deep Learning bei Microsoft
Deep Learning bei Baidu
Deep Learning bei Apple
Deep Learning bei Amazon
Amazon Web Services
Polly
Rekognotion
Lex
Kapitel 4: Werkzeuge für Deep Learning
Python für die Praxis
Docker-Installation
Docker unter macOS
Docker unter Windows
Docker unter Linux
Docker-Container zum Buch
Jupyter Notebook
Beispieldaten
ImageNet
Oxford Flowers Dataset
MNIST-Datenbank
Web Scraping
Weitere Datenquellen
Kapitel 5: Zwei Deep-Learning-Frameworks
Einführung in Caffe
Blobs
Workspaces
Operatoren
Nets
Bilddaten
Deep Learning mit Caffe und Caffe2
Einfürung in TensorFlow
Tensoren
Konstanten und Variablen
Sequenzen und Zufallswerte
Checkpoints
Graphen und TensorBoard
Placeholder und Eingabedaten
Bilddaten
Namen und Scopes
Künstliche neuronale Netze mit TensorFlow
Deep Learning mit TensorFlow
Kapitel 6: Deep-Learning-Anwendungen
Handschrifterkennung.
Kunst mit Deep Learning
Bilderkennung und Klassifizierung
Deep Dreaming
Deep Dreaming in der Cloud
Prognosen von Zeitreihen
Kapitel 7: Deep Learning und Big Data
TensorFlow verteilen
Caffe2 verteilen
Spark und Deep Learning
TensorFrames
Intels BigDL
SparkNet
CaffeOnSpark
TensorFlowOnSpark
Deep Learning und die Amazon-Cloud
Googles Cloud Platform
Kapitel 8: Deep Learning produktiv
Modellgüte bewerten
Trainingsdaten und Testdaten
Konfusionsmatrix
Mittlere quadratische Abweichung
Mittlere absolute Abweichung
R²
Bias
Underfitting und Overfitting
Modelle einfrieren
Modelle nutzen
Entwicklungspipeline
Laufzeitumgebungen
TensorFlow Serving
AWS Lambda
Anhang: Arbeiten mit dem Docker-Container
Index
Über den Autor
Kolophon.
Excerpt
Loading Excerpt...
Author Notes
Loading Author Notes...
Staff View
Loading Staff View.