Hugendubel.info - Die B2B Online-Buchhandlung 

Merkliste
Die Merkliste ist leer.
Bitte warten - die Druckansicht der Seite wird vorbereitet.
Der Druckdialog öffnet sich, sobald die Seite vollständig geladen wurde.
Sollte die Druckvorschau unvollständig sein, bitte schliessen und "Erneut drucken" wählen.

Neuronale Netze programmieren mit Python

Der Einstieg in die Künstliche Intelligenz. Mit KI-Lernumgebung, Python-Crashkurs, Keras und TensorFlow 2. Alle Beispielprojekte zum Download - Großformatiges Paperback. Klappenbroschur
BuchKartoniert, Paperback
479 Seiten
Deutsch
Rheinwerk Verlagerschienen am25.05.20202. Aufl.
Neuronale Netze stehen im Mittelpunkt, wenn es um Künstliche Intelligenz und Machine Learning geht. Sie revolutionieren Bild- und Spracherkennung, Spiele-KIs und vieles mehr. Zum Glück lassen sich die genialen Ideen dahinter einfach erklären. Um sie zu verstehen und einzusetzen, programmieren Sie verschiedene Netztypen selbst nach! Und zwar in Python, der Hauptsprache der KI-Welt. Sie werden sich dabei mit Mathematik und Programmierung befassen, brauchen aber keine konkreten Vorkenntnisse.Aus dem Inhalt:Die Grundidee hinter Neuronalen NetzenEin einfaches Neuronales Netz aufbauenNeuronale Netze trainierenÜberwachtes und unüberwachtes LernenEinführung in TensorFlowKompaktkurs PythonWichtige mathematische GrundlagenReinforcement LearningVerschiedene Netzarten und ihre AnwendungsbereicheBack PropagationDeep LearningWerkzeuge für Data Scientists
Die Fachpresse zur Vorauflage:

LINUX MAGAZIN: »Eine rundum gelungene, recht gründliche und gut verständliche Einführung ins maschinelle Lernen mit neuronalen Netzen.«

iX - Magazin für professionelle Informationstechnik: »Entwickler bekommen hier eine Menge Theorie inklusive der mathematischen Grundlagen serviert (...). «mehr
Verfügbare Formate
BuchKartoniert, Paperback
EUR29,90
BuchKartoniert, Paperback
EUR29,90
E-BookEPUB0 - No protectionE-Book
EUR22,43

Produkt

KlappentextNeuronale Netze stehen im Mittelpunkt, wenn es um Künstliche Intelligenz und Machine Learning geht. Sie revolutionieren Bild- und Spracherkennung, Spiele-KIs und vieles mehr. Zum Glück lassen sich die genialen Ideen dahinter einfach erklären. Um sie zu verstehen und einzusetzen, programmieren Sie verschiedene Netztypen selbst nach! Und zwar in Python, der Hauptsprache der KI-Welt. Sie werden sich dabei mit Mathematik und Programmierung befassen, brauchen aber keine konkreten Vorkenntnisse.Aus dem Inhalt:Die Grundidee hinter Neuronalen NetzenEin einfaches Neuronales Netz aufbauenNeuronale Netze trainierenÜberwachtes und unüberwachtes LernenEinführung in TensorFlowKompaktkurs PythonWichtige mathematische GrundlagenReinforcement LearningVerschiedene Netzarten und ihre AnwendungsbereicheBack PropagationDeep LearningWerkzeuge für Data Scientists
Die Fachpresse zur Vorauflage:

LINUX MAGAZIN: »Eine rundum gelungene, recht gründliche und gut verständliche Einführung ins maschinelle Lernen mit neuronalen Netzen.«

iX - Magazin für professionelle Informationstechnik: »Entwickler bekommen hier eine Menge Theorie inklusive der mathematischen Grundlagen serviert (...). «
Details
ISBN/GTIN978-3-8362-7450-0
ProduktartBuch
EinbandartKartoniert, Paperback
Erscheinungsjahr2020
Erscheinungsdatum25.05.2020
Auflage2. Aufl.
Seiten479 Seiten
SpracheDeutsch
Gewicht882 g
Artikel-Nr.47913773

Inhalt/Kritik

Inhaltsverzeichnis

  Vorwort zur 2. Auflage ... 13
  Materialien zum Buch ... 14
  Vorwort ... 15
  1.  Einleitung ... 19

       1.1 ... Wozu neuronale Netze? ... 19
       1.2 ... Über dieses Buch ... 20
       1.3 ... Der Inhalt kompakt ... 22
       1.4 ... Ist diese Biene eine Königin? ... 25
       1.5 ... Ein künstliches neuronales Netz für den Bienenstaat ... 26
       1.6 ... Von der Biologie zum künstlichen Neuron ... 31
       1.7 ... Einordnung und der Rest ... 36
       1.8 ... Zusammenfassung ... 43
       1.9 ... Referenzen ... 44

Teil I.  Up and running ... 45
  2.  Das minimale Starterkit für die Entwicklung von neuronalen Netzen mit Python ... 47

       2.1 ... Die technische Entwicklungsumgebung ... 47
       2.2 ... Zusammenfassung ... 67

  3.  Ein einfaches neuronales Netz ... 69

       3.1 ... Vorgeschichte ... 69
       3.2 ... Her mit dem neuronalen Netz! ... 69
       3.3 ... Neuron-Zoom-in ... 73
       3.4 ... Stufenfunktion ... 78
       3.5 ... Perceptron ... 80
       3.6 ... Punkte im Raum -- Vektorrepräsentation ... 81
       3.7 ... Horizontal und vertikal -- Spalten- und Zeilenschreibweise ... 88
       3.8 ... Die gewichtete Summe ... 91
       3.9 ... Schritt für Schritt -- Stufenfunktionen ... 91
       3.10 ... Die gewichtete Summe reloaded ... 92
       3.11 ... Alles zusammen ... 93
       3.12 ... Aufgabe: Roboterschutz ... 96
       3.13 ... Zusammenfassung ... 99
       3.14 ... Referenzen ... 99

  4.  Lernen im einfachen Netz ... 101

       4.1 ... Vorgeschichte: Man lässt planen ... 101
       4.2 ... Lernen im Python-Code ... 102
       4.3 ... Perceptron-Lernen ... 103
       4.4 ... Trenngerade für einen Lernschritt ... 106
       4.5 ... Perceptron-Lernalgorithmus ... 108
       4.6 ... Die Trenngeraden bzw. Hyperplanes oder auch Hyperebenen für das Beispiel ... 113
       4.7 ... scikit-learn-kompatibler Estimator ... 116
       4.8 ... scikit-learn-Perceptron-Estimator ... 123
       4.9 ... Adaline ... 126
       4.10 ... Zusammenfassung ... 136
       4.11 ... Referenzen ... 137

  5.  Mehrschichtige neuronale Netze ... 139

       5.1 ... Ein echtes Problem ... 139
       5.2 ... XOR kann man lösen ... 141
       5.3 ... Vorbereitungen für den Start ... 147
       5.4 ... Der Plan für die Umsetzung ... 149
       5.5 ... Das Setup (»class«) ... 150
       5.6 ... Die Initialisierung (»__init__«) ... 152
       5.7 ... Was für zwischendurch (»print«) ... 154
       5.8 ... Die Auswertung (»predict«) ... 155
       5.9 ... Die Verwendung ... 157
       5.10 ... Zusammenfassung ... 159

  6.  Lernen im mehrschichtigen Netz ... 161

       6.1 ... Wie misst man einen Fehler? ... 161
       6.2 ... Gradientenabstieg an einem Beispiel ... 163
       6.3 ... Ein Netz aus sigmoiden Neuronen ... 172
       6.4 ... Der coole Algorithmus mit Vorwärts-Delta und Rückwärts-Propagation ... 174
       6.5 ... Ein »fit«-Durchlauf ... 187
       6.6 ... Zusammenfassung ... 196
       6.7 ... Referenz ... 196

  7.  Convolutional Neural Networks ... 197

       7.1 ... Aufbau eines CNN ... 199
       7.2 ... Der Kodierungsblock ... 200
       7.3 ... Der Prädiktionsblock ... 207
       7.4 ... Trainieren von Convolutional Neural Networks ... 209
       7.5 ... Zusammenfassung ... 218
       7.6 ... Referenzen ... 219

  8.  Programmierung von Convolutional Neural Networks mit TensorFlow 2 ... 221

       8.1 ... Convolutional Networks zur Handschriftenerkennung ... 221
       8.2 ... Transfer Learning mit Convolutional Neural Networks ... 237
       8.3 ... Zusammenfassung ... 246
       8.4 ... Referenzen ... 247

Teil II.  Deep Dive ... 249
  9.  Vom Hirn zum Netz ... 251

       9.1 ... Ihr Gehirn in Aktion ... 251
       9.2 ... Das Nervensystem ... 252
       9.3 ... Das Gehirn ... 253
       9.4 ... Neuronen und Gliazellen ... 255
       9.5 ... Eine Übertragung im Detail ... 257
       9.6 ... Darstellung von Zellen und Netzen ... 260
       9.7 ... Zusammenfassung ... 262
       9.8 ... Referenzen ... 263

10.  Die Evolution der neuronalen Netze ... 265

       10.1 ... 1940er ... 265
       10.2 ... 1950er ... 268
       10.3 ... 1960er ... 270
       10.4 ... 1970er ... 270
       10.5 ... 1980er ... 271
       10.6 ... 1990er ... 284
       10.7 ... 2000er ... 285
       10.8 ... 2010er ... 285
       10.9 ... Zusammenfassung ... 287
       10.10 ... Referenzen ... 288

11.  Der Machine-Learning-Prozess ... 289

       11.1 ... Das CRISP-DM-Modell ... 289
       11.2 ... Feature Engineering ... 293
       11.3 ... Zusammenfassung ... 324
       11.4 ... Referenzen ... 324

12.  Lernverfahren ... 325

       12.1 ... Lernstrategien ... 325
       12.2 ... Werkzeuge ... 361
       12.3 ... Zusammenfassung ... 366
       12.4 ... Referenzen ... 366

13.  Anwendungsbereiche und Praxisbeispiele ... 367

       13.1 ... Warmup ... 367
       13.2 ... Bildklassifikation ... 370
       13.3 ... Erträumte Bilder ... 391
       13.4 ... Zusammenfassung ... 402
       13.5 ... Referenzen ... 402

  A.  Python kompakt ... 403
  B.  Mathematik kompakt ... 433
  C.  TensorFlow 2 und Keras ... 455
  Index ... 467mehr

Schlagworte