Neuronale Netze programmieren mit Python
Der Einstieg in die Künstliche Intelligenz. Mit KI-Lernumgebung, Python-Crashkurs, Keras und TensorFlow 2
Neuronale Netze programmieren mit Python
Der Einstieg in die Künstliche Intelligenz. Mit KI-Lernumgebung, Python-Crashkurs, Keras und TensorFlow 2
- Broschiertes Buch
- Merkliste
- Auf die Merkliste
- Bewerten Bewerten
- Teilen
- Produkt teilen
- Produkterinnerung
- Produkterinnerung
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…mehr
- Bernhard LahresObjektorientierte Programmierung49,90 €
- Al SweigartThe Big Book of Small Python Projects27,99 €
- Matthieu DeruDeep Learning mit TensorFlow, Keras und TensorFlow.js39,90 €
- Denise Banks-GrasedyckSAP-S/4HANA-Projekte erfolgreich managen59,90 €
- Christoph HöllerAngular39,90 €
- Boris ChernyProgrammieren in TypeScript34,90 €
- Data Science54,99 €
-
-
-
-
-
-
-
-
-
-
-
-
-
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 (...). «
- Produktdetails
- Rheinwerk Computing
- Verlag: Rheinwerk Computing / Rheinwerk Verlag
- Artikelnr. des Verlages: 459/07450
- 2. Aufl.
- Seitenzahl: 479
- Erscheinungstermin: 28. Mai 2020
- Deutsch
- Abmessung: 227mm x 174mm x 30mm
- Gewicht: 882g
- ISBN-13: 9783836274500
- ISBN-10: 3836274507
- Artikelnr.: 58564010
- Rheinwerk Computing
- Verlag: Rheinwerk Computing / Rheinwerk Verlag
- Artikelnr. des Verlages: 459/07450
- 2. Aufl.
- Seitenzahl: 479
- Erscheinungstermin: 28. Mai 2020
- Deutsch
- Abmessung: 227mm x 174mm x 30mm
- Gewicht: 882g
- ISBN-13: 9783836274500
- ISBN-10: 3836274507
- Artikelnr.: 58564010
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 ... 467
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 ... 467