Deep Learning kompakt fr Dummies

John Paul Mueller ist freier Autor und technischer Redakteur. Er hat das Schreiben im Blut. Bis heute hat er 100 Bcher und mehr als 600 Zeitschriftenartikel geschrieben. Seine Themen reichen von Netzwerken bis Haussicherheit und von Datenbankmanagement bis Programmierung. Luca Massaron ist Data Scientist und spezialisiert auf die Aufbereitung und Analyse von Big Data. Er beherrscht die einfachsten und effektivsten Data-Mining- und Maschinelles-Lernen-Techniken und macht so aus Big Data Smart Data. Als Marketing-Consultant und -Forscher hat er seit dem Jahr 2000 mit Data Science zu tun, mit verschiedenen Kunden und in verschiedenen Mrkten. Er ist Top-Ten-Kaggle-Data-Scientist.

ber die Autoren 9 Widmung von John Mueller 9 Widmung von Luca Massaron 10 Danksagung von John Mueller 10 Danksagung von Luca Massaron 10 Einfhrung 21 ber dieses Buch 21 Trichte Annahmen ber den Leser 23 Symbole, die in diesem Buch verwendet werden 23 Weitere Ressourcen 24 Wie es weitergeht 24 Teil I: Einfhrung in Deep Learning 27 Kapitel 1 Einfhrung in Deep Learning 29 Definition von Deep Learning 30 Knstliche Intelligenz als Oberbegriff 30 Die Rolle der KI 32 Maschinelles Lernen als Teil der KI 35 Deep Learning als Form des maschinellen Lernens 37 Deep Learning in der Praxis 39 Der Prozess des Lernens 39 Aufgabenbewltigung mit Deep Learning 39 Deep Learning als Bestandteil grerer Anwendungen 40 Programmierumgebung fr Deep Learning 40 Deep Learning: Hype vs Realitt 43 Ihre ersten Schritte 43 Ungeeignete Szenarien fr Deep Learning 43 Kapitel 2 Maschinelles Lernen 45 Definition von maschinellem Lernen 45 Funktionsweise von maschinellem Lernen 46 Lernen durch unterschiedliche Strategien 47 Training, Validierung und Test 49 Suche nach Generalisierungen 51 Der Einfluss von Bias 51 Beachtung der Komplexitt des Modells 52 Lernstrategien und Arten von Algorithmen 52 Fnf wesentliche Strategien 53 Verschiedene Arten von Algorithmen 54 Sinnvolle Einsatzbereiche fr maschinelles Lernen 59 Anwendungsszenarien fr maschinelles Lernen 59 Die Grenzen des maschinellen Lernens 62 Kapitel 3 Installation und Verwendung von Python 65 Verwendung von Python in diesem Buch 66 Installation von Anaconda 66 Anaconda von Continuum Analytics 67 Installation von Anaconda unter Linux 67 Installation von Anaconda unter Mac OS X 68 Installation von Anaconda unter Windows 70 Jupyter Notebook 72 Verwendung von Jupyter Notebook 73 Verwendete Datenstze in diesem Buch 79 Erstellen einer Anwendung 81 Die Arbeit mit Zellen 81 Hinzufgen von Dokumentationszellen 82 Andere Zellarten 83 Einrckung von Codezeilen 83 Hinzufgen von Kommentaren 85 Weitere Informationen zu Python 88 Arbeiten in der Cloud 89 Verwendung der Datenstze und Kernels von Kaggle 89 Verwendung von Google Colaboratory 89 Kapitel 4 Frameworks fr Deep Learning 93 Das Framework-Prinzip 94 Unterschiede zwischen Frameworks 94 Hohe Beliebtheit von Frameworks 95 Frameworks speziell fr Deep Learning 96 Auswahl eines Frameworks 97 Einfache Frameworks fr Deep Learning 98 Kurzvorstellung von TensorFlow 101 Teil II: Grundlagen von Deep Learning 113 Kapitel 5 Rechnen mit Matrizen 115 Ntige mathematische Grundlagen 116 Die Arbeit mit Daten 116 Matrixdarstellung von Daten 117 Skalar-, Vektor- und Matrixoperationen 118 Erzeugung einer Matrix 119 Multiplikation von Matrizen 121 Fortgeschrittene Matrixoperationen 123 Datenanalysen mit Tensoren 125 Effektive Nutzung von Vektorisierung 127 Der Lernprozess als Optimierung 128 Kostenfunktionen 128 Minimierung des Fehlers 129 Die richtige Richtung 130 Kapitel 6 Grundlagen der linearen Regression 133 Kombination von Variablen 134 Die einfache lineare Regression 134 Die multiple lineare Regression 135 Verwendung des Gradientenabstiegs 137 Die lineare Regression in Aktion 138 Vermischung von Variablen unterschiedlichen Typs 140 Modellierung der Antworten 140 Modellierung der Merkmale 141 Umgang mit komplexen Zusammenhngen 142 Nutzung von Wahrscheinlichkeiten 144 Spezifikation einer binren Antwort 144 Umwandlung numerischer Schtzungen in Wahrscheinlichkeiten 145 Schtzung der richtigen Merkmale 148 Irrefhrende Ergebnisse durch inkompatible Merkmale 148 Vermeidung einer beranpassung durch Merkmalsauswahl und Regularisierung 149 Lernen aus einzelnen Beispielen 150 Verwendung des Gradientenabstiegs 150 Stochastisches Gradientenabstiegsverfahren 151 Kapitel 7 Einfhrung in neuronale Netze 155 Das faszinierende Perzept