Osinga Deep Learning Kochbuch

Praxisrezepte für einen schnellen Einstieg
1. Auflage 2019
ISBN: 978-3-96010-264-9
Verlag: O'Reilly
Format: PDF
Kopierschutz: 1 - PDF Watermark

E-Book, Deutsch, 262 Seiten

Reihe: Animals

Lassen Sie sich von Deep Learning nicht abschrecken! Dank Frameworks wie Keras und TensorFlow ist der schnelle Einstieg in die Entwicklung von Deep-Learning-Anwendungen nun auch für Softwareentwickler ohne umfassende Machine-Learning-Kenntnisse möglich. Mit den Rezepten aus diesem Buch lernen Sie, typische Aufgabenstellungen des Deep Learning zu lösen, wie etwa die Klassifizierung und Generierung von Texten, Bildern und Musik.
Jedes Kapitel behandelt ein Projekt, wie z.B. das Trainieren eines Empfehlungssystems für Musik. Schritt für Schritt wird gezeigt, wie das jeweilige Projekt umgesetzt wird. Darüber hinaus beschreibt der Autor Douwe Osinga zahlreiche Techniken, die Ihnen helfen, wenn Sie einmal nicht mehr weiterwissen. Alle Codebeispiele sind in Python geschrieben und auf GitHub als Python-Notebooks frei verfügbar.
Aus dem Inhalt:

- Entwickeln Sie Deep-Learning-Anwendungen, die Nutzern einen echten Mehrwert bieten
- Berechnen Sie Ähnlichkeiten von Texten mithilfe von Word-Embeddings
- Erstellen Sie ein Empfehlungssystem für Filme basierend auf Wikipedia-Links
- Visualisieren Sie die internen Vorgänge einer künstlichen Intelligenz, um nachvollziehen zu können, wie diese arbeitet
- Entwickeln Sie ein Modell, das passende Emojis für Textpassagen vorschlägt
- Realisieren Sie einen Reverse-Image-Search-Dienst mithilfe von vortrainierten Netzwerken
- Vergleichen Sie, wie Generative Adversarial Networks, Autoencoder und LSTM-Netzwerke Icons erzeugen
- Trainieren Sie ein Klassifikationsmodell für Musikstile und lassen Sie es Musikstücke dementsprechend zuordnen

Autoren/Hrsg.

Osinga, Douwe

Weitere Mitwirkende

Fraaß, Marcus

Inhaltsverzeichnis

1;Inhalt;5
2;Vorwort;9
3;Kapitel 1: Werkzeuge und Techniken;17
3.1;1.1 Arten neuronaler Netze;17
3.2;1.2 Datenbeschaffung;28
3.3;1.3 Vorverarbeitung von Daten;35
4;Kapitel 2: Fehlerbehebung;43
4.1;2.1 Probleme bemerken;43
4.2;2.2 Laufzeitfehler beheben;44
4.3;2.3 Zwischenergebnisse überprüfen;47
4.4;2.4 Wählen der richtigen Aktivierungsfunktion (für die letzte Schicht);48
4.5;2.5 Regularisierung und Drop-out;49
4.6;2.6 Netzwerkstruktur, Batch-Größe und Lernrate;51
5;Kapitel 3: Die Ähnlichkeit von Texten mithilfe von Worteinbettungen berechnen;53
5.1;3.1 Wortähnlichkeiten mithilfe vortrainierter Worteinbettungen finden;54
5.2;3.2 Word2vec-Mathematik;56
5.3;3.3 Worteinbettungen visualisieren;58
5.4;3.4 Objektklassen in Einbettungen finden;60
5.5;3.5 Semantische Abstände innerhalb einer Klasse berechnen;63
5.6;3.6 Länderdaten auf einer Landkarte visualisieren;65
6;Kapitel 4: Ein Empfehlungssystem anhand ausgehender Wikipedia-Links erstellen;67
6.1;4.1 Sammeln der Daten;67
6.2;4.2 Trainieren von Filmeinbettungen;71
6.3;4.3 Ein Filmempfehlungssystem erstellen;74
6.4;4.4 Vorhersagen einfacher Filmmerkmale;75
7;Kapitel 5: Text im Stil eines Beispieltexts generieren;79
7.1;5.1 Den Text von gemeinfreien Büchern beschaffen;79
7.2;5.2 Texte im Stil von Shakespeare generieren;80
7.3;5.3 Code mit RNNs erzeugen;84
7.4;5.4 Steuerung der Temperatur des Outputs;86
7.5;5.5 Visualisierung der Aktivierungen eines rekurrenten Netzwerks;88
8;Kapitel 6: Übereinstimmende Fragen;91
8.1;6.1 Daten aus Stack Exchange beschaffen;91
8.2;6.2 Erkundung der Daten mit Pandas;93
8.3;6.3 Textkodierung in Keras;94
8.4;6.4 Ein Frage-Antwort-Modell entwickeln;95
8.5;6.5 Training eines Modells mit Pandas;97
8.6;6.6 Überprüfung von Gemeinsamkeiten;98
9;Kapitel 7: Emojis vorschlagen;101
9.1;7.1 Einen einfachen Stimmungsklassifikator entwickeln;101
9.2;7.2 Inspizieren eines einfachen Klassifikators;104
9.3;7.3 Ein Konvolutionsnetz zur Stimmungsanalyse verwenden;105
9.4;7.4 Twitter-Daten sammeln;108
9.5;7.5 Ein simples Vorhersagemodell für Emojis;109
9.6;7.6 Drop-out und variierende Fenstergröße;111
9.7;7.7 Ein wortbasiertes Modell erstellen;112
9.8;7.8 Eigene Einbettungen erzeugen;114
9.9;7.9 Ein rekurrentes neuronales Netzwerk zur Klassifikation verwenden;116
9.10;7.10 Übereinstimmung visualisieren;118
9.11;7.11 Modelle miteinander kombinieren;120
10;Kapitel 8: Sequenz-zu-Sequenz-Mapping;123
10.1;8.1 Trainieren eines einfachen Sequenz-zu-Sequenz-Modells;123
10.2;8.2 Dialoge aus Texten extrahieren;125
10.3;8.3 Einen frei verfügbaren Wortschatz handhaben;127
10.4;8.4 Einen seq2seq-Chatbot trainieren;128
11;Kapitel 9: Ein vortrainiertes Netzwerk zur Bilderkennung verwenden;133
11.1;9.1 Ein vortrainiertes Netzwerk laden;133
11.2;9.2 Vorverarbeitung der Bilder;134
11.3;9.3 Vorhersagen des Bildinhalts (Inferenz);136
11.4;9.4 Einen gelabelten Bilddatensatz mit der Flickr-API sammeln;137
11.5;9.5 Einen Hund-Katze-Klassifikator erstellen;138
11.6;9.6 Suchergebnisse verbessern;140
11.7;9.7 Trainieren vortrainierter Netzwerke zur Bilderkennung;142
12;Kapitel 10: Eine Reverse-Image-Suchmaschine erstellen;145
12.1;10.1 Zugriff auf Bilder von Wikipedia;145
12.2;10.2 Projektion von Bildern in einen N-dimensionalen Raum;148
12.3;10.3 Nächste Nachbarn in hochdimensionalen Räumen finden;149
12.4;10.4 Lokale Nachbarschaften in Einbettungen erkunden;150
13;Kapitel 11: Mehrere Bildinhalte erkennen;153
13.1;11.1 Erkennen mehrerer Bildinhalte mithilfe eines vortrainierten Klassifikators;153
13.2;11.2 Bilderkennung mithilfe eines Faster RCNN;157
13.3;11.3 Eigene Bilder in einem Faster RCNN verwenden;160
14;Kapitel 12: Mit Bildstilen arbeiten;163
14.1;12.1 Aktivierungen eines CNN visualisieren;164
14.2;12.2 Oktaven und Vergrößerung;167
14.3;12.3 Veranschaulichen, was ein neuronales Netzwerk in etwa wahrnimmt;169
14.4;12.4 Den Stil eines Bilds erfassen;172
14.5;12.5 Verbessern der Verlustfunktion zur Erhöhung der Bildkohärenz;175
14.6;12.6 Einen Stil auf ein anderes Bild übertragen;177
14.7;12.7 Stilinterpolation;178
15;Kapitel 13: Bilder mit Autoencodern erzeugen;181
15.1;13.1 Zeichnungen aus Google Quick Draw importieren;182
15.2;13.2 Einen Autoencoder für Bilder erstellen;183
15.3;13.3 Visualisierung der Ergebnisse von Autoencodern;186
15.4;13.4 Sampling von Bildern aus einer korrekten Verteilung;187
15.5;13.5 Den latenten Raum eines Variational Autoencoders visualisieren;191
15.6;13.6 Conditional Variational Autoencoder;192
16;Kapitel 14: Piktogramme mithilfe von neuronalen Netzwerken erzeugen;197
16.1;14.1 Piktogramme zum Trainieren beschaffen;198
16.2;14.2 Piktogramme in eine Tensor-Darstellung umwandeln;200
16.3;14.3 Piktogramme mithilfe eines Variational Autoencoders erzeugen;201
16.4;14.4 Datenanreicherung zur Verbesserung der Leistung des Autoencoders;204
16.5;14.5 Ein Generative Adversarial Network aufbauen;205
16.6;14.6 Generative Adversarial Networks trainieren;207
16.7;14.7 Mit einem GAN erzeugte Piktogramme anzeigen;209
16.8;14.8 Piktogramme als Zeichenanleitung kodieren;211
16.9;14.9 Trainieren eines RNN zum Zeichnen von Piktogrammen;212
16.10;14.10 Piktogramme mithilfe eines RNN erzeugen;213
17;Kapitel 15: Musik und Deep Learning;217
17.1;15.1 Einen Trainingsdatensatz zur Musikklassifikation erstellen;218
17.2;15.2 Einen Musikgenre-Detektor trainieren;220
17.3;15.3 Visualisierung von Klassifikationsirrtümern;222
17.4;15.4 Indexierung vorhandener Musik;224
17.5;15.5 Die Spotify-API einrichten;226
17.6;15.6 Playlisten und Musikstücke von Spotify sammeln;227
17.7;15.7 Ein Musikempfehlungssystem trainieren;230
17.8;15.8 Musikstücke empfehlen mithilfe eines Word2vec-Modells;231
18;Kapitel 16: Machine-Learning-Systeme in Produktion bringen;235
18.1;16.1 Ein Nächste-Nachbarn-Klassifikationsmodell für Einbettungen mit scikit-learn verwenden;236
18.2;16.2 Postgres zum Speichern von Einbettungen verwenden;237
18.3;16.3 Einpflegen und Abfragen von in Postgres gespeicherten Einbettungen;238
18.4;16.4 Hochdimensionale Modelle in Postgres speichern;239
18.5;16.5 Microservices in Python erstellen;241
18.6;16.6 Keras-Modelle als Microservice bereitstellen;242
18.7;16.7 Einen Microservice aus einem Web-Framework aufrufen;243
18.8;16.8 seq2seq-Modelle in TensorFlow;244
18.9;16.9 Deep-Learning-Modelle im Browser ausführen;246
18.10;16.10 Ein Keras-Modell mit TensorFlow Serving ausführen;248
18.11;16.11 Ein Keras-Modell unter iOS verwenden;251
19;Index;253
20;Über den Autor;261
21;Über die Übersetzer;261
22;Kolophon;261

Über Autor(innen)

Douwe Osinga ist ein erfahrener Softwareentwickler, früher bei Google, Globetrotter und Gründer von drei Startups. Auf seiner beliebten Website für Software-Projekte beschäftigt er sich neben anderen spannenden Themen auch mit dem Machine Learning: douweosinga.com/projects