Deep Learning mit TensorFlow, Keras und TensorFlow.js – Matthieu Deru, Alassane Ndiaye | buch7 – Der soziale Buchhandel
Bitte warten ...
icon suche icon merkliste icon warenkorb
Blick ins Buch

Deep Learning mit TensorFlow, Keras und TensorFlow.js

Einstieg, Konzepte und KI-Projekte mit Python, JavaScript und HTML5

Deep Learning entdecken und erfolgreich implementieren

  • Von der Aufbereitung der Daten bis zur Visualisierung
  • Basisprojekte mit Beispielen aus vielen Anwendungsfeldern
  • Mit Python, HTML5 und JavaScript Deep Learning entdecken
Deep Learning ist die Schlüsseltechnologie des derzeitigen Booms Künstlicher Intelligenz. Neuronale Netze können Höchstleistung erbringen, wenn sie als Deep-Learning-Netze aufgestellt sind und mit großen Datenmengen trainiert werden - und wenn Sie wissen, wie man dieses maschinelle Lernen geschickt implementiert. Lernen Sie hier, wie Sie die mächtigen Frameworks in realen Projekten erfolgreich einsetzen. Unsere Autoren zeigen Ihnen sowohl die Arbeit mit Python und Keras als auch für den Browser mit JavaScript, HTML5 und TensorFlow.js.
Gebunden 05/2019
kostenloser Standardversand in DE 37 Stück auf Lager
Lieferung bis Di, 24.Sep. (ca. ¾), oder Mi, 25.Sep. (ca. ¼): bestellen Sie in den nächsten 1 Tagen, 19 Stunden, 43 Minuten mit Paketversand.

Die angegebenen Lieferzeiten beziehen sich auf den Paketversand und sofortige Zahlung (z.B. Zahlung per Lastschrift, PayPal oder Sofortüberweisung).
Der kostenlose Standardversand (2-5 Werktage) benötigt in der Regel länger als der kostenpflichtige Paketversand (1-2 Werktage). Sonderfälle, die zu längeren Lieferzeiten führen können (Bsp: Bemerkung für Kundenservice, Zahlung per Vorkasse oder Sendung ins Ausland) haben wir hier für Sie detailliert beschrieben.

Spenden icon Dank Ihres Kaufes spendet buch7 ca. 1,40 € bis 2,59 €.

Die hier angegebene Schätzung beruht auf dem durchschnittlichen Fördervolumen der letzten Monate und Jahre. Über die Vergabe und den Umfang der finanziellen Unterstützung entscheidet das Gremium von buch7.de.

Die genaue Höhe hängt von der aktuellen Geschäftsentwicklung ab. Natürlich wollen wir so viele Projekte wie möglich unterstützen.

Den tatsächlichen Umfang der Förderungen sowie die Empfänger sehen Sie auf unserer Startseite rechts oben, mehr Details finden Sie hier.

Weitere Informationen zu unserer Kostenstruktur finden Sie hier.

Autoreninformationen

Dr. Matthieu Deru ist Senior Software-Engineer (R&D) und UX-Designer für interaktive Systeme am Deutschen Forschungszentrum für Künstliche Intelligenz GmbH (DFKI). Seine Projekterfahrung umfasst Themengebiete, die so vielseitig sind wie die Anwendungsfelder der KI, von intelligenten Benutzerschnittstellen bis zu komplexen Vorhersagenmodellen für die Elektromobilität.

Inhaltsverzeichnis

1.  Einführung ... 15

1.1 ... Über dieses Buch ... 15

1.2 ... Ein Einblick in Deep Learning ... 17

1.3 ... Deep Learning im Alltag und in der Zukunft ... 19

2.  Machine Learning und Deep Learning ... 29

2.1 ... Einführung ... 29

2.2 ... Lernansätze bei Machine Learning ... 34

2.3 ... Deep-Learning-Frameworks ... 39

2.4 ... Datenbeschaffung ... 40

2.5 ... Datasets ... 42

2.6 ... Zusammenfassung ... 55

3.  Neuronale Netze ... 57

3.1 ... Aufbau und Prinzip ... 57

3.2 ... Wie lernt ein neuronales Netz? ... 63

3.3 ... Datenaufbereitung ... 70

3.4 ... Ein einfaches neuronales Netz ... 71

3.5 ... Netzarchitektur ... 80

3.6 ... Bekannte Netze ... 86

3.7 ... Die Fallstricke des Deep Learnings ... 89

3.8 ... Zusammenfassung ... 94

4.  Python und Machine-Learning-Bibliotheken ... 95

4.1 ... Installation von Python 3.6 ... 95

4.2 ... Programmierumgebungen ... 101

4.3 ... Jupyter Notebook ... 108

4.4 ... Python-Bibliotheken für das Machine Learning ... 113

4.5 ... Nützliche Routinen mit NumPy und Scikit-learn für ML ... 115

4.6 ... Ein erstes Machine-Learning-Beispiel ... 119

4.7 ... Zusammenfassung ... 123

5.  TensorFlow ... 125

5.1 ... Einführung ... 125

5.2 ... Installation ... 128

5.3 ... Grundkonzepte ... 136

5.4 ... Erster Kontakt mit TensorBoard: Einen Graphen visualisieren ... 149

5.5 ... Einen Graphen in TensorBoard debuggen ... 152

5.6 ... Projekt 1: Eine lineare Regression ... 156

5.7 ... Projekt 2: Fashion MNIST ... 161

5.8 ... TensorFlow-Modelle speichern und laden ... 171

5.9 ... Projekt 3: Konvolutionales neuronales Netz mit TensorFlow ... 176

5.10 ... High-Level APIs ... 183

5.11 ... Prozess ... 184

5.12 ... Zusammenfassung ... 185

6.  Keras ... 187

6.1 ... Einführung ... 187

6.2 ... Installation von Keras ... 188

6.3 ... Modelle erstellen ... 191

6.4 ... Modelle trainieren ... 193

6.5 ... Modelle evaluieren ... 195

6.6 ... Modelle laden und exportieren ... 196

6.7 ... Keras Applications ... 198

6.8 ... Keras Callbacks ... 199

6.9 ... Beispiel: Iris-Klassifikation mit Keras ... 200

6.10 ... CNNs mit Keras ... 204

6.11 ... RNNs und LSTMs in Keras ... 209

6.12 ... Zusammenfassung ... 214

7.  Netze und Metriken visualisieren ... 215

7.1 ... TensorBoard ... 215

7.2 ... tf_cnnvis ... 232

7.3 ... Visualisierung mit Keras ... 234

7.4 ... Visualisierung von CNNs mit Quiver ... 244

7.5 ... Bonus: Interaktive Visualisierung mit Keras-Callbacks, Node.js und HTML5 selbst implementieren ... 247

7.6 ... Weitere Visualisierungsmöglichkeiten ... 258

8.  TensorFlow.js ... 261

8.1 ... Anwendungsfälle ... 261

8.2 ... Installation von BrowserSync ... 265

8.3 ... Installation von TensorFlow.js ... 266

8.4 ... Konzepte ... 269

8.5 ... Ihr erstes Modell mit TensorFlow.js: Eine quadratische Regression ... 281

8.6 ... Laden und Speichern von Modellen ... 289

8.7 ... PoseNet-Modell mit TensorFlow.js ... 298

8.8 ... TensorFlow.js noch einfacher: ml5.js ... 314

9.  Praxisbeispiele ... 317

9.1 ... Projekt 1: Verkehrszeichenerkennung mit Keras ... 318

9.2 ... Projekt 2: Intelligente Spurerkennung mit Keras und OpenCV ... 333

9.3 ... Projekt 3: Erkennung der Umgebung mit YOLO und TensorFlow.js bzw. ml5.js ... 346

9.4 ... Projekt 4: Haus oder Katze? Vorgefertigte Modelle mit Keras benutzen -- VGG-19 ... 357

9.5 ... Projekt 5: Fashion-MNIST mit TensorFlow-Estimators ... 364

9.6 ... Projekt 6: Stimmungsanalyse mit Keras ... 377

9.7 ... Bonus: Sentiment-Analyse mit TensorFlow.js ... 384

9.8 ... Allgemeine Tipps und Tricks ... 388

10.  Ausblick ... 397

10.1 ... Deep Learning in der Cloud ... 397

10.2 ... Kunst mit Deep Learning ... 405

10.3 ... GAN und Stiltransfere mit Deep Learning ... 406

10.4 ... Musik mit Deep Learning ... 408

10.5 ... Videogenerierung mit Deep Learning ... 410

10.6 ... Deep Learning einfacher gemacht ... 411

11.  Fazit ... 415

Index ... 419

Produktdetails

EAN / 13-stellige ISBN 978-3836265096
10-stellige ISBN 3836265095
Verlag Rheinwerk Verlag GmbH
Sprache Deutsch
Editionsform Hardcover / Softcover / Karten
Einbandart Gebunden
Erscheinungsdatum 1. Mai 2019
Seitenzahl 423
Format (L×B×H) 24,6cm × 17,4cm × 3,0cm
Gewicht 898g
Warengruppe des Lieferanten Naturwissenschaften - Informatik, EDV
Unsere Warengruppen Sachbücher - IT
Mehrwertsteuer 7% (im angegebenen Preis enthalten)
Bestseller aus dieser Kategorie

Naturwissenschaften - Informatik, EDV

Andere Leute, die diesen Artikel angesehen haben, sahen auch an:

Noch nicht das passende gefunden?
Verschenken Sie einfach einen Gutschein.

Auch hier werden natürlich 75% des Gewinns gespendet.

Gutschein kaufen

Was unsere Kunden sagen:

Impressum Datenschutz Hilfe / FAQ