Deep Learning mit Microsoft Azure
1st Edition
Published on 28. May 2019
Book
Paperback/Softback
261 pages
978-3-8362-6993-3 (ISBN)
Description
Auf der Azure-Plattform stellt Ihnen Microsoft eine Vielzahl an KI-Werkzeugen zur Verfügung. Diese vorkonfigurierten Dienste sowie die APIs für unterschiedliche Anwendungszwecke erleichtern Ihnen die Umsetzung eigener Deep-Learning-Projekte und verhelfen Ihnen zu einem schnellen Start in die KI-Entwicklung. Dieser praxisorientierte Guide bietet Ihnen eine übersichtliche Einführung in neuronale Netze und Machine Learning - geschrieben von Microsoft-Autoren, die an der Entwicklung der Azure-KI-Werkzeuge beteiligt waren und sie genau kennen.
Aus dem Inhalt:
KI, Deep Learning, Machine Learning: Eine Einführung
Der Deep Learning Workflow: Daten vorbereiten, Modelle trainieren, Ergebnisse auswerten
Einsatzgebiete und Anwendungsszenarien
Azure AI: Microsofts KI-Plattform
Cognitive Service: Visuelle Bildanalyse, Spracherkennung, Spracheingabe, Übersetzung
Überblick über neuronale Netze, Aktivierungsfunktionen, KI-Techniken
Convolutional und Recurrent Neural Networks
KI-Architekturen und Best Practices
Aus dem Inhalt:
KI, Deep Learning, Machine Learning: Eine Einführung
Der Deep Learning Workflow: Daten vorbereiten, Modelle trainieren, Ergebnisse auswerten
Einsatzgebiete und Anwendungsszenarien
Azure AI: Microsofts KI-Plattform
Cognitive Service: Visuelle Bildanalyse, Spracherkennung, Spracheingabe, Übersetzung
Überblick über neuronale Netze, Aktivierungsfunktionen, KI-Techniken
Convolutional und Recurrent Neural Networks
KI-Architekturen und Best Practices
More details
Persons
Author
Dr. Mathew Salvaris ist Senior Data Scientist bei Microsoft im Azure CAT, wo er in einem Team aus Datenwissenschaftlern und Ingenieuren arbeitet, das auf der Cloud-KI-Plattform von Microsoft Machine-Learning- und KI-Lösungen für externe Unternehmen entwickelt.
Dr. Danielle Dean ist Principal Data Science Lead bei Microsoft im Azure CAT, wo sie ein Team aus Datenwissenschaftlern und Ingenieuren leitet, das auf der Cloud-KI-Plattform von Microsoft zusammen mit externen Unternehmen Lösungen für künstliche Intelligenz entwickelt.
Dr. Wee Hyong Tok ist Principal Data Science Manager bei Microsoft im Bereich Cloud und KI. Er leitet das Team "AI for Earth Engineering and Data Science" mit Datenwissenschaftlern und Ingenieuren, die daran arbeiten, die Grenzen moderner Deep-Learning-Algorithmen und -Systeme zu erweitern. Sein Team arbeitet umfassend mit Deep-Learning-Frameworks, von TensorFlow über CNTK und Keras bis hin zu PyTorch.
Content
Materialien zum Buch ... 11
Über die Autoren ... 13
Vorwort ... 17
Einleitung ... 21
TEIL I Ihr Einstieg in die künstliche Intelligenz ... 25
1. Einführung in die künstliche Intelligenz ... 27
1.1 ... Microsoft und KI ... 29
1.2 ... Machine Learning ... 32
1.3 ... Deep Learning ... 36
1.4 ... Zusammenfassung ... 46
2. Überblick über Deep Learning ... 47
2.1 ... Allgemeine Netzwerkstrukturen ... 48
2.2 ... Der Deep-Learning-Workflow ... 55
2.3 ... Zusammenfassung ... 67
3. Trends im Deep Learning ... 69
3.1 ... Variationen in Netzwerkarchitekturen ... 69
3.2 ... Hardware ... 78
3.3 ... Grenzen des Deep Learnings ... 81
3.4 ... Ein Blick in die Zukunft: Was können wir von Deep Learning erwarten? ... 85
3.5 ... Zusammenfassung ... 88
TEIL II Die Azure KI-Plattform und Ihr Werkzeugkasten ... 89
4. Microsoft-KI-Plattform ... 91
4.1 ... Dienste ... 93
4.2 ... Infrastruktur ... 97
4.3 ... Tools ... 102
4.4 ... Gesamte Azure-Plattform ... 104
4.5 ... Erste Schritte mit der Deep Learning Virtual Machine ... 105
4.6 ... Zusammenfassung ... 107
5. Cognitive Services und Custom Vision ... 109
5.1 ... Vorkonfigurierte KI: Anlass und Vorgehensweise ... 109
5.2 ... Cognitive Services nutzen ... 111
5.3 ... Verfügbare Arten von Cognitive Services ... 114
5.4 ... Erste Schritte mit Cognitive Services ... 121
5.5 ... Custom Vision ... 127
5.6 ... Zusammenfassung ... 134
TEIL III KI-Netzwerke in der Praxis ... 137
6. Convolutional Neural Networks ... 139
6.1 ... Die Faltung in Convolutional Neural Networks ... 140
6.2 ... CNN-Architektur ... 146
6.3 ... Trainieren eines Klassifizierungs-CNN ... 146
6.4 ... Gründe für die Verwendung von CNNs ... 148
6.5 ... Trainieren eines CNN mit CIFAR-10 ... 149
6.6 ... Training eines tiefen CNN auf einer GPU ... 154
6.7 ... Transferlernen ... 161
6.8 ... Zusammenfassung ... 162
7. Recurrent Neural Networks ... 163
7.1 ... RNN-Architekturen ... 166
7.2 ... Trainieren von RNNs ... 169
7.3 ... Gated RNNs ... 170
7.4 ... Sequenz-zu-Sequenz-Modelle und Aufmerksamkeitsmechanismus ... 172
7.5 ... RNN-Beispiele ... 174
7.6 ... Zusammenfassung ... 181
8. Generative Adversarial Networks ... 183
8.1 ... Was sind Generative Adversarial Networks? ... 183
8.2 ... Cycle-Consistent Adversarial Networks ... 188
8.3 ... Der CycleGAN-Code ... 190
8.4 ... Netzwerkarchitektur für den Generator und den Diskriminator ... 193
8.5 ... Definieren der CycleGAN-Klasse ... 197
8.6 ... Verlust durch Unterschiede und Zyklusverlust ... 198
8.7 ... Ergebnisse ... 199
8.8 ... Zusammenfassung ... 199
TEIL IV KI-Architekturen und Best Practices ... 201
9. Trainieren von KI-Modellen ... 203
9.1 ... Trainingsoptionen ... 203
9.2 ... Beispiele zur Veranschaulichung ... 209
9.3 ... Zusammenfassung ... 227
10. Operationalisieren von KI-Modellen ... 229
10.1 ... Plattformen für die Operationalisierung ... 229
10.2 ... Übersicht über die Operationalisierung ... 239
10.3 ... Azure Machine Learning Services ... 242
10.4 ... Zusammenfassung ... 242
Anmerkungen ... 245
Index ... 257