Cover: Neuronale Netze mit C# programmieren - Hanser

Neuronale Netze mit C# programmieren

Mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz

Daniel Basler(Author)

Hanser (Publisher)

1st Edition

Published on 6. April 2021

373 pages

E-Book

PDF with digital watermarking

System requirements

978-3-446-46426-1 (ISBN)

€59.99incl. 7% vat

System requirements

for PDF with digital watermarking

E-Book Single Licence

Available for download

Description

Alles über E-Books | Antworten auf Fragen rund um E-Books, Kopierschutz und Dateiformate finden Sie in unserem Info- & Hilfebereich.

Alles über E-Books, Kopierschutz & Dateiformate finden Sie in unserem Info- & Hilfebereich.

NEURONALE NETZE MIT C# PROGRAMMIEREN // - Aufbau und Training von neuronalen Netzen - Wichtige Machine-Learning-Algorithmen verstehen und einsetzen - Arbeiten mit ML.NET und Infer.NET - Vorstellung des Open Source Framework TensorFlow.NET - Erstellen eines Lex-Chatbot für .NET - Alle Beispiele sind mit Visual Studio und C# umsetzbar Sie wollen neuronale Netze und Machine-Learning-Algorithmen mit C# entwickeln? Dann finden Sie in diesem Buch eine gut verständliche Einführung in die Grundlagen und es wird Ihnen gezeigt, wie Sie neuronale Netze und Machine-Learning-Algorithmen in Ihren eigenen Projekten praktisch einsetzen. Mithilfe von Beispielen erstellen und trainieren Sie Ihr erstes neuronales Netz zur vorausschauenden Wartung einer Produktionsmaschine. Im Praxisteil lernen Sie dann, wie Sie TensorFlow-Modelle in ML.NET benutzen oder Infer.NET direkt verwenden können. Des Weiteren nutzen Sie die Predictive- und Sentiment-Analyse, um sich mit Machine-Learning-Algorithmen vertraut zu machen. Alle im Buch vorgestellten Projekte sind in C# programmiert und stehen als Download zur Verfügung. Grundkenntnisse in C# werden für die Arbeit mit dem Buch vorausgesetzt. Alle Projekte lassen sich ohne größere Rechnerressourcen umsetzen. AUS DEM INHALT // Künstliche Intelligenz: Grundlagen/Konzepte und Methoden von Machine Learning/Neuronale Netze bauen und trainieren/Maschinensimulation mit Multilayer Perceptron ( MLP )/Backpropagation/Recurrent Neural Networks/Convolutional Neural Networks/Machine Learning as a Service/Predictive Analytics/Objekterkennung/Sentiment-Analyse Daniel Basler arbeitet als Lead Developer und Softwarearchitekt. Seine Schwerpunkte liegen auf Cross-Platform-Apps, Android, JavaScript und Microsoft-Technologien. Er entwickelt u.a. Software für Regal- und Flächenlagersysteme sowie Anlagenvisualisierung und setzt in diesem Umfeld verstärkt Machine-Learning-Methoden ein. Darüber hinaus schreibt er regelmäßig Artikel für die Fachzeitschriften dotnetpro und web&mobile Developer.

More details

Other editions

Person

Content

Intro
Inhalt
Vorwort
Aufbau des Buches
1 Künstliche Intelligenz
1.1 Grundlagen
1.1.1 Schwache künstliche Intelligenz
1.1.2 Starke künstliche Intelligenz
1.1.3 Hybride künstliche Intelligenz
1.2 Themenfelder der künstlichen Intelligenz
1.2.1 Machine Learning
1.2.2 Deep Learning
1.2.3 Cognitive Computing
1.2.4 Big Data und Data Science
1.2.5 Predictive Analytics
1.2.6 Natural Language Processing
1.3 KI-Service-Plattformen
1.3.1 Amazon
1.3.2 Google
1.3.3 Microsoft Cognitive Services
1.3.4 IBM
1.4 Künstliche neuronale Netze
1.4.1 Funktionsweise
1.4.2 Netztypen
1.4.3 Anwendungsbereiche
1.5 Grundbaustein Neuron
1.5.1 Aktivierungsfunktion
1.5.2 Matrizendarstellung
1.6 Architekturprinzipien
2 Konzepte und Methoden von Machine Learning
2.1 ML - Machine Learning
2.2 Algorithmen und Modelle
2.3 Die Schritte in einem Machine-Learning-Projekt
2.4 Machine-Learning-Verfahren
2.4.1 Klassifikation
2.4.2 Regression
2.4.3 Clustering
2.4.4 Bayes-Klassifikation
2.4.5 Künstliche neuronale Netze
2.5 Lernformen
2.5.1 Überwachtes Lernen
2.5.2 Unüberwachtes Lernen
2.5.3 Semi-überwachtes Lernen
2.5.4 Verstärkendes Lernen
2.6 Machine-Learning-Algorithmen
2.6.1 k-Nearest-Neighbour
2.6.2 Support Vector Machine
2.6.3 Entscheidungsbäume
2.6.4 Decision Tree und Random-Forest
2.6.5 Clustering
2.6.5.1 K-Means Clustering
2.6.5.2 EM-Clustering
2.6.5.3 Hierarchische Clusteranalyse
2.7 Training und Validierung des ML-Modells
2.8 Das einfache neuronale Netz
2.9 Deep Learning
2.10 Einsatzgebiete und Anwendungen
3 Neuronale Netze
3.1 Vom Problem zum KNN
3.2 KNN-Modelle
3.3 Mathematik neuronaler Netze
3.3.1 Lineare Algebra
3.3.2 Vektor
3.3.2.1 Rechnen mit Vektoren
3.3.2.2 Skalarprodukt
3.3.3 Matrix
3.3.3.1 Rechnen mit Matrizen
3.3.3.2 Matrizenmultiplikation
3.3.3.3 Transponieren
3.3.4 Tensor
3.3.5 Eigenwert- und Singulärwertzerlegung
3.4 Mehrschichtige neuronale Netze
3.4.1 Multilayer Perceptron (MLP)
3.5 Predictive Maintenance
3.6 Maschinensimulation mit MLP
3.6.1 Datenmodellierung
3.6.1.1 Ziel des Feedforward-Netzes
3.6.1.2 Mehrklassen-Klassifikation
3.6.2 Entwurf
3.6.3 Projekt anlegen
3.6.4 Erfassung und Berechnung der Daten
3.6.5 Bias-Neuron
3.6.6 Die Programmierung
3.6.7 Aktivierungsfunktionen implementieren
3.6.8 Fazit
3.7 Lernalgorithmus für Neuronen
3.7.1 Kostenfunktion
3.7.2 Gradientenabstiegsverfahren
3.7.3 Backpropagation-Algorithmus
3.8 Backpropagation programmieren
3.9 Implementierung
4 Training von neuronalen Netzen
4.1 Trainings- und Testphase
4.1.1 Generalisierung
4.1.2 Dimensionsreduzierung
4.2 Batch-, inkrementelles und?Mini-Batch-Training
4.2.1 Batch-Training
4.2.2 Inkrementelles Training
4.2.3 Mini-Batch-Training
4.3 Lernprozess beim Backpropagation-Algorithmus
4.3.1 Problemstellung
4.3.2 Vorbereiten der Daten
4.3.3 Das neuronale Netz programmieren
4.3.4 Benutzeroberfläche
4.3.4.1 Code-Behind der MainWindow-Klasse
4.3.4.2 Nutzen der Hold-Out Validation
4.3.5 Programmablauf
4.3.6 Das neuronale Netz implementieren
4.3.7 Auswertung ermitteln
4.4 Simulationsergebnis
4.5 Parameteranpassungen
5 Recurrent Neural?Networks
5.1 Sequenzen und Rückkopplung
5.2 Architektur eines RNN
5.3 Backpropagation Through Time
5.4 Long Short-Term Memory Networks
5.4.1 Funktionsweise von LSTMs
5.4.1.1 Forget-Gate
5.4.1.2 Input-Gate
5.4.1.3 Output-Gate
5.4.1.4 Zusammenfassung
5.4.2 Gradient Clipping
5.4.3 Varianten
5.4.4 LSTM-Implementierung
6 Convolutional Neural?Networks
6.1 Aufbau eines CNN
6.2 Detektionsteil
6.2.1 Kantenerkennung
6.2.2 Pooling
6.2.3 Schrittweite
6.2.4 2D- und 3D-Volumen
6.2.5 Aktivierungsfunktion
6.2.6 Ein sehr einfaches CNN
6.2.7 Subsampling
6.2.8 CNN mit Pooling Layer
6.3 Identifikationsteil
6.4 Schlussbemerkung
7 Machine Learning Frameworks
7.1 Einbindung von ML-Frameworks in C#
7.2 TensorFlow
7.2.1 Ablauf in TensorFlow
7.2.2 Das TensorBoard
7.2.3 Begriffe
7.2.4 TensorFlow Playground
7.3 Keras
7.4 Infer.NET
7.4.1 Probabilistische Programmierung
7.4.2 Arbeitsweise von Infer.NET
7.4.3 Infer.NET-Architektur
7.4.4 Infer.NET Modelling-API
7.4.5 Lernen und Trainieren
7.4.6 Infer.NET in der Anwendung
7.4.7 Das Modell entwerfen
7.4.8 Infer.NET anwenden
7.5 ML.NET mit AutoML und ModelBuilder
7.5.1 Einbinden von ML.NET
7.5.2 Was ist AutoML
7.5.3 Model Builder
7.5.4 Einbinden in das Projekt
7.5.5 Szenario
7.5.6 Daten
7.5.7 Training und Auswertung
7.5.8 Der Code
7.5.9 Automatisiert modellieren
7.5.10 Die Kommandozeile (CLI)
7.5.11 Die Zukunft von AutoML
7.6 Benutzerdefiniertes ML.NET
7.6.1 ML.NET-Komponenten
7.6.2 Benutzerdefinierter Workflow
7.6.3 Erstellen einer benutzerdefinierten Anwendung
7.6.4 Datentransformation
7.6.5 ML.NET-Algorithmus
7.6.6 Erstellen und Trainieren eines ML-Modells
7.6.7 Modellauswertung
7.6.8 Modellbereitstellung
7.6.9 TensorFlow, ONNX und ML.NET
8 SciSharp Stack
8.1 TensorFlow.NET
8.1.1 TensorFlow.NET-SDK installieren
8.1.2 Tensor
8.1.3 Platzhalter
8.1.4 Variable
8.1.5 Konstante
8.1.6 Berechnungsgraph
8.1.7 Lineare Regression
8.1.8 Von der Theorie zum Code
8.2 Keras.NET
8.2.1 Keras.NET installieren
8.2.2 Modelle erstellen
8.3 NeuralNetwork.NET
9 Machine Learning as?a Service
9.1 Amazon Machine Learning und KI-Services
9.1.1 Amazon Lex
9.1.2 Die Lex-Chatbot-Struktur
9.1.3 Entwickeln mit AWS-Lambda-Funktionen
9.2 Erstellen eines Lex-Chatbots für .NET
9.2.1 Erste Schritte
9.2.2 Beispiel Chatbot
9.2.3 Intents
9.2.4 Testen Sie den Bot
9.2.5 AWS-Lambda-Funktion
9.2.6 Slots
9.2.7 Error Handling
9.2.8 Konfigurieren von Cognito
9.2.9 Die Web-Applikation
9.3 Azure Cognitive Services
9.3.1 Intelligente kontextbasierte Suchfunktion
9.3.1.1 Bing-Websuche
9.3.1.2 Bing Suche über REST API
9.3.1.3 Die eigene Suchmaschine
9.4 Azure Machine Learning Studio
9.4.1 Arbeitsbereich
10 Anwendungen entwerfen
10.1 Predictive Analytics
10.1.1 Fallbeispiel: Energiebranche
10.1.2 Zeitreihenanalyse
10.1.3 Beispielprogramm und Anwendung der Prognose
10.1.4 Definieren der Pipeline
10.2 Bildklassifikation
10.2.1 Benötigte Daten
10.2.2 Projekt konfigurieren
10.2.3 Importieren des MNIST-Datensatzes
10.2.4 Aktivierungsfunktion
10.2.5 Input Layer
10.2.6 Hidden Layer
10.2.7 Output Layer
10.2.8 Neural Network
10.2.9 Initialisierung und Auswertung
10.2.10 Training und Backpropagation
10.2.11 Auswertung und Verbesserung
10.3 Visuelle Muster erkennen
10.3.1 Aufgabenstellung
10.3.2 Convolutional Layer
10.3.3 Pooling Layer
10.3.4 Flatten Layer
10.3.5 Fully Connected Layer
10.3.6 Methoden
10.3.7 Training
10.4 Objekterkennung
10.4.1 Transferlernen mit ML.NET
10.4.2 Neue Bilddaten vorbereiten
10.4.3 Trainiertes TensorFlow-Modell verwenden
10.4.4 MLContext, Pipeline und Prognose
10.5 Natural Language Processing
10.5.1 Textklassifikation
10.5.2 Merkmalsvektoren (Feature Vectors)
10.5.3 Texterkennung mit CNN
10.5.4 Textklassifikation mit RNN
10.5.5 Word Embedding mit ML.NET
10.5.6 Stoppwörter
10.6 Stanford CoreNLP für .NET
10.7 Sentiment-Analyse
10.7.1 Sentiment
10.7.2 Sentiment-Analyse mit ML.NET
10.7.3 Sentiment-Analyse mit AutoML
10.7.4 Modell erstellen mit dem Model Builder
10.7.5 Das Modell als Web-App
Referenzen und?Quellen
Stichwortverzeichnis

System requirements

Save as PDF Copy link into clipboard