Machine Learning für Softwareentwickler
Von der Python-Codezeile zur Deep-Learning-Anwendung
Published on 1. September 2020
396 pages
978-3-96910-025-7 (ISBN)
Available for download
Description
Eine Einführung in das maschinelle Lernen für Entwickler
Alle wesentlichen Ideen, Werkzeuge und Konzepte des supervised Learning, von neuronalen Netzen und des Deep Learning werden präsentiert
Der gesamte Programmcode ist in Python geschrieben
More details
Other editions
Additional editions
Paolo Perrotta
Machine Learning für Softwareentwickler
Von der Python-Codezeile zur Deep-Learning-Anwendung
Book
09/2020
1st Edition
dpunkt
€34.90
No shipping information available
Persons
Paolo Perrotta ist ein reisender Software-Mentor. Er schrieb das Buch "Metaprogramming Ruby" für die Pragmatic Programmers und produzierte die beliebte Schulung "Wie Git funktioniert" für Pluralsight. Er spricht häufig - auf Konferenzen und, laut seinen Freunden und seiner Familie, so ziemlich überall sonst.
Content
- Cover
- Titel
- Impressum
- Inhalt
- Widmung
- Danksagung
- Wie um alles in der Welt ist so etwas möglich?
- Über dieses Buch
- Bevor wir beginnen
- Teil 1 Von null auf Bilderkennung
- 1 Einführung in Machine Learning
- Programmierung und Machine Learning im Vergleich
- Überwachtes Lernen
- Die Mathematik hinter dem Zaubertrick
- Das System einrichten
- 2 Ihr erstes ML-Programm
- Die Aufgabenstellung
- Pizzavorhersage mit überwachtem Lernen
- Zusammenhänge in den Daten erkennen
- Eine lineare Regression programmieren
- Das Modell definieren
- Eine Vorhersage treffen
- Das Training implementieren
- Los geht's!
- Bias hinzufügen
- Zusammenfassung
- Praktische Übung: Die Lernrate optimieren
- 3 Am Gradienten entlang
- Unser Algorithmus bringt es nicht
- Das Gradientenverfahren
- Ein wenig Mathematik
- Abwärts
- Die dritte Dimension
- Partielle Ableitung
- Die Probe aufs Exempel
- Probleme beim Gradientenverfahren
- Zusammenfassung
- Praktische Übung: Über das Ziel hinaus
- 4 Hyperräume
- Noch mehr Dimensionen
- Matrizenrechnung
- Matrizen multiplizieren
- Matrizen transponieren
- Das ML-Programm erweitern
- Die Daten aufbereiten
- Die Vorhersagefunktion anpassen
- Die Verlustfunktion anpassen
- Die Gradientenfunktion anpassen
- Der Code im Ganzen
- Bye-bye, Bias!
- Ein letzter Testlauf
- Zusammenfassung
- Praktische Übung: Statistik in der Praxis
- 5 Ein binärer Klassifizierer
- Grenzen der linearen Regression
- Invasion der Sigmoiden
- Konfidenz
- Glätten
- Den Gradienten anpassen
- Was ist mit der Modellfunktion geschehen?
- Klassifizierung in Aktion
- Zusammenfassung
- Praktische Übung: Gewichtige Entscheidungen
- 6 Eine Aufgabe aus der Praxis
- Die Daten
- MNIST
- Trainings- und Testdatensatz
- Unsere eigene MNIST-Bibliothek
- Die Eingabematrizen vorbereiten
- Die Daten aufbereiten
- Anwendung in der Praxis
- Zusammenfassung
- Praktische Übung: Knifflige Ziffern
- 7 Die große Herausforderung
- Von zwei zu mehr Klassen
- 1-aus-n-Codierung
- 1-aus-n-Codierung in Aktion
- Die Antworten des Klassifizierers decodieren
- Mehr Gewichte
- Die Matrixdimensionen überprüfen
- Der Augenblick der Wahrheit
- Zusammenfassung
- Praktische Übung: Minensucher
- 8 Das Perzeptron
- Gestatten, das Perzeptron!
- Perzeptrone kombinieren
- Die Grenzen von Perzeptronen
- Linear separierbare Daten
- Nicht linear separierbare Daten
- Die Geschichte des Perzeptrons
- Der entscheidende Schlag
- Nachwehen
- Teil 2 Neuronale Netze
- 9 Das Netz entwerfen
- Ein neuronales Netz aus Perzeptronen zusammenstellen
- Perzeptrone verketten
- Wie viele Knoten?
- Die Softmax-Funktion
- Der Entwurf
- Zusammenfassung
- Praktische Übung: Auf eigene Faust
- 10 Das Netz erstellen
- Die Forward-Propagation programmieren
- Die Softmax-Funktion schreiben
- Die Klassifizierungsfunktionen schreiben
- Kreuzentropie
- Zusammenfassung
- Praktische Übung: Test durch Zeitreise
- 11 Das Netz trainieren
- Wozu Backpropagation?
- Von der Kettenregel zur Backpropagation
- Die Kettenregel in einem einfachen Netz
- Es wird komplizierter
- Backpropagation anwenden
- Auf Kurs bleiben
- Den Gradienten von w2 berechnen
- Den Gradienten von w1 berechnen
- Die Funktion back() erstellen
- Die Gewichte initialisieren
- Gefährliche Symmetrie
- Tote Neuronen
- Korrekte Gewichtsinitialisierung
- Das fertige neuronale Netz
- Zusammenfassung
- Praktische Übung: Fehlstart
- 12 Funktionsweise von Klassifizierern
- Eine Entscheidungsgrenze einzeichnen
- Heimspiel für das Perzeptron
- Klassifizierung verstehen
- Eine Gerade reicht nicht aus
- Die Entscheidungsgrenze krümmen
- Zusammenfassung
- Praktische Übung: Albtraumdaten
- 13 Das Mini-Batch-Verfahren
- Der Lernvorgang grafisch dargestellt
- Batch für Batch
- Batches erstellen
- Training mit Batches
- Was geschieht bei verschiedenen Batchgrößen?
- Ein Zickzackpfad
- Große und kleine Batches
- Vor- und Nachteile von Batches
- Zusammenfassung
- Praktische Übung: Das kleinste Batch
- 14 Die Kunst des Testens
- Die Gefahr der Überanpassung
- Das Problem mit dem Testdatensatz
- Zusammenfassung
- Praktische Übung: Überlegungen zum Testen
- 15 Entwicklung
- Daten aufbereiten
- Den Wertebereich der Eingabevariablen prüfen
- Eingabevariablen standardisieren
- Standardisierung in der Praxis
- Die Hyperparameter anpassen
- Die Anzahl der Epochen festlegen
- Die Anzahl der verdeckten Knoten einstellen
- Die Lernrate einstellen
- Die Batchgröße festlegen
- Der Abschlusstest
- Auf dem Weg zu 99 %
- Praktische Übung: 99 % erreichen
- Zusammenfassung und Vorschau
- Teil 3 Deep Learning
- 16 Tiefere Netze
- Der Echidna-Datensatz
- Neuronale Netze mit Keras erstellen
- Den Aufbau des Netzes planen und der erste Code
- Die Daten laden
- Das Modell erstellen
- Das Modell kompilieren
- Das Netz trainieren
- Die Entscheidungsgrenze einzeichnen
- Das Netz ausführen
- Ein tieferes Netz
- Zusammenfassung
- Praktische Übung: Keras-Spielwiese
- 17 Überanpassung vermeiden
- Was ist Überanpassung?
- Ursachen der Überanpassung
- Unteranpassung
- Das Modell regularisieren
- Eine Untersuchung unseres tiefen Netzes
- L1- und L2-Regularisierung
- Weitere Möglichkeiten zur Regularisierung
- Zusammenfassung
- Praktische Übung: Weitere Regularisierungstechniken
- 18 Tiefe Netze zähmen
- Aktivierungsfunktionen
- Wozu Aktivierungsfunktionen gut sind
- Die sigmoide Aktivierungsfunktion und ihre Auswirkungen
- Verschwindender Gradient
- Alternativen zur Sigmoidfunktion
- Gestatten, die ReLU-Aktivierungsfunktion
- Die richtige Funktion auswählen
- Weitere Techniken
- Bessere Gewichtsinitialisierung
- Gradientenabstieg auf Speed
- Regularisierung für Fortgeschrittene
- Batchnormalisierung
- Zusammenfassung
- Praktische Übung: Die 10-Epochen-Aufgabe
- 19 Jenseits von Standardnetzen
- Der CIFAR-10-Datensatz
- Was ist CIFAR-10?
- Das CIFAR-Waterloo
- Die Bausteine von Faltungsnetzen
- Ein Bild ist ein Bild
- Faltung
- Konvolutionsschichten
- Ein Faltungsnetz ausführen
- Zusammenfassung
- Praktische Übung: Massenweise Hyperparameter
- 20 Der Weg in die Tiefe
- Der Aufstieg des Deep Learning
- Es braut sich etwas zusammen
- Der Wendepunkt
- Fortsetzung folgt
- Unverhältnismäßige Effektivität
- Was nun?
- Maschinelles Sehen
- Sprache
- Bildgenerierung
- Das Gesamtbild
- Praktischer Einstieg
- Sie sind am Zug
- Anhang
- A Grundlagen von Python
- Wie sieht Python-Code aus?
- Dynamische Typisierung
- Einrückungen
- Die Bausteine von Python
- Datentypen und Operatoren
- Datenstrukturen
- Strings
- Schleifen
- Funktionen definieren und aufrufen
- Schlüsselwortargumente
- Standardargumente
- Module und Pakete
- Module definieren und importieren
- Das __main__-Idiom
- Pakete verwalten
- Objekte erstellen und verwenden
- Das war's
- B Wörterbuch des Machine Learning
- Stichwortverzeichnis
- Fußnoten
