
Machine Learning und KI kompakt
Description
Alles über E-Books | Antworten auf Fragen rund um E-Books, Kopierschutz und Dateiformate finden Sie in unserem Info- & Hilfebereich.
More details
Other editions
Additional editions


Persons
Content
- Cover
- Titel
- Impressum
- Inhalt
- Vorwort
- Danksagungen
- Einleitung
- Teil I Neuronale Netze und Deep Learning
- 1 Einbettungen, latenter Raum und Repräsentationen
- 1.1 Einbettungen
- 1.2 Latenter Raum
- 1.3 Repräsentation
- 1.4 Übungen
- 1.5 Referenzen
- 2 Selbstüberwachtes Lernen
- 2.1 Selbstüberwachtes Lernen vs. Transferlernen
- 2.2 Ungelabelte Daten nutzen
- 2.3 Selbstvorhersage und kontrastives selbstüberwachtes Lernen
- 2.4 Übungen
- 2.5 Referenzen
- 3 Few-Shot-Lernen
- 3.1 Datensätze und Terminologie
- 3.2 Übungen
- 4 Die Lotterie-Ticket-Hypothese
- 4.1 Das Lotterie-Ticket-Trainingsverfahren
- 4.2 Praktische Konsequenzen und Einschränkungen
- 4.3 Übungen
- 4.4 Referenzen
- 5 Überanpassung mit Daten verringern
- 5.1 Allgemeine Methoden
- 5.2 Übungen
- 5.3 Referenzen
- 6 Überanpassung durch Modellmodifikationen reduzieren
- 6.1 Allgemeine Methoden
- 6.2 Andere Methoden
- 6.3 Eine Regularisierungstechnik auswählen
- 6.4 Übungen
- 6.5 Referenzen
- 7 Multi-GPU-Trainingsparadigmen
- 7.1 Die Trainingsparadigmen
- 7.2 Empfehlungen
- 7.3 Übungen
- 7.4 Referenzen
- 8 Der Erfolg der Transformer
- 8.1 Der Aufmerksamkeitsmechanismus
- 8.2 Vortraining durch selbstüberwachtes Lernen
- 8.3 Große Anzahl von Parametern
- 8.4 Einfache Parallelisierung
- 8.5 Übungen
- 8.6 Referenzen
- 9 Generative KI-Modelle
- 9.1 Generative vs. diskriminative Modellierung
- 9.2 Arten von tiefen generativen Modellen
- 9.3 Empfehlungen
- 9.4 Übungen
- 9.5 Referenzen
- 10 Quellen der Zufälligkeit
- 10.1 Initialisierung der Modellgewichte
- 10.2 Sampling und Shuffling von Datensätzen
- 10.3 Nichtdeterministische Algorithmen
- 10.4 Verschiedene Laufzeitalgorithmen
- 10.5 Hardware und Treiber
- 10.6 Zufälligkeit und generative KI
- 10.7 Übungen
- 10.8 Referenzen
- Teil II Computer Vision
- 11 Die Anzahl der Parameter berechnen
- 11.1 Wie man die Anzahl der Parameter ermittelt
- 11.2 Praktische Anwendungen
- 11.3 Übungen
- 12 Vollständig verbundene und konvolutionale Schichten
- 12.1 Szenario: Gleiche Größen von Kernel und Eingabe
- 12.2 Szenario: Kernel-Größe ist 1
- 12.3 Empfehlungen
- 12.4 Übungen
- 13 Große Trainingsmengen für Vision Transformer
- 13.1 Induktive Verzerrungen in CNNs
- 13.2 ViTs können CNNs übertreffen
- 13.3 Induktive Verzerrungen in ViTs
- 13.4 Empfehlungen
- 13.5 Übungen
- 13.6 Referenzen
- Teil III Natural Language Processing
- 14 Die Verteilungshypothese
- 14.1 Word2vec, BERT und GPT
- 14.2 Trifft die Hypothese zu?
- 14.3 Übungen
- 14.4 Referenzen
- 15 Datenvermehrung für Text
- 15.1 Ersetzen von Synonymen
- 15.2 Löschen von Wörtern
- 15.3 Vertauschen von Wortpositionen
- 15.4 Sätze mischen
- 15.5 Rauschinjektion
- 15.6 Rückübersetzung
- 15.7 Synthetische Daten
- 15.8 Empfehlungen
- 15.9 Übungen
- 15.10 Referenzen
- 16 Selbstaufmerksamkeit
- 16.1 Aufmerksamkeit in RNNs
- 16.2 Der Selbstaufmerksamkeitsmechanismus
- 16.3 Übungen
- 16.4 Referenzen
- 17 Encoder- und Decoder-Transformer
- 17.1 Der ursprüngliche Transformer
- 17.2 Encoder-Decoder-Hybride
- 17.3 Terminologie
- 17.4 Aktuelle Transformer-Modelle
- 17.5 Übungen
- 17.6 Referenzen
- 18 Transformer verwenden und feinabstimmen
- 18.1 Transformer für Klassifizierungsaufgaben verwenden
- 18.2 Kontextbezogenes Lernen, Indizierung und Prompt-Feinabstimmung
- 18.3 Parametereffiziente Feinabstimmung
- 18.4 Reinforcement Learning mit menschlicher Rückmeldung
- 18.5 Vortrainierte Sprachmodelle anpassen
- 18.6 Übungen
- 18.7 Referenzen
- 19 Generative LLMs evaluieren
- 19.1 Bewertungsmetriken für LLMs
- 19.2 Übungen
- 19.3 Referenzen
- Teil IV Produktion und Deployment
- 20 Zustandsloses und zustandsbehaftetes Training
- 20.1 Zustandsloses (Re-)Training
- 20.2 Zustandsbehaftetes Training
- 20.3 Übungen
- 21 Datenzentrierte KI
- 21.1 Datenzentrierte vs. modellzentrierte KI
- 21.2 Empfehlungen
- 21.3 Übungen
- 21.4 Referenzen
- 22 Inferenz beschleunigen
- 22.1 Parallelisierung
- 22.2 Vektorisierung
- 22.3 Schleifenkachelung
- 22.4 Operatorfusion
- 22.5 Quantisierung
- 22.6 Übungen
- 22.7 Referenzen
- 23 Datenverteilungsverschiebungen
- 23.1 Kovariatenverschiebung
- 23.2 Labelverschiebung
- 23.3 Konzeptverschiebung
- 23.4 Domänenverschiebung
- 23.5 Arten von Datenverteilungsverschiebungen
- 23.6 Übungen
- 23.7 Referenzen
- Teil V Vorhersageperformance und Modellevaluierung
- 24 Poisson- und ordinale Regression
- 24.1 Übungen
- 25 Konfidenzintervalle
- 25.1 Konfidenzintervalle definieren
- 25.2 Die Methoden
- 25.3 Empfehlungen
- 25.4 Übungen
- 25.5 Referenzen
- 26 Konfidenzintervalle vs. konforme Vorhersagen
- 26.1 Konfidenzintervalle und Vorhersageintervalle
- 26.2 Vorhersageintervalle und konforme Vorhersagen
- 26.3 Vorhersagebereiche, -intervalle und -mengen
- 26.4 Konforme Vorhersagen berechnen
- 26.5 Beispiel für eine konforme Vorhersage
- 26.6 Die Vorteile der konformen Vorhersagen
- 26.7 Empfehlungen
- 26.8 Übungen
- 26.9 Referenzen
- 27 Geeignete Metriken
- 27.1 Die Kriterien
- 27.2 Der mittlere quadratische Fehler
- 27.3 Der Kreuzentropieverlust
- 27.4 Übungen
- 28 Das k in der k-fachen Kreuzvalidierung
- 28.1 Kompromisse bei der Auswahl von Werten für k
- 28.2 Geeignete Werte für k bestimmen
- 28.3 Übungen
- 28.4 Referenzen
- 29 Diskordanz zwischen Trainings- und Testdatensatz
- 29.1 Übungen
- 30 Begrenzte gelabelte Daten
- 30.1 Die Modellperformance mit begrenzten gelabelten Daten verbessern
- 30.2 Empfehlungen
- 30.3 Übungen
- 30.4 Referenzen
- Nachwort
- Lösungen zu den Übungen
- Fußnoten
- Index
System requirements
File format: PDF
Copy protection: Watermark-DRM (Digital Rights Management)
System requirements:
- Computer (Windows; MacOS X; Linux): Use the free software Adobe Reader, Adobe Digital Editions, or any other PDF viewer of your choice (see eBook Help).
- Tablet/Smartphone (Android; iOS): Install the free app Adobe Digital Editions or another reading app for eBooks, e.g., PocketBook (see eBook Help).
- E-reader: Bookeen, Kobo, Pocketbook, Sony, Tolino and many more (only limited: Kindle).
The file format PDF always displays a book page identically on any hardware. This makes PDF suitable for complex layouts such as those used in textbooks and reference books (images, tables, columns, footnotes). Unfortunately, on the small screens of e-readers or smartphones, PDFs are rather annoying, requiring too much scrolling.
This eBook uses Watermark-DRM, a „soft” copy protection. This means that there are no technical restrictions to prevent illegal distribution. However, there is a personalised watermark embedded in the eBook that can be used to identify the purchaser of the eBook in the event of misuse and to provide evidence for legal purposes.
For more information, see our eBook Help page.