Скачать книгу

Trainingsschleife erstellen

       Überblick über beliebte RL-Algorithmen

       Übungen

       19TensorFlow-Modelle skalierbar trainieren und deployen

       Ein TensorFlow-Modell ausführen

       TensorFlow Serving verwenden

       Einen Vorhersageservice auf der GCP AI Platform erstellen

       Den Vorhersageservice verwenden

       Ein Modell auf ein Mobile oder Embedded Device deployen

       Mit GPUs die Berechnungen beschleunigen

       Sich eine eigene GPU zulegen

       Eine mit GPU ausgestattete virtuelle Maschine einsetzen

       Colaboratory

       Das GPU-RAM verwalten

       Operationen und Variablen auf Devices verteilen

       Paralleles Ausführen auf mehreren Devices

       Modelle auf mehreren Devices trainieren

       Parallelisierte Modelle

       Parallelisierte Daten

       Mit der Distribution Strategies API auf mehreren Devices trainieren

       Ein Modell in einem TensorFlow-Cluster trainieren

       Große Trainingsjobs auf der Google Cloud AI Platform ausführen

       Black Box Hyperparameter Tuning auf der AI Platform

       Übungen

       Vielen Dank!

       ALösungen zu den Übungsaufgaben

       BCheckliste für Machine-Learning-Projekte

       CDas duale Problem bei SVMs

       DAutodiff

       EWeitere verbreitete Architekturen neuronaler Netze

       FSpezielle Datenstrukturen

       GTensorFlow-Graphen

       Index

       Vorwort

       Der Machine-Learning-Tsunami

      Im Jahr 2006 erschien ein Artikel (https://homl.info/136) von Geoffrey Hinton et al.,1 in dem vorgestellt wurde, wie sich ein neuronales Netz zum Erkennen handgeschriebener Ziffern mit ausgezeichneter Genauigkeit (> 98%) trainieren lässt. Ein Deep Neural Network ist ein (sehr) vereinfachtes Modell unseres zerebralen Kortex, und es besteht aus einer Folge von Schichten mit künstlichen Neuronen. Die Autoren nannten diese Technik »Deep Learning«. Zu dieser Zeit wurde das Trainieren eines Deep-Learning-Netzes im Allgemeinen als unmöglich angesehen,2 und die meisten Forscher hatten die Idee in den 1990ern aufgegeben. Dieser Artikel ließ das Interesse der wissenschaftlichen Gemeinde wieder aufleben, und schon nach kurzer Zeit zeigten weitere Artikel, dass Deep Learning nicht nur möglich war, sondern umwerfende Dinge vollbringen konnte, zu denen kein anderes Machine-Learning-(ML-)Verfahren auch nur annähernd in der Lage war (mithilfe enormer Rechenleistung und riesiger Datenmengen). Dieser Enthusiasmus breitete sich schnell auf weitere Teilgebiete des Machine Learning aus.

      Zehn Jahre später hat Machine Learning ganze Industriezweige erobert: Es ist zu einem Herzstück heutiger Spitzentechnologien geworden und dient dem Ranking von Suchergebnissen im Web, kümmert sich um die Spracherkennung Ihres Smartphones, gibt Empfehlungen für Videos und schlägt den Weltmeister im Brettspiel Go. Über kurz oder lang wird ML vermutlich auch Ihr Auto steuern.

       Machine Learning in Ihren Projekten

      Deshalb interessieren Sie sich natürlich auch für Machine Learning und möchten an der Party teilnehmen!

      Womöglich möchten Sie Ihrem selbst gebauten Roboter einen eigenen Denkapparat geben? Ihn Gesichter erkennen lassen? Oder lernen lassen, herumzulaufen?

      Oder vielleicht besitzt Ihr Unternehmen Unmengen an Daten (Logdateien, Finanzdaten, Produktionsdaten, Sensordaten, Hotline-Statistiken, Personalstatistiken und so weiter), und Sie könnten vermutlich einige verborgene Schätze heben, wenn Sie nur wüssten, wo Sie danach suchen müssten, beispielsweise:

       Kundensegmente finden und für jede Gruppe die beste Marketingstrategie entwickeln.

       Jedem Kunden anhand des Kaufverhaltens ähnlicher Kunden Produktempfehlungen geben.

       Betrügerische Transaktionen mit hoher Wahrscheinlichkeit erkennen.

       Den Unternehmensgewinn im nächsten Jahr vorhersagen.

      Was immer der Grund ist, Sie haben beschlossen, Machine Learning zu erlernen und in Ihren Projekten umzusetzen. Eine ausgezeichnete Idee!

       Ziel und Ansatz

      Dieses Buch geht davon aus, dass Sie noch so gut

Скачать книгу