Deep Learning ist die Schlüsseltechnologie der Künstlichen Intelligenz. Neuronale Netze bringen Höchstleistung, wenn sie zu Deep-Learning-Modellen verknüpft werden – vorausgesetzt, Sie machen es richtig. Gute Trainingsdaten beschaffen, geschickt implementieren und mehr: Lernen Sie hier, wie Sie die mächtige Technologie wirklich in Ihren Dienst nehmen.Die Autoren zeigen Ihnen sowohl die Arbeit mit Python und Keras als auch für den Browser mit JavaScript, HTML5 und TensorFlow.js. Und das alles ganz aktuell zu TensorFlow 2.
KI-Projekte mit Deep Learning umsetzen
Grundkonzepte verstehen
Wie funktioniert Deep Learning und wofür können Sie die Methode nutzen? Hier erfahren Sie alles, was Sie für die Implementierung und das Training neuronaler Netze benötigen – mit zahlreichen Übungen anhand verschiedener Beispieldaten.
Netze trainieren
Under- und Overfitting vermeiden, Lernrate und Co. richtig wählen, Daten sinnvoll aufbereiten: Zahlreiche Tipps aus der Praxis zeigen Ihnen, worauf es im Detail ankommt und wie Sie die Trefferquote Ihrer Netze erhöhen.
Praxisnah entwickeln
Machen Sie sich Bibliotheken und Frameworks zunutze – etwa für das Laden von Datasets oder zum Export Ihrer TensorFlow- und Keras-Modelle für TensorFlow.js und ml5.js.
Was sind Machine und Deep Learning eigentlich? Ziel der der Künstlichen Intelligenz sind Systeme, die in einigen Bereichen mindestens die gleiche Performanz wie ein menschlicher Experte erreichen. In dieser
Leseprobe geben die Autoren eine Einführung in das Prinzip der wissensbasierten Verarbeitung anhand Systemen zu regelbasiertem und zu erfahrungsbasiertem Problemlösen.
Wer hat's geschrieben?
Dr. Matthieu Deru ist Senior Software-Engineer (R&D) und UX-Designer für interaktive Systeme am Deutschen Forschungszentrum für Künstliche Intelligenz GmbH (DFKI). Seine Projekterfahrung umfasst Themengebiete, die so vielseitig sind wie die Anwendungsfelder der KI, von intelligenten Benutzerschnittstellen bis zu komplexen Vorhersagenmodellen für die Elektromobilität.
Dr. Alassane Ndiaye ist als Senior Software-Engineer (R&D) und Projektleiter seit über 20 Jahren am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) sowohl in Forschungs- als auch in Industrie- und Transferprojekten tätig. Machine Learning setzt er unter anderem in Prognoseverfahren für die Energiewirtschaft und die Elektromobilität ein.
