© S&S Media GmbH
Buchtipp

Buchtipp: Deep Learning


Wer sich heute mit künstlicher Intelligenz auseinandersetzt, denkt so gut wie immer an Machine Learning. Ob der neu erschienenen Version 2 des TensorFlow Frameworks sah sich der Rheinwerk Verlag dazu genötigt, seinen Klassiker Deep Learning neu aufzulegen. Wir nutzen diese Gelegenheit für einen detaillierten Blick. Das Werk beginnt mit einer Kurzvorstellung verschiedener Einsatzbereiche für Deep Learning und einer Abgrenzung zwischen Deep Learning und anderen Arten der künstlichen Intelligenz. Das darauffolgende zweite Kapitel wagt einen Rundumschlag und geht auf die verschiedenen Arten des Lernens im Bereich des ML ein. Zusätzlichen Wert gewinnt das Buch durch eine Liste von 18 sehr nützlichen Datenquellen, die beim Füttern von selbst erstellten oder selbst zu parametrierenden Modellen Hunderte von Arbeitsstunden einsparen können.

Waren KI-Lehrbücher in der Vergangenheit mathematisch extrem anspruchsvoll, wird der Markt seit dem Hype von seichter Kost geradezu geflutet. Deru und Ndiaye liefern eine angenehme Ausnahme, da das dritte Kapitel zuerst die grundlegende Mathematik der neuronalen Netzwerke vorstellt, um danach einige populäre Netze wie auch YOLO im Detail vorzustellen. Die enorme Breite des Python-Ökosystems sorgte einerseits für die weite Verbreitung im Bereich KI, andererseits ist der Quereinstieg schwierig. Die beiden Autoren demonstrieren die Verwendung der Anaconda-Arbeitsumgebung, die im Lehrbuch unter Windows, macOS und Ubuntu Linux gleichermaßen Schritt für Schritt arbeitsbereit gemacht wird. Darauf folgen Programmierübungen, die die im dritten Kapitel durchgeführten mathematischen Überlegungen zur Architektur neuronaler Netzwerke zu vertiefen suchen.

Einer der Bausteine des aktuellen KI-Hypes ist die Verfügbarkeit einer Gruppe von Python-Bibliotheken, die die aufwandsarme Erzeugung von AI-Applikationen ermöglichen. Das fünfte Kapitel setzt sich mit der 10-Zentner-Sau im Raum auseinander: Die Autoren spendieren eine detaillierte Besprechung von TensorFlow 2, die neben der Programmierung auch auf die oft haarige Nutzung von Hardwarebeschleunigern und auf den Umstieg von TensorFlow-1-Anwendungen auf TensorFlow 2 eingeht. Darauf folgt eine Einführung in das Keras Framework, dessen Ergebnisse dann anschließend mit einer Gruppe verschiedener Visualisierungswerkzeuge sichtbar und somit begreifbar und auch realisierbar gemacht werden.

Da Python nicht jedermanns Sache ist, gibt es mit TensorFlow.js seit einiger Zeit eine Version des neuronalen N...

Neugierig geworden?

Angebote für Teams

Für Firmen haben wir individuelle Teamlizenzen. Wir erstellen Ihnen gerne ein passendes Angebot.

Das Library-Modell:
IP-Zugang

Das Company-Modell:
Domain-Zugang