Deep Learning für Anfänger 2: Implementierung von rekurrenten neuronalen Netzen, VAE und GAN (Maschinelles Lernen) in Python

Dies ist der zweite Teil einer Reihe über die Grundlagen des Deep Learning, unterrichtet von einem beliebten Dozenten auf der Online-Bildungsplattform Udemy.. Das vorherige Buch, „Deep Learning für Anfänger“, erklärte das Allernötigste.: Neuronale Netze und Backpropagation, einfach erklärt, auch für Anfänger. Dieses Buch erklärt rekurrente neuronale Netze (RNNs), die im Bereich der natürlichen Sprachverarbeitung sehr wertvoll sind, sowie die generativen Deep-Learning-Modelle VAE (Variational Autoencoder) und GAN (Generative Adversarial Networks), einschließlich Implementierungsmethoden. Nach dem vorherigen Buch wird die Programmimplementierung vollständig in Python durchgeführt, ohne auf vorhandene Frameworks zurückzugreifen.

[Buchmerkmale] - Für diejenigen, die das vorherige Buch nicht gelesen haben, gibt es Kapitel, die die Grundlagen von Python, Mathematik und neuronalen Netzen erklären. - Die Beispielprogramme sind vollständig in Python geschrieben, ohne die Verwendung von Frameworks.. Dies macht die Prinzipien des Codierens mathematischer Formeln auch für Anfänger leicht verständlich. - Die Beispielprogramme können von der Website der SB Creative Corporation heruntergeladen werden. Kompatibel mit Python 3, Jupyter Notebook und Google Colaboratory

Kapitel 1: Die Entwicklung des Deep Learning Überblick über Deep Learning Anwendungen des Deep Learning Technologien, die in diesem Buch behandelt werden So verwenden Sie dieses Buch

Kapitel 2: Vorbereitung auf das Lernen Ein Anaconda-Environment einrichten Wie man Google Colaboratory benutzt Wie man Jupyter Notebook benutzt Python-Grundlagen NumPy und matplotlib Grundlegende Mathematik

Kapitel 3: Grundlagen des Deep Learning Überblick über Neuronale Netze und Deep Learning Vorwärtspropagation durch vollständig verbundene Schichten Backpropagation durch vollständig vernetzte Schichten Implementierung einer vollständig verbundenen Schicht Einfache Deep Learning Implementierung

Kapitel 4: RNN Überblick über RNNs Vorwärtspropagation durch RNN-Schichten Backpropagation durch RNN-Schichten Implementierung einer RNN-Schicht Einfache RNN-Implementierung Probleme bei RNNs

Kapitel 5: LSTM Überblick über LSTMs Vorwärts-Propagation durch LSTM-Schichten Backpropagation durch LSTM-Schichten Implementierung einer LSTM-Schicht Einfache LSTM-Implementierung Automatische Textgenerierung

Kapitel 6: GRU Überblick über GRU Vorwärtsweiterleitung einer GRU-Schicht Rückwärtsausbreitung der GRU-Schicht Implementierung einer GRU-Schicht Einfache GRU-Implementierung Encoder-Decoder

Kapitel 7: VAE Überblick über VAE Wie VAE funktioniert Implementierung von Autoencodern Schichten für VAE erforderlich Implementierung eines VAE VAE-Derivate Kapitel 8: GAN Überblick über GANs Wie GAN funktioniert Schichten, die für GANs benötigt werden GAN implementieren GAN-Derivate