| Inhalt | 5 |
| Vorwort | 9 |
| Kapitel 1: Werkzeuge und Techniken | 17 |
| 1.1 Arten neuronaler Netze | 17 |
| 1.2 Datenbeschaffung | 28 |
| 1.3 Vorverarbeitung von Daten | 35 |
| Kapitel 2: Fehlerbehebung | 43 |
| 2.1 Probleme bemerken | 43 |
| 2.2 Laufzeitfehler beheben | 44 |
| 2.3 Zwischenergebnisse überprüfen | 47 |
| 2.4 Wählen der richtigen Aktivierungsfunktion (für die letzte Schicht) | 48 |
| 2.5 Regularisierung und Drop-out | 49 |
| 2.6 Netzwerkstruktur, Batch-Größe und Lernrate | 51 |
| Kapitel 3: Die Ähnlichkeit von Texten mithilfe von Worteinbettungen berechnen | 53 |
| 3.1 Wortähnlichkeiten mithilfe vortrainierter Worteinbettungen finden | 54 |
| 3.2 Word2vec-Mathematik | 56 |
| 3.3 Worteinbettungen visualisieren | 58 |
| 3.4 Objektklassen in Einbettungen finden | 60 |
| 3.5 Semantische Abstände innerhalb einer Klasse berechnen | 63 |
| 3.6 Länderdaten auf einer Landkarte visualisieren | 65 |
| Kapitel 4: Ein Empfehlungssystem anhand ausgehender Wikipedia-Links erstellen | 67 |
| 4.1 Sammeln der Daten | 67 |
| 4.2 Trainieren von Filmeinbettungen | 71 |
| 4.3 Ein Filmempfehlungssystem erstellen | 74 |
| 4.4 Vorhersagen einfacher Filmmerkmale | 75 |
| Kapitel 5: Text im Stil eines Beispieltexts generieren | 79 |
| 5.1 Den Text von gemeinfreien Büchern beschaffen | 79 |
| 5.2 Texte im Stil von Shakespeare generieren | 80 |
| 5.3 Code mit RNNs erzeugen | 84 |
| 5.4 Steuerung der Temperatur des Outputs | 86 |
| 5.5 Visualisierung der Aktivierungen eines rekurrenten Netzwerks | 88 |
| Kapitel 6: Übereinstimmende Fragen | 91 |
| 6.1 Daten aus Stack Exchange beschaffen | 91 |
| 6.2 Erkundung der Daten mit Pandas | 93 |
| 6.3 Textkodierung in Keras | 94 |
| 6.4 Ein Frage-Antwort-Modell entwickeln | 95 |
| 6.5 Training eines Modells mit Pandas | 97 |
| 6.6 Überprüfung von Gemeinsamkeiten | 98 |
| Kapitel 7: Emojis vorschlagen | 101 |
| 7.1 Einen einfachen Stimmungsklassifikator entwickeln | 101 |
| 7.2 Inspizieren eines einfachen Klassifikators | 104 |
| 7.3 Ein Konvolutionsnetz zur Stimmungsanalyse verwenden | 105 |
| 7.4 Twitter-Daten sammeln | 108 |
| 7.5 Ein simples Vorhersagemodell für Emojis | 109 |
| 7.6 Drop-out und variierende Fenstergröße | 111 |
| 7.7 Ein wortbasiertes Modell erstellen | 112 |
| 7.8 Eigene Einbettungen erzeugen | 114 |
| 7.9 Ein rekurrentes neuronales Netzwerk zur Klassifikation verwenden | 116 |
| 7.10 Übereinstimmung visualisieren | 118 |
| 7.11 Modelle miteinander kombinieren | 120 |
| Kapitel 8: Sequenz-zu-Sequenz-Mapping | 123 |
| 8.1 Trainieren eines einfachen Sequenz-zu-Sequenz-Modells | 123 |
| 8.2 Dialoge aus Texten extrahieren | 125 |
| 8.3 Einen frei verfügbaren Wortschatz handhaben | 127 |
| 8.4 Einen seq2seq-Chatbot trainieren | 128 |
| Kapitel 9: Ein vortrainiertes Netzwerk zur Bilderkennung verwenden | 133 |
| 9.1 Ein vortrainiertes Netzwerk laden | 133 |
| 9.2 Vorverarbeitung der Bilder | 134 |
| 9.3 Vorhersagen des Bildinhalts (Inferenz) | 136 |
| 9.4 Einen gelabelten Bilddatensatz mit der Flickr-API sammeln | 137 |
| 9.5 Einen Hund-Katze-Klassifikator erstellen | 138 |
| 9.6 Suchergebnisse verbessern | 140 |
| 9.7 Trainieren vortrainierter Netzwerke zur Bilderkennung | 142 |
| Kapitel 10: Eine Reverse-Image-Suchmaschine erstellen | 145 |
| 10.1 Zugriff auf Bilder von Wikipedia | 145 |
| 10.2 Projektion von Bildern in einen N-dimensionalen Raum | 148 |
| 10.3 Nächste Nachbarn in hochdimensionalen Räumen finden | 149 |
| 10.4 Lokale Nachbarschaften in Einbettungen erkunden | 150 |
| Kapitel 11: Mehrere Bildinhalte erkennen | 153 |
| 11.1 Erkennen mehrerer Bildinhalte mithilfe eines vortrainierten Klassifikators | 153 |
| 11.2 Bilderkennung mithilfe eines Faster RCNN | 157 |
| 11.3 Eigene Bilder in einem Faster RCNN verwenden | 160 |
| Kapitel 12: Mit Bildstilen arbeiten | 163 |
| 12.1 Aktivierungen eines CNN visualisieren | 164 |
| 12.2 Oktaven und Vergrößerung | 167 |
| 12.3 Veranschaulichen, was ein neuronales Netzwerk in etwa wahrnimmt | 169 |
| 12.4 Den Stil eines Bilds erfassen | 172 |
| 12.5 Verbessern der Verlustfunktion zur Erhöhung der Bildkohärenz | 175 |
| 12.6 Einen Stil auf ein anderes Bild übertragen | 177 |
| 12.7 Stilinterpolation | 178 |
| Kapitel 13: Bilder mit Autoencodern erzeugen | 181 |
| 13.1 Zeichnungen aus Google Quick Draw importieren | 182 |
| 13.2 Einen Autoencoder für Bilder erstellen | 183 |
| 13.3 Visualisierung der Ergebnisse von Autoencodern | 186 |
| 13.4 Sampling von Bildern aus einer korrekten Verteilung | 187 |
| 13.5 Den latenten Raum eines Variational Autoencoders visualisieren | 191 |
| 13.6 Conditional Variational Autoencoder | 192 |
| Kapitel 14: Piktogramme mithilfe von neuronalen Netzwerken erzeugen | 197 |
| 14.1 Piktogramme zum Trainieren beschaffen | 198 |
| 14.2 Piktogramme in eine Tensor-Darstellung umwandeln | 200 |
| 14.3 Piktogramme mithilfe eines Variational Autoencoders erzeugen | 201 |
| 14.4 Datenanreicherung zur Verbesserung der Leistung des Autoencoders | 204 |
| 14.5 Ein Generative Adversarial Network aufbauen | 205 |
| 14.6 Generative Adversarial Networks trainieren | 207 |
| 14.7 Mit einem GAN erzeugte Piktogramme anzeigen | 209 |
| 14.8 Piktogramme als Zeichenanleitung kodieren | 211 |
| 14.9 Trainieren eines RNN zum Zeichnen von Piktogrammen | 212 |
| 14.10 Piktogramme mithilfe eines RNN erzeugen | 213 |
| Kapitel 15: Musik und Deep Learning | 217 |
| 15.1 Einen Trainingsdatensatz zur Musikklassifikation erstellen | 218 |
| 15.2 Einen Musikgenre-Detektor trainieren | 220 |
| 15.3 Visualisierung von Klassifikationsirrtümern | 222 |
| 15.4 Indexierung vorhandener Musik | 224 |
| 15.5 Die Spotify-API einrichten | 226 |
| 15.6 Playlisten und Musikstücke von Spotify sammeln | 227 |
| 15.7 Ein Musikempfehlungssystem trainieren | 230 |
| 15.8 Musikstücke empfehlen mithilfe eines Word2vec-Modells | 231 |
| Kapitel 16: Machine-Learning-Systeme in Produktion bringen | 235 |
| 16.1 Ein Nächste-Nachbarn-Klassifikationsmodell für Einbettungen mit scikit-learn verwenden | 236 |
| 16.2 Postgres zum Speichern von Einbettungen verwenden | 237 |
| 16.3 Einpflegen und Abfragen von in Postgres gespeicherten Einbettungen | 238 |
| 16.4 Hochdimensionale Modelle in Postgres speichern | 239 |
| 16.5 Microservices in Python erstellen | 241 |
| 16.6 Keras-Modelle als Microservice bereitstellen | 242 |
| 16.7 Einen Microservice aus einem Web-Framework aufrufen | 243 |
| 16.8 seq2seq-Modelle in TensorFlow | 244 |
| 16.9 Deep-Learning-Modelle im Browser ausführen | 246 |
| 16.10 Ein Keras-Modell mit TensorFlow Serving ausführen | 248 |
| 16.11 Ein Keras-Modell unter iOS verwenden | 251 |
| Index | 253 |
| Über den Autor | 261 |
| Über die Übersetzer | 261 |
| Kolophon | 261 |
