Neuronale Netze programmieren mit Python

Neuronale Netze stehen im Mittelpunkt, wenn es um Künstliche Intelligenz und Machine Learning geht. Sie revolutionieren Bild- und Spracherkennung, Spiele-KIs und vieles mehr. Zum Glück lassen sich die genialen Ideen dahinter einfach erklären. Um sie zu verstehen und einzusetzen, programmieren Sie verschiedene Netztypen selbst nach! Und zwar in Python, der Hauptsprache der KI-Welt. Sie werden sich dabei mit Mathematik und Programmierung befassen, brauchen aber keine konkreten Vorkenntnisse.

Aus dem Inhalt:

• Die Grundidee hinter Neuronalen Netzen
• Ein einfaches Neuronales Netz aufbauen
• Neuronale Netze trainieren
• Überwachtes und unüberwachtes Lernen
• Einführung in TensorFlow
• Kompaktkurs Python
• Wichtige mathematische Grundlagen
• Reinforcement Learning
• Verschiedene Netzarten und ihre Anwendungsbereiche
• Back Propagation
• Deep Learning
• Werkzeuge für Data Scientists

Vorwort . . . 13
Vorwort zur 2. Auflage . . . 16
Vorwort zur 3. Auflage (in Kooperation mit einem Transformer Neural Network) . . . 17

1. Einleitung . . . 19
1. 1 . . . Wozu neuronale Netze? . . . 19
1. 2 . . . Über dieses Buch . . . 20
1. 3 . . . Der Inhalt kompakt . . . 22
1. 4 . . . Ist diese Biene eine Königin? . . . 25
1. 5 . . . Ein künstliches neuronales Netz für den Bienenstaat . . . 26
1. 6 . . . Von der Biologie zum künstlichen Neuron . . . 32
1. 7 . . . Einordnung und der Rest . . . 36
1. 8 . . . Zusammenfassung . . . 45
1. 9 . . . Referenzen . . . 45

TEIL I. Up and running . . . 47

2. Das minimale Starterkit für die Entwicklung von neuronalen Netzen mit Python . . . 49
2. 1 . . . Die technische Entwicklungsumgebung . . . 49
2. 2 . . . Zusammenfassung . . . 72

3. Ein einfaches neuronales Netz . . . 73
3. 1 . . . Vorgeschichte . . . 73
3. 2 . . . Her mit dem neuronalen Netz! . . . 73
3. 3 . . . Neuron-Zoom-in . . . 77
3. 4 . . . Stufenfunktion . . . 82
3. 5 . . . Perceptron . . . 84
3. 6 . . . Punkte im Raum -- Vektorrepräsentation . . . 85
3. 7 . . . Horizontal und vertikal -- Spalten- und Zeilenschreibweise . . . 92
3. 8 . . . Die gewichtete Summe . . . 95
3. 9 . . . Schritt für Schritt -- Stufenfunktionen . . . 95
3. 10 . . . Die gewichtete Summe reloaded . . . 96
3. 11 . . . Alles zusammen . . . 97
3. 12 . . . Aufgabe: Roboterschutz . . . 100
3. 13 . . . Zusammenfassung . . . 103
3. 14 . . . Referenzen . . . 103

4. Lernen im einfachen Netz . . . 105
4. 1 . . . Vorgeschichte: Man lässt planen . . . 105
4. 2 . . . Lernen im Python-Code . . . 106
4. 3 . . . Perceptron-Lernen . . . 107
4. 4 . . . Trenngerade für einen Lernschritt . . . 110
4. 5 . . . Perceptron-Lernalgorithmus . . . 112
4. 6 . . . Die Trenngeraden bzw. Hyperplanes oder auch Hyperebenen für das Beispiel . . . 117
4. 7 . . . scikit-learn-kompatibler Estimator . . . 120
4. 8 . . . scikit-learn-Perceptron-Estimator . . . 127
4. 9 . . . Adaline . . . 129
4. 10 . . . Zusammenfassung . . . 139
4. 11 . . . Referenzen . . . 141

5. Mehrschichtige neuronale Netze . . . 143
5. 1 . . . Ein echtes Problem . . . 143
5. 2 . . . XOR kann man lösen . . . 145
5. 3 . . . Vorbereitungen für den Start . . . 150
5. 4 . . . Der Plan für die Umsetzung . . . 152
5. 5 . . . Das Setup (»class«) . . . 153
5. 6 . . . Die Initialisierung (»__init__«) . . . 155
5. 7 . . . Was für zwischendurch (»print«) . . . 158
5. 8 . . . Die Auswertung (»predict«) . . . 159
5. 9 . . . Die Verwendung . . . 161
5. 10 . . . Zusammenfassung . . . 162

6. Lernen im mehrschichtigen Netz . . . 163
6. 1 . . . Wie misst man einen Fehler? . . . 163
6. 2 . . . Gradientenabstieg an einem Beispiel . . . 165
6. 3 . . . Ein Netz aus sigmoiden Neuronen . . . 174
6. 4 . . . Der coole Algorithmus mit Vorwärts-Delta und Rückwärts-Propagation . . . 176
6. 5 . . . Ein fit-Durchlauf . . . 189
6. 6 . . . Zusammenfassung . . . 198
6. 7 . . . Referenz . . . 198

7. Beispiele für tiefe neuronale Netze . . . 199
7. 1 . . . Convolutional Neural Networks . . . 199
7. 2 . . . Transformer Neural Networks . . . 216
7. 3 . . . Das Optimierungsverfahren . . . 226
7. 4 . . . Overfitting verhindern . . . 228
7. 5 . . . Zusammenfassung . . . 230
7. 6 . . . Referenzen . . . 231

8. Programmierung von Deep Neural Networks mit TensorFlow 2 . . . 233
8. 1 . . . Convolutional Networks zur Handschriftenerkennung . . . 233
8. 2 . . . Transfer Learning mit Convolutional Neural Networks . . . 249
8. 3 . . . Transfer Learning mit Transformer Neural Networks . . . 259
8. 4 . . . Zusammenfassung . . . 264
8. 5 . . . Referenzen . . . 265

TEIL II. Deep Dive . . . 267

9. Vom Hirn zum Netz . . . 269
9. 1 . . . Ihr Gehirn in Aktion . . . 270
9. 2 . . . Das Nervensystem . . . 270
9. 3 . . . Das Gehirn . . . 271
9. 4 . . . Neuronen und Gliazellen . . . 274
9. 5 . . . Eine Übertragung im Detail . . . 276
9. 6 . . . Darstellung von Zellen und Netzen . . . 279
9. 7 . . . Zusammenfassung . . . 280
9. 8 . . . Referenzen . . . 281

10. Die Evolution der künstlichen neuronalen Netze . . . 283
10. 1 . . . Die 1940er-Jahre . . . 284
10. 2 . . . Die 1950er-Jahre . . . 286
10. 3 . . . Die 1960er-Jahre . . . 288
10. 4 . . . Die 1970er-Jahre . . . 288
10. 5 . . . Die 1980er-Jahre . . . 289
10. 6 . . . Die 1990er-Jahre . . . 303
10. 7 . . . Die 2000er-Jahre . . . 303
10. 8 . . . Die 2010er-Jahre . . . 304
10. 9 . . . Zusammenfassung . . . 307
10. 10 . . . Referenzen . . . 307

11. Der Machine-Learning-Prozess . . . 309
11. 1 . . . Das CRISP-DM-Modell . . . 309
11. 2 . . . Ethische und rechtliche Aspekte . . . 313
11. 3 . . . Feature Engineering . . . 324
11. 4 . . . Zusammenfassung . . . 353
11. 5 . . . Referenzen . . . 354

12. Lernverfahren . . . 355
12. 1 . . . Lernstrategien . . . 355
12. 2 . . . Werkzeuge . . . 384
12. 3 . . . Zusammenfassung . . . 389
12. 4 . . . Referenzen . . . 390

13. Anwendungsbereiche und Praxisbeispiele . . . 391
13. 1 . . . Warmup . . . 391
13. 2 . . . Bildklassifikation . . . 394
13. 3 . . . Erträumte Bilder . . . 415
13. 4 . . . Deployment mit vortrainierten Netzen . . . 426
13. 5 . . . Zusammenfassung . . . 430
13. 6 . . . Referenzen . . . 431

Anhang . . . 433
A . . . Python kompakt . . . 435
B . . . Mathematik kompakt . . . 465
C . . . TensorFlow 2 und Keras . . . 485

Index . . . 497