Deep Learning Kochbuch
Mit den passenden Tools und Frameworks sowie dank der Vorarbeit von Generationen von Wissenden ist der Einstieg in die Entwicklung von Deep-Learning-Anwendungen auch für Softwareentwickler*innen möglich, die keine umfassenden Machine-Learning-Kenntnisse haben. Das Buch liefert dafür Rezepte für typische Aufgabenstellungen des Deep Learnings.
Ein paar Voraussetzungen braucht es aber schon, um das Buch nutzen zu können. Man sollte sich auf GitHub bewegen können, den Umgang mit der Shell schon mal praktiziert haben, in Python ein paar Schritte gemacht haben.
Am Anfang steht die „Kultur des Teilens“: Open Data, Open Source, Open-Access-Publishing. Damit hat man schon eine Menge Fundament für die eigenen Projekte. Und wer das Buch zitieren möchte, macht dem Autor (und den Übersetzern) eine Freude – verlangt wird das Zitieren explizit nicht. Sehr sympathisch. Wer auf sich hält, zitiert natürlich trotzdem.
Jedes Kapitel behandelt ein Projekt, u. a. Ähnlichkeiten von Texten mithilfe von Word-Embeddings berechnen. Oder die Stimmung eines Textes erkennen und passende Emojis dazu vorschlagen. Oder ein Empfehlungssystem für Filme basierend auf Wikipedia-Links erstellen. Schön auch: Die Visualisierungsanwendung, das ergibt z. B. eine Weltkarte zum Kaffeekonsum mit verschieden satten Farben je nach Menge.
Der Aufbau der Kapitel unterstützt den Überblick: Problem – Lösung – Diskussion. So erschließt sich schnell der Anwendungskontext und man verliert sich nicht so leicht (nur) in Programmierdetails. Im Abschnitt Diskussion werden u. a. Fallstricke bei der Interpretation von statistischen Daten offenbart: Ist der Kaffeekonsum in Zentralafrika gleich Null oder haben wir einfach nur keine Daten von dort?
Die Codebeispiele sind in Python geschrieben und auf GitHub als Python-Notebooks frei verfügbar. Als Tools kommt neben Python die Open-Source-Biblotohek für Neuronale Netze, Keras, zum Einsatz, außerdem NumPy / SciPy / scikit-learn (Pakete bzw. Bibliotheken zum wissenschaftlichen Rechnen in Python) und Jupyter Notebook (ein Notebook für Python).
Schon das Vorwort gefällt mir: Gut strukturiert und leicht verständlich inklusive Einordnung des Themas Deep Learning in die Welt der Anwendung. Hier erfährt man ein bisschen was vom Mehrwert dieser programmiertechnischen Fachdisziplin mit ihren Neuronalen Netzen, Machine Learning & Co.
Fazit: Interessante Lektüre – und man kann hinterher ’ne Menge Sachen machen…
Themen
- Neuronale Netze und Netzwerktypen
- Text- / Bild- / Klangverarbeitung
- Datenbeschaffung
- Datenvisualisierung
- Hund-Katze-Klassifikator
- Ergebnisse teilen (auch mit Nutzern)
- Fehler beheben
- Pandas (nicht die Bären!)
Douwe Osinga (Übersetzung Marcus Fraaß und Konstantin Mack): „Deep Learning Kochbuch. Praxisrezepte für einen schnellen Einstieg“. dpunkt 2019. 34,90 EUR. ISBN 978-3-96009-097-7.
Maria