Deep Learning mit Python, Dritte Auflage - François Chollet und Matthew Watson

Das Buch beginnt mit der Erklärung, was Deep Learning zu einem transformativen Ansatz in der künstlichen Intelligenz macht. Es hebt hervor, wie Deep Learning die Merkmalsentwicklung automatisiert, effizient mit Hardware skaliert und die Erstellung vielseitiger, wiederverwendbarer Modelle ermöglicht, die an verschiedene Aufgaben angepasst werden können. Die Leser erfahren von der Bedeutung von Foundation-Modellen, die auf umfangreichen Datensätzen mit Selbstüberwachung trainiert werden und für eine Vielzahl von nachgelagerten Aufgaben feinabgestimmt werden können, wodurch der Bedarf an aufgabenspezifischen Modellen verringert wird.

Ein wesentlicher Teil des Buches ist dem universellen Workflow zur Lösung von Problemen im maschinellen Lernen gewidmet. Dieser Workflow umfasst die Definition der Aufgabe, die Entwicklung eines Modells und dessen Bereitstellung in der Produktion, während die Leistung kontinuierlich überwacht und verbessert wird. Die Autoren geben Einblicke, wie reale Probleme als Aufgaben im maschinellen Lernen formuliert werden können, indem sie den Geschäftskontext verstehen, verfügbare Daten identifizieren und das Problem auf geeignete Aufgaben im maschinellen Lernen wie Klassifikation, Regression oder Ranking abbilden.

Das Buch behandelt auch bewährte Verfahren für das Design von Architekturen konvolutionaler neuronaler Netze, einschließlich der Verwendung von Residualverbindungen, Batch-Normalisierung und tiefen separierbaren Faltungen. Darüber hinaus wird erörtert, wie Vision Transformers sich von traditionellen konvolutionalen Netzwerken in der Computer Vision unterscheiden, wobei ihre Fähigkeit betont wird, Bilder als Sequenzen von Patches zu verarbeiten und langfristige Abhängigkeiten zu erfassen.

Moderne Objekterkennungsmodelle wie YOLO und RetinaNet werden untersucht, wobei erklärt wird, wie sie Begrenzungsrahmen und Klassenwahrscheinlichkeiten in einem einzigen Schritt für eine schnelle und genaue Objekterkennung vorhersagen. Die Autoren gehen auch auf Techniken des Deep Learning für die Zeitreihenprognose ein und erläutern, wie die Transformer-Architektur das fortgeschrittene Sprachmodellieren durch Aufmerksamkeitsmechanismen verbessert. Schließlich werden Strategien zur Generierung kohärenter Texte mit Sprachmodellen und Methoden zur Skalierung des Deep Learning-Trainings für große Modelle und Datensätze diskutiert, was dieses Buch zu einer wichtigen Ressource für alle macht, die sich für das Gebiet des Deep Learning interessieren.