Alle Kapitel aufklappen
Alle Kapitel zuklappen
TEIL I Ihr Einstieg in die künstliche Intelligenz
25
1 Einführung in die künstliche Intelligenz
27
1.3.1 Der Siegeszug des Deep Learnings
39
1.3.2 Anwendungsgebiete des Deep Learnings
42
2 Überblick über Deep Learning
47
2.1 Allgemeine Netzwerkstrukturen
48
2.1.1 Convolutional Neural Networks
48
2.1.2 Recurrent Neural Networks
51
2.1.3 Generative Adversarial Networks
53
2.2 Der Deep-Learning-Workflow
55
2.2.1 Suchen der relevanten Datensätze
56
2.2.2 Vorverarbeiten der Datensätze
57
2.2.3 Trainieren des Modells
57
2.2.4 Validieren und Optimieren des Modells
58
2.2.5 Bereitstellen des Modells
59
2.2.6 Deep-Learning-Frameworks und Berechnungen
60
2.2.7 Starthilfe für Deep-Learning-Lernen per Transfer und Anpassung an Fachgebiete
63
2.2.8 Modellbibliothek
66
3 Trends im Deep Learning
69
3.1 Variationen in Netzwerkarchitekturen
69
3.1.1 Residual Networks und Varianten
70
3.1.3 Kleine Modelle, weniger Parameter
70
3.1.6 Objektsegmentierung
75
3.1.7 Weiterentwickelte Netzwerke
75
3.1.8 Automatisiertes Machine Learning
76
3.2.1 Spezialisiertere Hardware
78
3.2.2 Hardware auf Azure
79
3.2.3 Quantencomputing
80
3.3 Grenzen des Deep Learnings
81
3.3.1 Vorsicht vor Hypes
81
3.3.2 Grenzen der Fähigkeit zur Verallgemeinerung
82
3.3.3 Riesige Datenmengen für Modelle und Bezeichnungen
83
3.3.4 Reproduzierbare Forschung und zugrundeliegende Theorie
84
3.4 Ein Blick in die Zukunft: Was können wir von Deep Learning erwarten?
85
3.4.1 Ethische und rechtliche Fragen
86
TEIL II Die Azure KI-Plattform und Ihr Werkzeugkasten
89
4 Microsoft-KI-Plattform
91
4.1.1 Vorkonfigurierte KI: Cognitive Services
93
4.1.2 Gesprächs-KI: Bot Framework
95
4.1.3 Benutzerdefinierte KI: Azure Machine Learning Services
95
4.1.4 Benutzerdefinierte KI: Batch AI
96
4.2.1 Data Science Virtual Machine
97
4.2.3 Hosten von Containern
100
4.2.4 Datenspeicherung
101
4.3.1 Azure Machine Learning Studio
102
4.3.2 Integrierte Entwicklungsumgebungen
103
4.3.3 Deep-Learning-Frameworks
104
4.4 Gesamte Azure-Plattform
104
4.5 Erste Schritte mit der Deep Learning Virtual Machine
105
4.5.1 Ausführen des Notebook-Servers
107
5 Cognitive Services und Custom Vision
109
5.1 Vorkonfigurierte KI: Anlass und Vorgehensweise
109
5.2 Cognitive Services nutzen
111
5.3 Verfügbare Arten von Cognitive Services
114
5.3.1 Maschinelles Sehen-APIs
114
5.4 Erste Schritte mit Cognitive Services
121
5.5.1 »Hallo Welt!« für Custom Vision
128
5.5.2 Exportieren von Custom Vision-Modellen
133
TEIL III KI-Netzwerke in der Praxis
137
6 Convolutional Neural Networks
139
6.1 Die Faltung in Convolutional Neural Networks
140
6.1.1 Faltungsschicht
141
6.1.2 Pooling-Schicht
142
6.1.3 Aktivierungsfunktionen
143
6.3 Trainieren eines Klassifizierungs-CNN
146
6.4 Gründe für die Verwendung von CNNs
148
6.5 Trainieren eines CNN mit CIFAR-10
149
6.6 Training eines tiefen CNN auf einer GPU
154
7 Recurrent Neural Networks
163
7.1 RNN-Architekturen
166
7.2 Trainieren von RNNs
169
7.4 Sequenz-zu-Sequenz-Modelle und Aufmerksamkeitsmechanismus
172
7.5.1 Beispiel 1: Stimmungsanalyse
175
7.5.2 Beispiel 2: Bildklassifizierung
175
7.5.3 Beispiel 3: Zeitreihe
178
8 Generative Adversarial Networks
183
8.1 Was sind Generative Adversarial Networks?
183
8.2 Cycle-Consistent Adversarial Networks
188
8.3 Der CycleGAN-Code
190
8.4 Netzwerkarchitektur für den Generator und den Diskriminator
193
8.5 Definieren der CycleGAN-Klasse
197
8.6 Verlust durch Unterschiede und Zyklusverlust
198
TEIL IV KI-Architekturen und Best Practices
201
9 Trainieren von KI-Modellen
203
9.1 Trainingsoptionen
203
9.1.1 Verteiltes Training
204
9.1.2 Deep Learning Virtual Machine
205
9.1.5 Deep Learning Workspace
208
9.2 Beispiele zur Veranschaulichung
209
9.2.1 Trainieren eines DNN in Batch Shipyard
209
9.2.2 Azure Machine Learning Services
225
9.2.3 Weitere Optionen für das KI-Training auf Azure
226
10 Operationalisieren von KI-Modellen
229
10.1 Plattformen für die Operationalisierung
229
10.1.2 Azure Container Instances
231
10.1.3 Azure-Web-Apps
232
10.1.4 Azure Kubernetes Services
232
10.1.5 Azure Service Fabric
235
10.1.7 Azure Distributed Data Engineering Toolkit (AZTK)
237
10.1.8 HDInsight und Databricks
238
10.2 Übersicht über die Operationalisierung
239
10.3 Azure Machine Learning Services
242