1. Vorwort ... 13
1.1 ... An wen richtet sich dieses Buch? ... 15
1.2 ... Voraussetzungen ... 15
1.3 ... Die Struktur des Buches ... 16
1.4 ... Wie Sie dieses Buch effektiv nutzen ... 16
1.5 ... Konventionen in diesem Buch ... 17
1.6 ... Der Code zum Herunterladen und weitere Materialien ... 18
1.7 ... Systemeinrichtung ... 18
1.8 ... Danksagung ... 25
2. Einführung in das Deep Learning ... 27
2.1 ... Was ist Deep Learning? ... 28
2.2 ... Wofür kann Deep Learning verwendet werden? ... 29
2.3 ... Wie funktioniert Deep Learning? ... 33
2.4 ... Historische Entwicklung ... 35
2.5 ... Perzeptron ... 36
2.6 ... Netzwerkaufbau und -schichten ... 37
2.7 ... Aktivierungsfunktionen ... 38
2.8 ... Verlustfunktion ... 41
2.9 ... Optimierer und Parameter-Update ... 43
2.10 ... Umgang mit Tensoren ... 45
2.11 ... Zusammenfassung ... 53
3. Unser erstes PyTorch-Modell ... 55
3.1 ... Datenvorbereitung ... 56
3.2 ... Modell-Erstellung ... 66
3.3 ... Modellklasse und Optimierer ... 74
3.4 ... Batches ... 78
3.5 ... Dataset und DataLoader ... 83
3.6 ... Modelle speichern und laden ... 88
3.7 ... Data Sampling ... 91
3.8 ... Zusammenfassung ... 100
4. Klassifizierungsmodelle ... 103
4.1 ... Klassifizierungstypen ... 104
4.2 ... Konfusionsmatrix ... 105
4.3 ... ROC-Kurve ... 108
4.4 ... Binäre Klassifizierung ... 110
4.5 ... Multi-Class-Klassifizierung ... 124
4.6 ... Zusammenfassung ... 137
5. Computer-Vision ... 139
5.1 ... Wie werden Bilder in Modellen behandelt? ... 141
5.2 ... Netzwerkarchitekturen ... 142
5.3 ... Bildklassifizierung ... 147
5.4 ... Objekterkennung ... 177
5.5 ... Semantische Segmentierung ... 193
5.6 ... Stiltransfer ... 204
5.7 ... Zusammenfassung ... 213
6. Empfehlungssysteme ... 215
6.1 ... Konzepte ... 215
6.2 ... Coding: Empfehlungssystem ... 218
6.3 ... Zusammenfassung ... 236
7. Autoencoder ... 237
7.1 ... Architektur ... 238
7.2 ... Autoencoder-Implementierung ... 239
7.3 ... Variational Autoencoder ... 248
7.4 ... Coding: Variational Autoencoder ... 249
7.5 ... Zusammenfassung ... 259
8. Graph Neural Networks ... 261
8.1 ... Einführung in die Graphentheorie ... 261
8.2 ... Coding: Aufbau eines Graphen ... 266
8.3 ... Coding: Training eines GNN ... 271
8.4 ... Zusammenfassung ... 280
9. Zeitreihen ... 281
9.1 ... Modellierungsansätze ... 281
9.2 ... Coding: Eigenes Modell ... 286
9.3 ... Coding: Nutzung von PyTorch Forecasting ... 301
9.4 ... Zusammenfassung ... 310
10. Sprachmodelle ... 311
10.1 ... Nutzung von LLMs mit Python ... 312
10.2 ... Modellparameter ... 328
10.3 ... Modellauswahl ... 331
10.4 ... Nachrichtentypen ... 335
10.5 ... Prompt-Templates ... 336
10.6 ... Chains ... 340
10.7 ... Strukturierte Outputs ... 343
10.8 ... Deep Dive: Wie funktionieren Transformer? ... 346
10.9 ... Zusammenfassung ... 353
11. Vortrainierte Netzwerke und Finetuning ... 355
11.1 ... Vortrainierte Netzwerke mit Hugging Face ... 356
11.2 ... Transferlernen ... 359
11.3 ... Coding: Finetuning eines Computer-Vision-Modells ... 362
11.4 ... Coding: Finetuning eines Sprachmodells ... 370
11.5 ... Zusammenfassung ... 376
12. PyTorch Lightning ... 377
12.1 ... Vergleich zwischen PyTorch und PyTorch Lightning ... 378
12.2 ... Coding: Modelltraining ... 379
12.3 ... Callbacks ... 386
12.4 ... Zusammenfassung ... 389
13. Modellevaluierung, Logging und Monitoring ... 391
13.1 ... TensorBoard ... 392
13.2 ... MLflow ... 401
13.3 ... Weights and Biases (WandB) ... 406
13.4 ... Zusammenfassung ... 413
14. Deployment ... 415
14.1 ... Deployment-Strategien ... 415
14.2 ... Lokales Deployment ... 418
14.3 ... Heroku ... 424
14.4 ... Microsoft Azure ... 431
14.5 ... Zusammenfassung ... 440
Index ... 443
