Deep Learning illustriert. Jon Krohn
10.8Zusammenfassung
Schlüsselkonzepte
11.1Natürliche Sprachdaten vorverarbeiten
11.1.2Alle Zeichen in Kleinbuchstaben umwandeln
11.1.3Stoppwörter und Interpunktionszeichen entfernen
11.1.6Vorverarbeitung des kompletten Textkorpus
11.2Worteinbettungen mit word2vec erzeugen
11.2.1Die prinzipielle Theorie hinter word2vec
11.3Der Bereich unter der ROC-Kurve
11.3.2Die ROC-AUC-Metrik berechnen
11.4Klassifikation natürlicher Sprache mit vertrauten Netzwerken
11.4.1Die IMDb-Filmkritiken laden
11.4.2Die IMDb-Daten untersuchen
11.4.3Die Länge der Filmkritiken standardisieren
11.4.4Vollständig verbundenes Netzwerk
11.5Netzwerke für die Verarbeitung sequenzieller Daten
11.5.1Recurrent Neural Networks
11.5.2Ein RNN in Keras implementieren
11.5.3Long Short-Term Memory Units
11.5.5Gestapelte rekurrente Modelle
11.6Nichtsequenzielle Architekturen: Die funktionale API in Keras
Schlüsselkonzepte
12Generative Adversarial Networks
12.1Die grundlegende GAN-Theorie
12.2Der Quick, Draw!-Datensatz
12.3Das Diskriminator-Netzwerk
Schlüsselkonzepte
13.1Die grundlegende Theorie des Reinforcement Learning
13.1.2Markow-Entscheidungsprozesse
13.2Die grundlegende Theorie von Deep-Q-Learning-Netzwerken
13.2.3Einen optimalen Q-Value schätzen
13.3Einen DQN-Agenten definieren
13.3.1Initialisierungsparameter
13.3.2Das neuronale-Netze-Modell des Agenten bauen