Allgemeine Beschreibung
Das Buch hat einen Umfang von etwa 270 Seiten. Es enthält eine ausreichende Menge an grafischem Material. Der Schwierigkeitsgrad ist mittel.
Kurzer Überblick
Kapitel 1. Wie neuronale Netze funktionieren
Das Kapitel erklärt die Grundprinzipien der Funktionsweise neuronaler Netze: was Neuronen, Gewichte, Signalsumme und Aktivierungsfunktionen sind. Der Autor führt intuitiv die Konzepte des Lernens, des Fehlers und der Fehlerrückführung ein, ohne komplexe Mathematik zu verwenden. Das Hauptziel des Kapitels ist es, ein korrektes mentales Modell davon zu entwickeln, warum ein neuronales Netz überhaupt etwas lernen kann.
Kapitel 2. Ein neuronales Netz in Python erstellen
In diesem Kapitel wird schrittweise ein einfaches neuronales Netz in Python von Grund auf und ohne Frameworks implementiert. Der Autor zeigt, wie Gewichte initialisiert, der Vorwärtsdurchlauf, das Training und die Fehlerrückführung umgesetzt werden. Am Ende lernt das Netz, handgeschriebene Ziffern (MNIST) zu erkennen, und der Leser erhält einen funktionierenden und verständlichen Code.
Kapitel 3. Mehrere interessante Projekte
Das Kapitel widmet sich der praktischen Anwendung des bereits erstellten neuronalen Netzes und Experimenten damit. Es behandelt die Verbesserung der Erkennungsqualität, die Arbeit mit eigenen Bildern und den Einfluss von Trainingsparametern. Der Schwerpunkt liegt darauf, wie man das Modell modifiziert und erweitert, anstatt einfach nur ein vorgefertigtes Beispiel blind zu verwenden.
Anhang A. Kurze Einführung in die Differentialrechnung
Der Anhang erklärt die minimal notwendige Mathematik zum Verständnis des Trainingsprozesses neuronaler Netze. Ableitungen und Gradienten werden auf intuitiver Ebene eingeführt – genau in dem Umfang, der zum Verständnis des Algorithmus der Fehlerrückführung erforderlich ist. Dies ist kein Lehrbuch der Analysis, sondern eine Art "mathematische Brücke" zum Haupttext.
Anhang B. Neuronales Netz auf dem Raspberry Pi
Hier wird gezeigt, wie man das neuronale Netz auf einem Raspberry Pi ausführt und nutzt. Der Autor demonstriert, dass neuronale Netze selbst auf einfacher Hardware laufen können, wenn das Modell einfach genug ist. Der Anhang veranschaulicht gut die praktische Seite des Embedded-Ansatzes und autonomer Geräte.
Meinung
Dies ist das erste Buch, mit dem ich begonnen habe zu verstehen, wie neuronale Netze intern funktionieren und wie sie in der Praxis implementiert werden. Am Beispiel von Python entwickelt der Autor ein primitives neuronales Netz und verbessert es schrittweise von Kapitel zu Kapitel. Am Ende wird der Stoff klar, konsequent und zugänglich präsentiert.
