In diesem Blogartikel geht es um das „Deep Learning Kochbuch – Praxisrezepte für einen schnellen Einstieg“ von Douwe Osinga. Die erste Auflage ist im Februar 2019 im O’Reilly Verlag erschienen, ist also noch ganz frisch. Die gedruckte Version kostet 34,99€, als eBook zahlt man 27,99€ und bekommt dafür 262 Seiten.

Neuronale Netze mit Python und Keras in der Praxis

So könnte man den Inhalt zusammenfassen. Nach einigen allgemeineren Kapiteln geht es um viele verschiedene KI-Projekte. Abschließend gibt es noch ein Kapitel, welches sich mit der Produktivsetzung beschäftigt. Sehr erfreulich ist, dass alle Projekte als Jupyter Notebooks auf Github unter https://github.com/DOsinga/deep_learning_cookbook  zur Verfügung gestellt sind.

Das Konzept ist anders als bei vielen anderen Büchern, da weniger die Theorie dahinter als die praktische Anwendung im Vordergrund steht. Dafür ist jeder Abschnitt in die drei Bereiche Problem – Lösung – Diskussion gegliedert. Problem beschreibt kurz die Fragestellung. Das ist häufig nur eine einzige Frage wie z.B. „Wie kann man einen großen Korpus aus Dialogen gewinnen?“.  In der Lösung wird der Lösungsweg mit ein paar Codezeilen skizziert. Die Diskussion gibt dann ein paar Hintergrundinformationen. So ein Abschnitt umfasst meist ca. zwei Seiten, die Inhalte sind also stark komprimiert.

Die 13 Deep Learning Projekte im Einzelnen

  • Die Ähnlichkeit von Texten mithilfe von Worteinbettungen berechnen
  • Ein Empfehlungssystem anhand ausgehender Wikipedia-Links erstellen
  • Text im Stil eines Beispieltexts generieren
  • Übereinstimmende Fragen
  • Emojis vorschlagen
  • Sequenz-zu-Sequenz-Mapping
  • Ein vortrainiertes Netzwerk zur Bilderkennung verwenden
  • Eine Revere-Image-Suchmaschine erstellen
  • Mehrere Bildinhalte erkennen
  • Mit Bildstilen arbeiten
  • Bilder mit Autoencodern erzegen
  • Piktogramme mithilfe von neuronalen Netzwerken erzeugen
  • Musik und Deep Learning

Das gesamte Inhaltsverzeichnis und das erste Projekt als Leseprobe ist unter diesem Link https://www.oreilly.de/buecher/13301/9783960090977-deep-learning-kochbuch.html zu finden.

Der Autor Douwe Osinga

Douwe Osinga wurde in den Niederlanden geboren, hat an mehreren Standorten von Google gearbeitet und StartUps gegründet. Zum einen die niederländische Firma Oberon, welche Online-Plattformen entwickelt. Zum anderen Triposo, ein KI-gesteuerten Reiseführer. Das klingt ziemlich spannend: Der Algorithmus crawlt durch verschiedene Internet-Seiten wie Wikipedia, OpenStreetMap etc. und stellt dann mittels maschinellem Lernen die Informationen zu einer Location zusammen.

Mehr über den Autor gibt es auf seiner Seite https://douwe.com zu lesen. Sein Blog scheint er jedoch aktuell nicht mehr mit neuen Texten zu füttern, der letzte Eintrag ist von Mai 2017, aber er hatte ja in letzter Zeit ja auch genug mit dem Buch zu tun. Daneben stellt er aber einige interessante Projekte vor. Es lohnt sich also, sich dort umzusehen.

Für wen ist das Buch

Das Buch geht schon ans Eingemachte, d.h. man muss einige Vorkenntnisse mitbringen, um etwas mit den Projektbeschreibungen anfangen zu können. Also ich würde sagen, als Grundvoraussetzung sollte man sich ein bisschen mit Python und Keras auskennen. Besonders wichtig ist aber das Wissen um die verschiedenen Konzepte der Neuronalen Netze. Wer also mit Begriffen wie CNN, seq2seq, oder Corpora nichts anfangen kann, wird wenig Freude an dem Buch haben. Man kann das Buch natürlich als Struktur hernehmen und dann die Themen und Begriffe, die in einem Projekt auftauchen, im Internet recherchieren, bis man sie verstanden hat.

Fazit

Ich bin hin- und hergerissen. Prinzipiell finde ich den strukturierten Aufbau mit Problem – Lösung – Diskussion sehr gut und übersichtlich. Auch die Konzentration auf Rezepte aus der Deep-Learning-Praxis, wie der Titel ja schon sagt, ist super. Denn nur so lernt man, wie es wirklich geht.

Auf der anderen Seite stellt das Buch hohe Anforderungen an bereits vorhandenes Wissen und stellt die einzelnen Projekte ziemlich knapp dar. Vielleicht hätte eine Konzentration auf weniger Projekt es erleichtert, mehr in die Tiefe gehen zu können.

Das Buch ist einfach kein normales Lesebuch, welches man von vorne bis hinten durchliest. Vielmehr ist es ein Arbeitsbuch. Man nimmt sich also ein (Unter-)Kapitel vor, liest über den Text, arbeitet das Jupyter Notebook, welches auf Github zur Verfügung steht, durch und recherchiert über die Terminologie und Deep-Learning-Strukturen im Netz. Wenn man sich diese Mühe macht, lernt man sehr viel und vor allem ganz konkret die Anwendung in der Praxis.