Bert Gollnick: PyTorch | Buch

Cover: 9783367111299 | PyTorch | KI-Modelle trainieren, tunen und einsetzen | Bert Gollnick

Dekorationsartikel gehören nicht zum Leistungsumfang.

Sprache: Deutsch

39,90 €

inkl. MwSt.

Versandkostenfrei per Post / DHL

auf Lager, Lieferzeit 1-2 Werktage

Kategorien:

Beschreibung

PyTorch-Programmierung professionell! Das meistbenutzte Deep-Learning-Framework in der Praxis: Lernen Sie für spezifische Aufgaben aus realen Projektszenarien, wie Sie mit PyTorch KI-Modelle trainieren, optimieren und produktiv einsetzen. Bert Gollnick zeigt Ihnen in diesem Buch alle einschlägigen Verfahren inklusive Python-Implementierung, von linearer Regression über große Sprachmodelle bis zur Kombination mehrerer Verfahren. Die Anwendungen beinhalten Computer Vision, RAG-Systeme, Zeitreihenanalysen und vieles mehr. Sie evaluieren und deployen Ihre Modelle mit modernsten Methoden und lernen dafür Tools wie FlowML, TensorBoard und FastAPI kennen.

Profitieren Sie von vollständigen Codebeispielen, die auf handelsüblicher Hardware lauffähig sind, und entdecken Sie das Zusammenspiel mit PyTorch Lightning, HuggingFace und weiteren Tools.

Deep Learning von der Datenaufbereitung über Training und Fineturing bis zum Deployment
Vielfältige Architekturen wie Autoencoder, RNNs, LLMs, RAG-Systeme etc.
Inkl. PyTorch Lightning, TensorBoard, LangChain, FastAPI u. v. m.

Aus dem Inhalt:

Installation des Frameworks
Deep-Learning-Grundkonzepte
Vortrainierte Modelle verwenden
Daten vorbereiten
Klassifizierungsaufgaben
Computer Vision
Empfehlungssysteme
Graph Neural Networks
Große Sprachmodelle (LLMs)
Zeitreihen-Vorhersagen
PyTorch Lightning
LangChain
Cloud-Deployment mit Heroku
FlowML, TensorBoard und WandB
Lokaler Einsatz mit FastAPI

Profitieren Sie von vollständigen Codebeispielen, die auf handelsüblicher Hardware lauffähig sind, und entdecken Sie das Zusammenspiel mit PyTorch Lightning, HuggingFace und weiteren Tools.

Deep Learning von der Datenaufbereitung über Training und Fineturing bis zum Deployment
Vielfältige Architekturen wie Autoencoder, RNNs, LLMs, RAG-Systeme etc.
Inkl. PyTorch Lightning, TensorBoard, LangChain, FastAPI u. v. m.

Aus dem Inhalt:

Installation des Frameworks
Deep-Learning-Grundkonzepte
Vortrainierte Modelle verwenden
Daten vorbereiten
Klassifizierungsaufgaben
Computer Vision
Empfehlungssysteme
Graph Neural Networks
Große Sprachmodelle (LLMs)
Zeitreihen-Vorhersagen
PyTorch Lightning
LangChain
Cloud-Deployment mit Heroku
FlowML, TensorBoard und WandB
Lokaler Einsatz mit FastAPI

Über den Autor

Bert Gollnick ist Senior Data Scientist mit Schwerpunkt auf künstlicher Intelligenz. Er unterrichtet Kurse zu Data Science und Machine Learning inklusive generativer KI und natürlicher Sprachverarbeitung. Bert hat an der Technischen Universität Berlin Luft- und Raumfahrttechnik und an der Universität Hagen Volkswirtschaftslehre studiert. Nach 17 Jahren in der Industrie fokussiert er sich nun auf seine Schulungsfirma, um Teilnehmern künstliche Intelligenz [...] lebt und arbeitet in Hamburg und bietet Präsenzkurse im deutschsprachigen Raum sowie Online-Kurse auch für ein internationales Publikum an.

Inhaltsverzeichnis

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

Details

Erscheinungsjahr:	2026
Fachbereich:	Programmiersprachen
Genre:	Informatik , Mathematik , Medizin , Naturwissenschaften , Technik
Rubrik:	Naturwissenschaften & Technik
Medium:	Buch
Inhalt:	447 S.
ISBN-13:	9783367111299
ISBN-10:	3367111295
Sprache:	Deutsch
Einband:	Gebunden
Autor:	Gollnick, Bert
Hersteller:	Rheinwerk Verlag GmbH
Verantwortliche Person für die EU:	Rheinwerk Verlag GmbH, Rheinwerkallee 4, D-53229 Bonn, service@rheinwerk-verlag.de
Maße:	246 x 176 x 31 mm
Von/Mit:	Bert Gollnick
Erscheinungsdatum:	05.02.2026
Gewicht:	1 kg