Neuronale Netze selbst programmieren Ein verständlicher Einstieg mit Python

Ich war auf der Suche nach einem Fachbuch, das (a) die hinter einem neuronalen Netz stehende Mathematik möglichst verständlich mit vielen einfachen Beispielen erklärt. (b) Aufbauend auf diesen Erklärungen sollte die Verwendung des Netzes an Hand eines Beispiels gezeigt werden. Mit dem Buch von Tariq Rashid bin ich nach meinem Geschmack auf ein Meisterwerk gestoßen. Seine einfachen Erklärungen zum komplexen Konzept eines neuronalen Netzwerks sind auf keinen Fall oberflächlich. Tariq Rashid widmet sich intensiv dem Thema der Aktualisierung von Gewichten in neuronalen Netzen und bohrt dabei in den Tiefen des Begriffs „Gradient“. Im Anhang A des Buches findet sich dazu eine Einführung in die Differentialrechnung. So hätte ich mir die Einführung in die Differentialrechnung in der Mittelschule gewünscht. Es ist unglaublich, wie verständlich und spannend dieses Thema vermittelt wird Nachdem das Konzept des neuronalen Netzes erläutert wurde, wendet Tariq Rashid dieses Netz auf die Erkennung von handschriftlich geschriebenen Ziffern an. Er zeigt die Anwendung mit Hilfe der Programmiersprache Python. Die Vermittlung der Verwendung von Phython gelingt ihm mit bestechender Lockerheit. Es ist ein Genuss erklärt zu bekommen, wie eine handgeschriebene Ziffer in einzelne Pixel zerlegt wird und wie diese Pixel zur Eingabe in einem neuronalen Netz gemacht werden. Ich war nach der Lektüre des Buchs verblüfft, dass ich mir nun vorstellen konnte, wie das mit künstlicher Intelligenz und neuronalen Netzen gemeint ist.

Tariq Rashid erklärt Neuronale Netze von Grund auf und aus simplen Konzepten heraus. Das nötige Wissen in Python wird kurz und bündig gestreift, sodass eine Umsetzung für Anfänger möglich wird. Jedoch ist ein vorgängiges Grundverständnis in Python oder einer anderen Programmiersprache von Vorteil.

Jetzt kann ich endlich mitreden ;-) Diese Buch hat mich inspiriert, einen Chatbot zu entwickeln.

Das Buch zielt auf Einsteiger und Neulinge im Bereich des Maschinellen Lernens ab. Zu dieser Zielgruppe zähle ich mich auch selbst. Das gliedert sich drei Kapitel, deren erstes langsam an die Thematik heranführt und Basics wie die Sigmoid-Funktion nachvollziehbar erläutert. Für das Verständnis notwendige Ausführungen (bspw. zu Matrizen) sind in den Anhang ausgelagert worden, was dem besseren Überblick dient. An komplexere Aspekte wie die Aktualisierung von Gewichten ("Training") wird über mehrere Seiten hinweg herangeführt und die einzelnen Schritte werden mit anschaulichen Bildern erläutert. Gerade die Abbildungen für die Backpropagierung sind sehr gelungen! Im zweiten Kapitel geht es darum ein kleines neuronales Netz selbst umzusetzen (MNIST-Daten), um handschriftliche Zahlen zu erkennen. Auch hier führt der Autor mit guten Erklärungen an den Quellcode heran, indem er mit den allgemeinen Aspekten beginnt und den Code dann schrittweise erweitert. Das letzte Kapitel zeigt Ansatzmöglichkeiten, um das neuronale Netz zu tunen und die Trefferquote zu verbessern. Insgesamt bin ich mit dem Buch sehr zufrieden, da ich exakt in der Zielgruppe liege. Jemand, der schon Erfahrung mit maschinellem Lernen hat, könnte durch die detaillierten Erläuterungen gelangweilt sein, für mich waren sie aber genau richtig! Für Einsteiger ins Thema daher eine klare Kaufempfehlung!

Die nötigen Algorithmen werden in grandiosen Grafiken erklärt, der Code visuell aufbereitet. Anfänger werden hier nicht zurückgelassen und alte Hasen vertiefen ihr Verständnis!