Praxiseinstieg Machine Learning mit Scikit-Learn & TensorFlow
Konzepte, Tools und Techniken für intelligente Systeme
O’Reilly Verlag |
|
Autor:in |
|
876 Seiten, Softcover, 3. Auflage |
|
Erschienen |
09/2023 |
978-3-96009-212-4 9783960092124 |
Grundlagen in Theorie und Praxis neuronaler Netze
Dieses Standardwerk ist eine methodisch geschickte Einleitung in die Basics des Machine Learning mit Scikit-Learn. Darauf aufbauend vermittelt es Deep-Learning-Techniken mit Keras und TensorFlow, gespickt mit zahlreichen Übungen und Lösungen.
Maschinelles Lernen und insbesondere Deep Learning haben in den letzten Jahren eindrucksvolle Durchbrüche erlebt. Inzwischen können sogar Programmierer, die kaum etwas über diese Technologie wissen, mit einfachen, effizienten Werkzeugen Machine-Learning-Programme implementieren. Dieses Standardwerk verwendet konkrete Beispiele, ein Minimum an Theorie und unmittelbar einsetzbare Python-Frameworks (Scikit-Learn, Keras und TensorFlow), um Ihnen ein intuitives Verständnis der Konzepte und Tools für das Entwickeln intelligenter Systeme zu vermitteln.
In dieser aktualisierten 3. Auflage behandelt Aurélien Géron eine große Bandbreite von Techniken: von der einfachen linearen Regression bis hin zu Deep Neural Networks. Zahlreiche Codebeispiele und Übungen helfen Ihnen, das Gelernte praktisch umzusetzen. Sie benötigen lediglich etwas Programmiererfahrung, um direkt zu starten.
Aus dem Inhalt
Teil 1 – Die Grundlagen des Machine Learning
- Die Machine-Learning-Umgebung
- Ein Machine-Learning-Projekt von A bis Z
- Klassifikation
- Trainieren von Modellen
- Support Vector Machines
- Entscheidungsbäume
- Ensemble Learning und Random Forests
- Dimensionsreduktion
- Techniken des unüberwachten Lernens
Teil 2 – Neuronale Netze und Deep Learning
- Einführung in künstliche neuronale Netze mit Keras
- Trainieren von Deep-Learning-Netzen
- Eigene Modelle und Training mit TensorFlow
- Daten mit TensorFlow laden und vorverarbeiten
- Deep Computer Vision mit Convolutional Neural Networks
- Verarbeiten von Sequenzen mit RNNs und CNNs
- Verarbeitung natürlicher Sprache mit RNNs und Attention
- Autoencoder, GANs und Diffusionsmodelle
- Reinforcement Learning
- TensorFlow-Modelle skalierbar trainieren und deployen
Entscheidungsbäume als Komponente von Random Forests gehören zu den mächtigsten Machine-Learning-Algorithmen. Aurélien Géron zeigt in dieser Leseprobe, wie sie sich für Vorhersagen und Regressionsaufgaben einsetzen lassen. Um Vorhersagen zu treffen, wird der Entscheidungsbaum von der Wurzel bis zu einem Blatt durchlaufen, wobei bei jedem Knoten ein Merkmal geprüft wird.
Wer hat's geschrieben?
Aurélien Géron arbeitet als Consultant für Machine Learning. Als ehemaliger Mitarbeiter von Google hat er das YouTube-Team zur Klassifikation von Videos geleitet. Er war Gründer und CTO von mehreren Unternehmen: Wifirst, ein führender Anbieter von drahtlosen Internetdiensten in Frankreich; Polyconseil, ein Beratungsunternehmen mit den Schwerpunkten Telekommunikation, Medien und Strategie; sowie Geron AI, ein auf Machine Learning spezialisiertes Beratungsunternehmen.
Davor war er als Ingenieur in verschiedenen Bereichen tätig: Finanzen (JP Morgan und Société Générale), Verteidigung (Department of Defense in Kanada) und Gesundheitswesen (Bluttransfusionen). Er hat eine Reihe von Fachbüchern veröffentlicht (zu C++, WLAN und Internetarchitekturen) und Vorlesungen an mehreren Universitäten gehalten.
Sonstige wissenswerte Dinge: Er hat seinen drei Kindern beigebracht, mit den Fingern binär zu zählen (bis 1023), hat Mikrobiologie und Evolutionsgenetik studiert, bevor er sich der Softwareentwicklung zugewandt hat, und sein Fallschirm öffnete sich bei seinem zweiten Absprung nicht.
O’Reilly Verlag |
|
Autor:in |
|
876 Seiten, Softcover, 3. Auflage |
|
Erschienen |
09/2023 |
978-3-96009-212-4 9783960092124 |