Praxiseinstieg Machine Learning mit Scikit-Learn & TensorFlow
Konzepte, Tools und Techniken für intelligente Systeme
OReilly (dpunkt) |
|
Autor:in |
Aurélien Géron |
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 von 2013 bis 2016 das YouTube-Team zur Klassifikation von Videos geleitet. Er war von 2002 bis 2012 Gründer und CTO von Wifirst, einem führenden Wireless ISP in Frankreich; 2001 war er Gründer und CTO von Polyconseil, der Firma, die inzwischen den Carsharing-Dienst Autolib’ verwaltet.
OReilly (dpunkt) |
|
Autor:in |
Aurélien Géron |
876 Seiten, Softcover, 3. Auflage |
|
Erschienen |
09/2023 |
978-3-96009-212-4 9783960092124 |