Kompakter Schnelleinstieg in Machine Learning und Deep Learning
Maschinelles Lernen ist in fast alle Bereiche der Technik und der Gesellschaft vorgedrungen. Dieses kompakte Buch vermittelt Ihnen anhand konkreter Datensätze einen typischen Workflow im Bereich des maschinellen Lernens. Sie lernen die verschiedenen Schritte kennen, die vom Datenimport über die Datenbereinigung und Datenanalyse bis hin zur Datenvisualisierung führen. Durch diese praxisnahe Herangehensweise erhalten Sie ein tiefes Verständnis für die Bearbeitung und Auswertung von Daten. So bekommen Sie einen fundierten Überblick über das gesamte Feld des maschinellen Lernens und sind in der Lage, verschiedene Ansätze einzuordnen und zu bewerten.
Praktische Lernwege und Anwendungsbeispiele
Anhand konkreter Datensätze wirst du einen typischen Workflow im Bereich des maschinellen Lernens kennenlernen. Du erfährst, wie du von der Datenaufnahme über die Datenbereinigung und -analyse bis hin zur Datenvisualisierung vorgehst. Diese praxisnahe Herangehensweise ermöglicht es dir, ein tiefes Verständnis für die Bearbeitung und Auswertung von Daten zu entwickeln.
Für Einsteiger und Fachleute gleichermaßen geeignet
Das Buch richtet sich nicht nur an angehende Data Scientists und Machine-Learning-Profis, sondern ist auch für alle Interessierten geeignet, die sich nur am Rande mit maschinellem Lernen beschäftigen, wie beispielsweise Softwareentwickler*innen. Es bietet dir eine schnelle und gründliche Einführung in das umfangreiche Themengebiet des maschinellen Lernens und der statistischen Datenanalyse, auch wenn du bereits über einen technischen Hintergrund verfügst.
Diese Themen werden mit anschaulichen Beispielen erklärt:
- Datenvorbereitung, Feature-Auswahl und Modellvalidierung: Du lernst, wie du Daten aufbereiten, relevante Merkmale auswählen und Modelle bewerten kannst.
- Supervised und Unsupervised Learning: Das Buch erklärt dir die Unterschiede und Anwendungsgebiete dieser beiden Lernarten.
- Neuronale Netze und Deep Learning: Du erhältst Einblicke in die Funktionsweise und Anwendung von neuronalen Netzen und Deep-Learning-Techniken.
- Reinforcement Learning: Ein Überblick über Lernmethoden, bei denen ein Modell durch Belohnungen und Bestrafungen lernt.
- LLMs – Moderne Sprachmodelle: Erfahre mehr über die neuesten Entwicklungen im Bereich der Sprachmodelle.
- MLOps – Machine Learning für die Praxis: Die neue Auflage bietet praxisorientierte Informationen zur Implementierung und Verwaltung von Machine-Learning-Projekten.
Praktische Anwendung mit Jupyter Notebooks
Das Buch enthält zahlreiche Codebeispiele, die du in Jupyter Notebooks ausprobieren kannst. Diese Beispiele basieren auf Python und den gängigen Bibliotheken wie Scikit-Learn, Pandas, NumPy, TensorFlow und Keras. So hast du die Möglichkeit, die Konzepte selbst zu erproben und zu vertiefen.
In der dritten Auflage des erfolgreichen Bestsellers wurden neue Kapitel zu den Themen Large Language Models (wie ChatGPT) und MLOps hinzugefügt. Diese Ergänzungen bieten dir einen umfassenden Überblick über moderne Entwicklungen im Bereich des maschinellen Lernens und der praktischen Anwendungen.
