Machine Learning – kurz & gut
Eine Einführung mit Python, Pandas und Scikit-Learn
Diese Publikation zitieren
Accesses
Quotes
Beschreibung / Abstract
Der kompakte Schnelleinstieg in Machine Learning und Deep Learning
- Die Neuauflage des Bestsellers wurde ergänzt durch die Themen Unsupervised Learning und Reinforcement Learning
- Anhand konkreter Datensätzen lernen Sie einen typischen Workflow kennen: vom Datenimport über Datenbereinigung, Datenanalyse bis hin zur Datenvisualisierung
- Nicht nur für zukünftige Data Scientists und ML-Profis geeignet, sondern auch für Interessierte, die nur am Rande mit ML zu tun haben, wie z.B. Softwareentwickler*innen
Machine Learning erreicht heute beinahe alle Bereiche der Technik und der Gesellschaft. Dieses Buch bietet Interessierten, die einen technischen Hintergrund haben, die schnellstmögliche Einführung in das umfangreiche Themengebiet des maschinellen Lernens und der statistischen Datenanalyse. Dabei werden alle wesentlichen Themen abgedeckt und mit praktischen Beispielen in Python, Pandas, TensorFlow und Keras illustriert.
Nach der Lektüre dieses Buchs haben Sie einen Überblick über das gesamte Thema und können Ansätze einordnen und bewerten. Das Buch vermittelt Ihnen eine solide Grundlage, um Ihre ersten eigenen Machine-Learning-Modelle zu trainieren und vertiefende Literatur zu verstehen.
Die aktualisierte 2. Auflage behandelt jetzt auch Unsupervised Learning und Reinforcement Learning.
Beschreibung
Oliver Zeigermann ist Entwickler, Architekt, Berater und Coach aus Hamburg. Über die letzten Jahrzehnte hat er Software in vielen unterschiedlichen Sprachen und Technologien entwickelt. In den letzten Jahren ist er tiefer in die Analyse und Verarbeitung von Daten eingestiegen.
Inhaltsverzeichnis
- BEGINN
- Inhalt
- Kapitel 1: Einführung
- Wie du dieses Buch lesen kannst
- Arten von Machine Learning – ein Überblick
- Kapitel 2: Quick-Start
- Unser erstes Python-Notebook
- Unser Beispiel: Irisblüten
- Wir bringen dem Computer bei, Irisblüten zu unterscheiden
- Nearest Neighbors Classification
- Overfitting
- Underfitting
- Eine bessere Feature-Auswahl
- Weiterführende Links
- Kapitel 3: Datenimport und -vorbereitung
- Datenimport
- Das vorbereitete Projekt
- Preprocessing
- Weiterführende Links
- Kapitel 4: Supervised Learning
- Lineare Regression
- Logistische Regression
- Support Vector Machine
- Decision-Tree-Klassifikator
- Random-Forest-Klassifikator
- Boosted Decision Trees
- Weiterführende Links
- Kapitel 5: Feature-Auswahl
- Reduzierung der Features
- Auswahl der Features
- Principal-Component-Analyse
- Feature-Selektion
- Weiterführende Links
- Kapitel 6: Modellvalidierung
- Metrik für Klassifikation
- Metrik für Regression
- Evaluierung
- Hyperparameter-Suche
- Weiterführende Links
- Kapitel 7: Neuronale Netze und Deep Learning
- Iris mit neuronalen Netzen
- Feed Forward Networks
- Deep Neural Networks
- Anwendungsbeispiel: Erkennung von Verkehrsschildern
- Data Augmentation
- Neuere Ansätze im Bereich CNN
- Weiterführende Links
- Kapitel 8: Unsupervised Learning mit Autoencodern
- Das Szenario: Visuelle Regressionstests mit Autoencodern – eingeschlichene Fehler erkennen
- Die Idee von Autoencodern
- Aufbau unseres Autoencoders
- Training und Ergebnisse
- Was passiert im Autoencoder?
- Fazit
- Weiterführende Links
- Kapitel 9: Deep Reinforcement Learning
- Grundkonzepte und Terminologie
- Ein Beispiel: der hungrige Bär
- Optimierung als Herausforderung
- Technische Modellierung als OpenAI Environment
- Training mit PPO
- Training als Supervised-Deep-Learning- Problemstellung formulieren
- Der Policy-Loss
- Actor-Critic über das Value Network
- Sample-Effizienz und katastrophale Updates
- Exploration vs. Exploitation
- Fazit
- Weiterführende Links
- Index