Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow
Konzepte, Tools und Techniken für intelligente Systeme. Aktuell zu TensorFlow 2
Aurélien Géron
Cite this publication as
Aurélien Géron, Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow (2020), O'Reilly Verlag, Heidelberg, ISBN: 9783960103394
22329
accesses
accesses
352
quotes
quotes
Descripción / Abstract
Aktualisierte Neuauflage des Bestsellers zu TensorFlow 2 und Deep Learning
Behandelt jetzt auch die High-Level-API Keras
Führt Sie methodisch geschickt in die Basics des Machine Learning mit Scikit-Learn ein und vermittelt darauf aufbauend Deep-Learning-Techniken mit Keras und TensorFlow 2
Mit zahlreiche Übungen und Lösungen
Eine Reihe technischer Durchbrüche beim Deep Learning haben das gesamte Gebiet des maschinellen Lernens in den letzten Jahren beflügelt. Inzwischen können sogar Programmierer, die kaum etwas über diese Technologie wissen, mit einfachen, effizienten Werkzeugen Machine-Learning-Programme implementieren. Dieses praxisorientierte Buch zeigt Ihnen wie.
Mit konkreten Beispielen, einem Minimum an Theorie und zwei unmittelbar anwendbaren Python-Frameworks – Scikit-Learn und TensorFlow 2 – verhilft Ihnen der Autor Aurélien Géron zu einem intuitiven Verständnis der Konzepte und Tools für das Entwickeln intelligenter Systeme. Sie lernen eine Vielzahl von Techniken kennen, beginnend mit einfacher linearer Regression bis hin zu Deep Neural Networks. Die in jedem Kapitel enthaltenen Übungen helfen Ihnen, das Gelernte in die Praxis umzusetzen. Um direkt zu starten, benötigen Sie lediglich etwas Programmiererfahrung.
Behandelt jetzt auch die High-Level-API Keras
Führt Sie methodisch geschickt in die Basics des Machine Learning mit Scikit-Learn ein und vermittelt darauf aufbauend Deep-Learning-Techniken mit Keras und TensorFlow 2
Mit zahlreiche Übungen und Lösungen
Eine Reihe technischer Durchbrüche beim Deep Learning haben das gesamte Gebiet des maschinellen Lernens in den letzten Jahren beflügelt. Inzwischen können sogar Programmierer, die kaum etwas über diese Technologie wissen, mit einfachen, effizienten Werkzeugen Machine-Learning-Programme implementieren. Dieses praxisorientierte Buch zeigt Ihnen wie.
Mit konkreten Beispielen, einem Minimum an Theorie und zwei unmittelbar anwendbaren Python-Frameworks – Scikit-Learn und TensorFlow 2 – verhilft Ihnen der Autor Aurélien Géron zu einem intuitiven Verständnis der Konzepte und Tools für das Entwickeln intelligenter Systeme. Sie lernen eine Vielzahl von Techniken kennen, beginnend mit einfacher linearer Regression bis hin zu Deep Neural Networks. Die in jedem Kapitel enthaltenen Übungen helfen Ihnen, das Gelernte in die Praxis umzusetzen. Um direkt zu starten, benötigen Sie lediglich etwas Programmiererfahrung.
Descripción
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.
Davor war er als Ingenieur in verschiedenen Bereichen tätig: Finanzen (JP Morgan und Société Générale), Verteidigung (das Department of Defense in Kanada) und Gesundheit (Bluttransfusionen). Er hat einige technische Bücher veröffentlicht (zu C++, WiFi und Internetarchitekturen) und war Dozent für Informatik in einer französischen Ingenieursschule.
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 ging bei seinem zweiten Absprung nicht auf.
Davor war er als Ingenieur in verschiedenen Bereichen tätig: Finanzen (JP Morgan und Société Générale), Verteidigung (das Department of Defense in Kanada) und Gesundheit (Bluttransfusionen). Er hat einige technische Bücher veröffentlicht (zu C++, WiFi und Internetarchitekturen) und war Dozent für Informatik in einer französischen Ingenieursschule.
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 ging bei seinem zweiten Absprung nicht auf.
Índice
- BEGINN
- Inhalt
- Vorwort
- Teil I: Die Grundlagen des Machine Learning
- Kapitel 1: Die Machine-Learning-Umgebung
- Kapitel 2: Ein Machine-Learning-Projekt von A bis Z
- Kapitel 3: Klassifikation
- Kapitel 4: Trainieren von Modellen
- Kapitel 5: Support Vector Machines
- Kapitel 6: Entscheidungsbäume
- Kapitel 7: Ensemble Learning und Random Forests
- Kapitel 8: Dimensionsreduktion
- Kapitel 9: Techniken des unüberwachten Lernens
- Teil II: Neuronale Netze und Deep Learning
- Kapitel 10: Einführung in künstliche neuronale Netze mit Keras
- Kapitel 11: Trainieren von Deep-Learning-Netzen
- Kapitel 12: Eigene Modelle und Training mit TensorFlow
- Kapitel 13: Daten mit TensorFlow laden und vorverarbeiten
- Kapitel 14: Deep Computer Vision mit Convolutional Neural Networks
- Kapitel 15: Verarbeiten von Sequenzen mit RNNs und CNNs
- Kapitel 16: Natürliche Sprachverarbeitung mit RNNs und Attention
- Kapitel 17: Representation Learning und Generative Learning mit Autoencodern und GANs
- Kapitel 18: Reinforcement Learning
- Kapitel 19: TensorFlow-Modelle skalierbar trainieren und deployen
- Anhang A: Lösungen zu den Übungsaufgaben
- Anhang B: Checkliste für Machine-Learning-Projekte
- Anhang C: Das duale Problem bei SVMs
- Anhang D: Autodiff
- Anhang E: Weitere verbreitete Architekturen neuronaler Netze
- Anhang F: Spezielle Datenstrukturen
- Anhang G: TensorFlow-Graphen
- Index