Machine Learning mit Python und Keras, TensorFlow 2 Scikit-learn

Das umfassende Praxis-Handbuch

für Data Science, Deep Learning und Predictive Analytics

Machine Learning mit Python und Keras, TensorFlow 2 Scikit-learn

Das umfassende Praxis-Handbuch

für Data Science, Deep Learning und Predictive Analytics

	mitp Verlag
Autor:innen	Sebastian Raschka (3), Vahid Mirjalili
	759 Seiten, Softcover, 3. Auflage
Erschienen	03/2021
	978-3-7475-0213-6 9783747502136

€

Best.-Nr.:

Dieses Praxishandbuch ist eine umfassende Einführung in die Grundlagen sowie den effektiven Einsatz von Machine-Learning- und Deep-Learning-Algorithmen. In zahlreichen Praxisbeispielen lernen Sie den Einsatz wichtiger Python-Bibliotheken, insbesondere Keras, TensorFlow 2 und Scikit-learn. Die für den praktischen Einsatz unverzichtbaren mathematischen Konzepte behandeln die Autoren ebenfalls, immer anhand zahlreicher Diagramme verständlich erläutert. Den sicheren Umgang mit Python setzen die Autoren dabei voraus.

Diese dritte Auflage trägt den für Machine Learning, Neuronale Netze und Deep Learning wichtigen jüngsten Entwicklungen und Technologien Rechnung und wurde komplett für TensorFlow 2 aktualisiert. Insbesondere gehen die Autoren auf die neuen Features der Keras-API, das Synthetisieren neuer Daten mit Generative Adversarial Networks (GANs) sowie die Entscheidungsfindung per Reinforcement Learning ein.

Aus dem Inhalt

Trainieren von Lernalgorithmen und Implementierung in Python
Gängige Klassifikationsalgorithmen wie Support Vector Machines (SVM), Entscheidungsbäume und Random Forest
Natural Language Processing zur Klassifizierung von Filmbewertungen
Clusteranalyse zum Auffinden verborgener Muster und Strukturen in Ihren Daten
Deep-Learning-Verfahren für die Bilderkennung
Datenkomprimierung durch Dimensionsreduktion
Training Neuronaler Netze und GANs mit TensorFlow 2
Kombination verschiedener Modelle für das Ensemble Learning
Einbettung von Machine-Learning-Modellen in Webanwendungen
Stimmungsanalyse in Social Networks
Modellierung sequenzieller Daten durch rekurrente Neuronale Netze
Reinforcement Learning und Implementierung von Q-Learning-Algorithmen

Hier das ganze Inhaltsverzeichnis lesen.

Diese Leseprobe startet mit einer Einführung in die wichtigsten Teilbereiche des Machine Learnings. Außerdem legen die Autoren die grundlegenden Schritte beim Entwurf eines typischen Machine-Learning-Modells dar, die beim Machine Learning in Vorhersagemodellen zum Einsatz kommen.

Blick ins Buch: Machine Learning mit Python

Wer hat's geschrieben?

Sebastian Raschka ist Staff Research Engineer bei Lightning AI, wo er an der Forschung zu großen Sprachmodellen (LLMs) arbeitet und Open-Source-Software entwickelt. Seit über einem Jahrzehnt beschäftigt er sich intensiv mit den Themen Machine Learning und Künstliche Intelligenz. Neben seiner Forschung begeistert ihn besonders die Wissensvermittlung.
Seinen Doktortitel erlangte er an der Michigan State University. Sein wissenschaftlicher Fokus liegt auf der rechnergestützten Analyse biologischer Phänomene und maschinellen Lernverfahren. Im Sommer 2018 wurde er Assistant Professor für Statistik an der University of Wisconsin-Madison, wo er sich insbesondere mit der Entwicklung neuer Deep-Learning-Architekturen für biometrische Anwendungen befasste.
Sebastian verfügt über langjährige Erfahrung in der Python-Programmierung und hat zahlreiche Seminare zu praktischen Data-Science-Anwendungen, Machine Learning und Deep Learning geleitet – darunter auch eine Einführung in Machine Learning auf der SciPy-Konferenz, der führenden Veranstaltung für wissenschaftliches Computing mit Python.
Als Autor des Bestsellers Python Machine Learning hat er sich international einen Namen gemacht. Das Buch wurde mit dem ACM Computing Reviews Best of Award ausgezeichnet und in zahlreiche Sprachen übersetzt, darunter Deutsch, Koreanisch, Chinesisch, Japanisch, Russisch, Polnisch und Italienisch.
In seiner Freizeit engagiert sich Sebastian aktiv in Open-Source-Projekten. Viele seiner Implementierungen finden erfolgreich Anwendung in Mustererkennungswettbewerben wie Kaggle.

Weitere Bücher von Sebastian Raschka (3)

Vahid Mirjalili erlangte seinen Doktortitel als Maschinenbauingenieur an der Michigan State University mit einer Arbeit über neue Verfahren für Computersimulationen molekularer Strukturen. Er interessiert sich leidenschaftlich für Machine Learning und trat dem iProBe-Lab der Michigan State University bei, wo er Anwendungen des Machine Learnings in verschiedenen Computer-Vision-Projekten ("maschinelles Sehen") erforschte. Nach mehreren produktiven Jahren am iProBe-Lab und in der Forschung ist Vahid Mirjalili seit Kurzem beim Unternehmen 3M als Forscher tätig, wo er seine Kenntnisse einsetzen kann, um moderne Machine-Learning- und Deep-Learning-Verfahren auf Aufgabenstellungen aus der Praxis anzuwenden.

Machine Learning mit Python und Keras, TensorFlow 2 Scikit-learn

Das umfassende Praxis-Handbuch

für Data Science, Deep Learning und Predictive Analytics

Machine Learning mit Python und Keras, TensorFlow 2 Scikit-learn

Das umfassende Praxis-Handbuch

für Data Science, Deep Learning und Predictive Analytics

	mitp Verlag
Autor:innen	Sebastian Raschka (3), Vahid Mirjalili
	759 Seiten, Softcover, 3. Auflage
Erschienen	03/2021
	978-3-7475-0213-6 9783747502136

€

Best.-Nr.:

Betriebssysteme

Office-Anwendungen

Utilities, Dienstprogramme

Produktivitäts-Software

Büro & Finanzen

Foto, Audio & Video

Sicherheit & Backup

Programmieren

Apple, Mac

Computer & Office

Künstliche Intelligenz

Programmierung

Grafik & Design

Web & Online-Marketing

Server & Netzwerke

Für Maker, Elektronik & Co.

Business

Basics

Fototechniken

Fotogenres

Bildbearbeitung

Kamerahandbücher

Weitere Themen

Home

Software

Software-Neuerscheinungen

Marken

Für Unternehmen

Für Schüler und Studenten

Lesen Computing

Lesen Fotografie

Bücher-Neuerscheinungen

Bücher zum Vorbestellen

Neuheiten

Jobs bei uns

IT-Fachbücher Kategorien

Machine Learning mit Python und Keras, TensorFlow 2 Scikit-learn

Das umfassende Praxis-Handbuch

für Data Science, Deep Learning und Predictive Analytics

Aus dem Inhalt

Wer hat's geschrieben?