Beschreibung
Hands-On Machine Learning mit Scikit-Learn, Keras und TensorFlow, 3. Auflage, ist ein umfassendes Buch, das Programmierer mit dem Wissen und den Werkzeugen ausstattet, um Systeme für maschinelles Lernen und Deep Learning zu implementieren. Durch eine Reihe von jüngsten Durchbrüchen hat Deep Learning das Feld erheblich vorangetrieben und es für Personen mit begrenztem Vorwissen zugänglich gemacht. Dieses Buch schließt diese Lücke, indem es sich auf praktische Anwendung und intuitives Verständnis konzentriert.
Weiterlesen
Der Kern des Buches dreht sich um die Verwendung von produktionsreifen Python-Frameworks: Scikit-Learn für traditionelle Aufgaben des maschinellen Lernens und Keras und TensorFlow für Deep Learning. Es führt die Leser durch den Aufbau intelligenter Systeme, beginnend mit grundlegenden Konzepten wie linearer Regression und fortschreitend zu komplexen tiefen neuronalen Netzen. Der Ansatz betont konkrete Beispiele und minimale Theorie, um sicherzustellen, dass die Leser schnell praktische Fähigkeiten erwerben können.
Die aktualisierte dritte Auflage untersucht eine breite Palette von Techniken. Die Leser lernen, ein Beispiel-ML-Projekt von Anfang bis Ende mit Scikit-learn zu verfolgen, wobei verschiedene Modelle wie Support Vector Machines, Entscheidungsbäume, Random Forests und Ensemble-Methoden behandelt werden. Unüberwachte Lerntechniken, einschließlich Dimensionsreduktion, Clustering und Anomalieerkennung, werden ebenfalls gründlich untersucht. Für Deep Learning befasst sich das Buch mit neuronalen Netzwerkarchitekturen wie Convolutional Nets, Recurrent Nets, Generative Adversarial Networks, Autoencodern, Diffusionsmodellen und Transformatoren.
Darüber hinaus bietet das Buch umfassende Anleitungen zur Verwendung von TensorFlow und Keras zum Erstellen und Trainieren von neuronalen Netzen für verschiedene Anwendungen, darunter Computer Vision, natürliche Sprachverarbeitung, generative Modelle und Deep Reinforcement Learning. Zahlreiche Codebeispiele und Übungen sind im gesamten Text integriert, um das Lernen zu vertiefen und praktische Experimente zu fördern. Die einzige Voraussetzung ist Programmiererfahrung, was es zu einer idealen Ressource für Entwickler macht, die in das Feld der KI und des maschinellen Lernens einsteigen möchten.
- KategorieWeitere KI-Tools
Buchdetails
Praktischer Leitfaden für maschinelles Lernen und Deep Learning
Nutzt Scikit-Learn für traditionelle ML-Aufgaben
Verwendet Keras und TensorFlow für Deep Learning
Behandelt Techniken von linearer Regression bis zu tiefen neuronalen Netzen
Konzentriert sich auf konkrete Beispiele und minimale Theorie
Enthält zahlreiche Codebeispiele und Übungen
Erforscht verschiedene ML-Modelle (SVM, Entscheidungsbäume, Random Forests, Ensembles)
Behandelt unüberwachtes Lernen (Dimensionsreduktion, Clustering, Anomalieerkennung)
Beschreibt neuronale Netzwerkarchitekturen (CNNs, RNNs, GANs, Autoencoder, Diffusionsmodelle, Transformatoren)
Anwendungen in Computer Vision, NLP, generativen Modellen und Deep Reinforcement Learning
Aktualisierte dritte Auflage mit aktuellen Praktiken
Für wen dieses Buch ist
- Intelligente Systeme erstellen
- Computer Vision Aufgaben
- Natürliche Sprachverarbeitung
- Generative Modelle
- Deep Reinforcement Learning
- Datenanalyse und Vorhersage
- Anomalieerkennung
