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

Zusatztext

<ul><li><b>Datenanalyse mit ausgereiften statistischen Modellen des Machine Learnings</b></li><li><b>Anwendung der wichtigsten Algorithmen und Python-Bibliotheken wie NumPy, SciPy, Scikit-learn, Keras, TensorFlow 2, Pandas und Matplotlib</b></li><li><b>Best Practices zur Optimierung Ihrer Machine-Learning-Algorithmen</b></li></ul><p>Mit diesem Buch erhalten Sie eine umfassende Einführung in die Grundlagen und den effektiven Einsatz von Machine-Learning- und Deep-Learning-Algorithmen und wenden diese anhand zahlreicher Beispiele praktisch an. Dafür setzen Sie ein breites Spektrum leistungsfähiger Python-Bibliotheken ein, insbesondere Keras, TensorFlow 2 und Scikit-learn. Auch die für die praktische Anwendung unverzichtbaren mathematischen Konzepte werden verständlich und anhand zahlreicher Diagramme anschaulich erläutert.</p><p>Die dritte Auflage dieses Buchs wurde für TensorFlow 2 komplett aktualisiert und berücksichtigt die jüngsten Entwicklungen und Technologien, die für Machine Learning, Neuronale Netze und Deep Learning wichtig sind. Dazu zählen insbesondere die neuen Features der Keras-API, das Synthetisieren neuer Daten mit Generative Adversarial Networks (GANs) sowie die Entscheidungsfindung per Reinforcement Learning.</p><p>Ein sicherer Umgang mit Python wird vorausgesetzt.</p><p><b>Aus dem Inhalt:</b></p><ul><li>Trainieren von Lernalgorithmen und Implementierung in Python</li><li>Gängige Klassifikationsalgorithmen wie Support Vector Machines (SVM), Entscheidungsbäume und Random Forest</li><li>Natural Language Processing zur Klassifizierung von Filmbewertungen</li><li>Clusteranalyse zum Auffinden verborgener Muster und Strukturen in Ihren Daten</li><li>Deep-Learning-Verfahren für die Bilderkennung</li><li>Datenkomprimierung durch Dimensionsreduktion</li><li>Training Neuronaler Netze und GANs mit TensorFlow 2</li><li>Kombination verschiedener Modelle für das Ensemble Learning</li><li>Einbettung von Machine-Learning-Modellen in Webanwendungen</li><li>Stimmungsanalyse in Social Networks</li><li>Modellierung sequenzieller Daten durch rekurrente Neuronale Netze</li><li>Reinforcement Learning und Implementierung von Q-Learning-Algorithmen</li></ul>

Autorenportrait

<p>Sebastian Raschka ist Assistant Professor für Statistik an der University of Wisconsin-Madison, wo er an der Entwicklung neuer Deep-Learning-Architekturen im Gebiet der Biometrie forscht. Er leitete verschiedene Seminare u.a. auf der SciPy-Konferenz.</p><p>Vahid Mirjalili erforschte mehrere Jahre an der Michigan State University Anwendungen des Machine Learnings in verschiedenen Computer-Vision-Projekten. Heute ist er in der Forschung des Unternehmens 3M im Bereich Machine Learning tätig.</p>

Weitere Details