Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn: Das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics

Raschka, Sebastian/ Mirjalili, Vahid

ISBN 10: 374750213X / ISBN 13: 9783747502136

Editore: MITP Verlags GmbH, 2021

Riguardo questo articolo

German language. 9.37x6.73x1.65 inches. In Stock.

Codice articolo __374750213X

Dati bibliografici

• Titolo: Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn: Das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
• Editore: MITP Verlags GmbH
• Data di pubblicazione: 2021
• Lingua: Tedesco
• ISBN 10: 374750213X
• ISBN 13: 9783747502136
• Rilegatura: Paperback
• Condizione: Brand New
• Peso: 1,26 chilogrammi

Descrizione articolo

Riassunto

• Datenanalyse mit ausgereiften statistischen Modellen des Machine Learnings
• Anwendung der wichtigsten Algorithmen und Python-Bibliotheken wie NumPy, SciPy, Scikit-learn, Keras, TensorFlow 2, Pandas und Matplotlib
• Best Practices zur Optimierung Ihrer Machine-Learning-Algorithmen

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.

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.

Ein sicherer Umgang mit Python wird vorausgesetzt.

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

Informazioni sull?autore

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.

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 tätig, wo er moderne Machine-Learning- und Deep-Learning-Verfahren in der Praxis anwendet.