Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow : Konzepte, Tools und Techniken für intelligente Systeme

Aurélien Géron

ISBN 10: 3960092121 / ISBN 13: 9783960092124

Editore: Dpunkt.Verlag Gmbh Sep 2023, 2023

Riguardo questo articolo

Neuware - Behandelt jetzt viele neue Features von Scikit-Learn sowie die Keras-Tuner-Bibliothek und die NLP-Bibliothek Transformers von Hugging Face 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 Mit zahlreiche Übungen und Lösungen Maschinelles Lernen und insbesondere Deep Learning haben in den letzten Jahren eindrucksvolle Durchbrüche erlebt. Inzwischen können sogar Programmierer, die kaum etwas über diese Technologie wissen, mit einfachen, effizienten Werkzeugen Machine-Learning-Programme implementieren. Dieses Standardwerk verwendet konkrete Beispiele, ein Minimum an Theorie und unmittelbar einsetzbare Python-Frameworks (Scikit-Learn, Keras und TensorFlow), um Ihnen ein intuitives Verständnis der Konzepte und Tools für das Entwickeln intelligenter Systeme zu vermitteln. In dieser aktualisierten 3. Auflage behandelt Aurélien Géron eine große Bandbreite von Techniken: von der einfachen linearen Regression bis hin zu Deep Neural Networks. Zahlreiche Codebeispiele und Übungen helfen Ihnen, das Gelernte praktisch umzusetzen. Sie benötigen lediglich etwas Programmiererfahrung, um direkt zu starten. Lernen Sie die Grundlagen des Machine Learning anhand eines umfangreichen Beispielprojekts mit Scikit-Learn Erkunden Sie zahlreiche Modelle, einschließlich Support Vector Machines, Entscheidungsbäume, Random Forests und Ensemble-Methoden Nutzen Sie unüberwachtes Lernen wie Dimensionsreduktion, Clustering und Anomalieerkennung Erstellen Sie neuronale Netzarchitekturen wie Convolutional Neural Networks, Recurrent Neural Networks, Generative Adversarial Networks, Autoencoder, Diffusionsmodelle und Transformer Verwenden Sie TensorFlow und Keras zum Erstellen und Trainieren neuronaler Netze für Computer Vision, Natural Language Processing, Deep Reinforcement Learning und generative Modelle.

Codice articolo 9783960092124

Dati bibliografici

• Titolo: Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow : Konzepte, Tools und Techniken für intelligente Systeme
• Editore: Dpunkt.Verlag Gmbh Sep 2023
• Data di pubblicazione: 2023
• Lingua: Tedesco
• ISBN 10: 3960092121
• ISBN 13: 9783960092124
• Rilegatura: Taschenbuch
• Condizione: Neu

Descrizione articolo

Riassunto

Aggiornato e ampliato 3. Edizione del bestseller su TensorFlow e Deep Learning

• Ora copre molte nuove funzionalità di Scikit-Learn, così come la Keras Tuner Library di Hugging Face e la libreria NLP Transformers
• Ti introduce metodicamente alle basi del machine learning con Scikit-Learn e trasmette tecniche di deep learning con Keras e TensorFlow
• Con numerosi esercizi e soluzioni.

In particolare, il machine learning e il deep learning hanno registrato notevoli progressi negli ultimi anni. Nel frattempo, anche i programmatori che sanno poco di questa tecnologia possono implementare programmi di apprendimento automatico con strumenti semplici ed efficienti. Questo lavoro standard utilizza esempi concreti, un minimo di teoria e framework Python immediati (Scikit-Learn, Keras e TensorFlow) per darti una comprensione intuitiva dei concetti e degli strumenti per lo sviluppo di sistemi intelligenti.

In questa terza edizione aggiornata, Aurélien Géron copre una vasta gamma di tecniche: dalla semplice regressione lineare alle reti neurali profonde. Numerosi esempi di codice ed esercizi ti aiutano a implementare ciò che hai imparato nella pratica. Tutto ciò di cui hai bisogno è un'esperienza di programmazione per iniziare direttamente.

• Impara le basi del machine learning attraverso un ampio progetto di esempio con Scikit-Learn
• Esplora numerosi modelli tra cui Support Vector Machines, Decision Trees, Random Forests e Ensemble Methods
• Utilizzare l'apprendimento non supervisionato come la riduzione delle dimensioni, il clustering e il rilevamento delle anomalie
• Creare architetture di rete neurale come reti neurali convoluzionali, reti neurali ricorrenti, reti generative contraddittorie, autoencoder, modelli di diffusione e trasformatori
• Usa TensorFlow e Keras per creare e addestrare reti neurali per la visione artificiale, l'elaborazione del linguaggio naturale, l'apprendimento del rinforzo profondo e i modelli generativi