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

Das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics

---

Beschreibung:

- 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-AlgorithmenMit 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

---

Über die Urheberinnen:

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 im Bereich Machine Learning tätig.

---

Produktdetails:

• Autor:in: Sebastian Raschka, Vahid Mirjalili
• Erscheinungsdatum: 12.03.2021
• Sprache: Deutsch
• Seitenumfang: 768 Seiten
• ISBN: 9783747502136