Warenkorb
 

Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow

Konzepte, Tools und Techniken für intelligente Systeme

Durchbrüche beim Deep Learning haben das maschinelle Lernen in den letzten Jahren eindrucksvoll vorangebracht. Inzwischen können sogar Programmierer, die kaum etwas über diese Technologie wissen, mit einfachen, effizienten Werkzeugen Machine-Learning-Programme implementieren. Dieses praxisorientierte Buch zeigt Ihnen wie.

Mit konkreten Beispielen, einem Minimum an Theorie und zwei unmittelbar anwendbaren Python-Frameworks – Scikit-Learn und TensorFlow – verhilft Ihnen der Autor Aurélien Géron zu einem intuitiven Verständnis der Konzepte und Tools für das Entwickeln intelligenter Systeme. Sie lernen eine Vielzahl von Techniken kennen, beginnend mit einfacher linearer Regression bis hin zu neuronalen Netzen. Übungen zu jedem Kapitel helfen Ihnen, das Gelernte in die Praxis umzusetzen. Sie benötigen lediglich etwas Programmiererfahrung, um direkt zu starten.

- Entdecken Sie Machine Learning, insbesondere neuronale Netze und das Deep Learning
- Verwenden Sie Scikit-Learn, um ein Machine-Learning-Beispielprojekt vom Anfang bis zum Ende nachzuvollziehen
- Erkunden Sie verschiedene trainierbare Modelle, darunter Support Vector Machines, Entscheidungsbäume, Random Forests und Ensemble-Methoden
- Nutzen Sie die Bibliothek TensorFlow, um neuronale Netze zu erstellen und zu trainieren
- Lernen Sie Architekturen neuronaler Netze kennen, darunter Convolutional Nets, Recurrent Nets und Deep Reinforcement Learning
- Eignen Sie sich Techniken zum Trainieren und Skalieren von neuronalen Netzen an
- Wenden Sie Codebeispiele an, ohne exzessiv die Theorie von Machine Learning oder die Algorithmik durcharbeiten zu müssen
Rezension
Dieses Buch ist eine ausgezeichnete Einführung in Theorie und Praxis der Problemlösung mit neuronalen Netzen. Es behandelt alle Kernpunkte, die Sie zum Entwickeln effektiver Anwendungen benötigen, und gibt Ihnen genug Hintergrundwissen, um die neuesten Forschungsergebnisse zu verstehen. Ich kann dieses Buch jedem empfehlen, der sich für die Praxis von ML interessiert.
Pete Warden, Mobile Lead bei TensorFlow
Portrait
Aurélien Géron arbeitet als Consultant für Machine Learning. Als ehemaliger Mitarbeiter von Google hat er von 2013 bis 2016 das YouTube-Team zur Klassifikation von Videos geleitet. Er war von 2002 bis 2012 Gründer und CTO von Wifirst, einem führenden Wireless ISP in Frankreich; 2001 war er Gründer und CTO von Polyconseil, der Firma, die inzwischen den Carsharing-Dienst Autolib' verwaltet.
Davor war er als Ingenieur in verschiedenen Bereichen tätig: Finanzen (JP Morgan und Société Générale), Verteidigung (das Department of Defense in Kanada) und Gesundheit (Bluttransfusionen). Er hat einige technische Bücher veröffentlicht (zu C++, WiFi und Internetarchitekturen) und war Dozent für Informatik in einer französischen Ingenieursschule.
Sonstige wissenswerte Dinge: Er hat seinen drei Kindern beigebracht, mit den Fingern binär zu zählen (bis 1023), hat Mikrobiologie und Evolutionsgenetik studiert, bevor er sich der Softwareentwicklung zugewandt hat, und sein Fallschirm ging bei seinem zweiten Absprung nicht auf.
… weiterlesen
  • Artikelbild-0
In den Warenkorb

Beschreibung

Produktdetails

Einband Taschenbuch
Seitenzahl 576
Erscheinungsdatum 11.12.2017
Sprache Deutsch
ISBN 978-3-96009-061-8
Verlag Dpunkt.Verlag GmbH
Maße (L/B/H) 24.3/16.7/3.4 cm
Gewicht 1051 g
Übersetzer Kristian Rother
Verkaufsrang 22015
Buch (Taschenbuch)
Buch (Taschenbuch)
Fr. 52.90
Fr. 52.90
inkl. gesetzl. MwSt.
inkl. gesetzl. MwSt.
Versandfertig innert 1 - 2 Werktagen Versandkostenfrei
Versandfertig innert 1 - 2 Werktagen
Versandkostenfrei
In den Warenkorb
Vielen Dank für Ihr Feedback!
Entschuldigung, beim Absenden Ihres Feedbacks ist ein Fehler passiert. Bitte versuchen Sie es erneut.
Ihr Feedback zur Seite
Haben Sie alle relevanten Informationen erhalten?

Kundenbewertungen

Durchschnitt
2 Bewertungen
Übersicht
2
0
0
0
0

Zu empfehlen
von einer Kundin/einem Kunden aus Augsburg am 30.09.2019

Das Buch stellt einen gut strukturierten Überblick über die gängigen Methoden im Bereich des maschinellen Lernens dar. Während sich Teil 1 des Buches mit den Grundlagen befasst (sehr hilfreich war für mich insbesondere Kapitel 2, das die grundsätzliche Herangehensweise an ein ML-Projekt beschreibt), steigt Teil 2 mit neuronalen ... Das Buch stellt einen gut strukturierten Überblick über die gängigen Methoden im Bereich des maschinellen Lernens dar. Während sich Teil 1 des Buches mit den Grundlagen befasst (sehr hilfreich war für mich insbesondere Kapitel 2, das die grundsätzliche Herangehensweise an ein ML-Projekt beschreibt), steigt Teil 2 mit neuronalen Netzen und Deep Learning tiefer in die Materie ein. Meiner Ansicht nach ist das Buch ein Standardwerk und damit Pflichtlektüre für jeden, der sich mit ML beschäftigt. Wie bei O’Reilly üblich finden sich alle genutzten Beispiele online auf github, was die eigene Übung/Anwendung natürlich enorm erleichtert. Super ist auch die Beschreibung im Umgang mit den Daten, es wird wirklich Schritt für Schritt erklärt wie diese verändert werden um sie später nutzen zu können. Kritisieren lässt sich aber, dass LSTMs meiner Ansicht nach ein bisschen zu kurz kommen, hier hätte ich mir etwas detailliertere Ausführungen gewünscht. Alles in allem aber ein sehr gutes Buch, das ich sowohl Einsteigern als auch Fortgeschrittenen ans Herz legen kann!

von einer Kundin/einem Kunden am 23.03.2019
Bewertet: anderes Format

Tiefgehende grafisch visualisiere Konzepte mit Formeln zur Theoretischen Informatik und den ganzen HowTos wie Bereinigung von Daten. Wahnsinnig wertvolles Kompendium!