Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn (eBook, ePUB) - Das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
| Format | ePUB |
| Dateigröße | 29.6 MB |
| Schutz | Nein |
| Verlag | MITP Verlags GmbH & Co. KG |
| Auflage | 2021 |
| Umfang | 768 Seiten |
| Artikeltyp | eBook |
| ISBN-10 | 3747502156 |
| EAN | 9783747502150 |
| Bestell-Nr | 74750215P |
- 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