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

Aurélien Géron

ISBN 10: 3960092121 / ISBN 13: 9783960092124

Verlag: Dpunkt.Verlag Gmbh Sep 2023, 2023

Beschreibung

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.

Bestandsnummer des Verkäufers 9783960092124

Bibliografische Details

• Titel: Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow : Konzepte, Tools und Techniken für intelligente Systeme
• Verlag: Dpunkt.Verlag Gmbh Sep 2023
• Erscheinungsjahr: 2023
• Sprache: Deutsch
• ISBN-10: 3960092121
• ISBN-13: 9783960092124
• Einband: Taschenbuch
• Zustand: Neu

Über diesen Titel

Inhaltsangabe

Actualizado y ampliado 3. Edición del bestseller en TensorFlow y Deep Learning

• Ahora cubre muchas características nuevas de Scikit-Learn, así como la biblioteca Keras Tuner Library de Hugging Face y la biblioteca de PNL Transformers
• Metódicamente te presenta los conceptos básicos del aprendizaje automático con Scikit-Learn y transmite técnicas de aprendizaje profundo con Keras y TensorFlow
• Con numerosos ejercicios y soluciones.

El aprendizaje automático y el aprendizaje profundo en particular han experimentado avances impresionantes en los últimos años. Mientras tanto, incluso los programadores que saben poco sobre esta tecnología pueden implementar programas de aprendizaje automático con herramientas simples y eficientes. Este trabajo estándar utiliza ejemplos concretos, un mínimo de teoría y marcos de Python inmediatos (Scikit-Learn, Keras y TensorFlow) para brindarle una comprensión intuitiva de los conceptos y herramientas para desarrollar sistemas inteligentes.

En esta 3ª Edición actualizada, Aurélien Géron cubre una amplia gama de técnicas: desde la regresión lineal simple hasta las redes neuronales profundas. Numerosos ejemplos de código y ejercicios te ayudan a implementar lo que has aprendido en la práctica. Todo lo que necesitas es algo de experiencia en programación para comenzar directamente.

• Aprenda los conceptos básicos del aprendizaje automático a través de un extenso proyecto de muestra con Scikit-Learn
• Explore numerosos modelos, incluyendo máquinas vectoriales de soporte, árboles de decisión, bosques aleatorios y métodos de ensamblaje
• Utilice el aprendizaje no supervisado, como la reducción de dimensiones, la agrupación en clústeres y la detección de anomalías
• Crear arquitecturas de redes neuronales como redes neuronales convolucionales, redes neuronales recurrentes, redes generativas adversarias, autocodificadores, modelos de difusión y transformadores
• Utilice TensorFlow y Keras para crear y entrenar redes neuronales para visión por computadora, procesamiento del lenguaje natural, aprendizaje de refuerzo profundo y modelos generativos