Andere Kunden interessierten sich auch für
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
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
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
Pete Warden, Mobile Lead bei TensorFlow