Durch eine Reihe von Durchbrüchen in jüngster Zeit hat Deep Learning dem gesamten Bereich des maschinellen Lernens Auftrieb gegeben. Jetzt können sogar Programmierer, die so gut wie nichts über diese Technologie wissen, einfache, effiziente Tools verwenden, um Programme zu implementieren, die in der Lage sind, aus Daten zu lernen.. Dieses Bestseller-Buch verwendet konkrete Beispiele, minimale Theorie und produktionsreife Python-Frameworks (Scikit-Learn, Keras und TensorFlow) um Ihnen zu helfen, ein intuitives Verständnis der Konzepte und Werkzeuge zum Aufbau intelligenter Systeme zu erlangen.
Mit dieser aktualisierten dritten Ausgabe untersucht der Autor Aurélien Géron eine Reihe von Techniken, beginnend mit der einfachen linearen Regression bis hin zu tiefen neuronalen Netzwerken. Zahlreiche Codebeispiele und Übungen im gesamten Buch helfen Ihnen, das Gelernte anzuwenden. Alles, was Sie für den Einstieg benötigen, sind Programmiererfahrungen.
Verwenden Sie Scikit-learn, um ein ML-Beispielprojekt von Anfang bis Ende zu verfolgen
Erkunden Sie verschiedene Modelle, darunter Support Vector Machines, Entscheidungsbäume, Random Forests und Ensemble-Methoden
Nutzen Sie unüberwachte Lerntechniken wie Dimensionsreduktion, Clustering und Anomalieerkennung.
Tauchen Sie ein in die Architektur neuronaler Netze, darunter Faltungsnetze, rekurrierende Netze, generative kontradiktorische Netzwerke, Autoencoder, Diffusionsmodelle und Transformatoren.
Verwenden Sie TensorFlow und Keras, um neuronale Netze für Computer Vision, natürliche Sprachverarbeitung, generative Modelle und Deep Reinforcement Learning zu erstellen und zu trainieren.
Über den Autor:
Aurélien Géron ist ein Machine-Learning-Berater. Als ehemaliger Googler leitete er von 2013 bis 2016 das Videoklassifizierungsteam von YouTube.. Er war außerdem Gründer und CTO von Wifirst von 2002 bis 2012, einem führenden Wireless ISP in Frankreich, und Gründer und CTO von Polyconseil im Jahr 2001, einem Telekommunikationsberatungsunternehmen.