Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn

* 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