Machine Learning & KI
Deep Learning - Das umfassende Handbuch
Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning. In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt. In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf. Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt.Aus dem Inhalt:Teil I: Angewandte Mathematik und Grundlagen für das Machine Learning • Lineare Algebra • Wahrscheinlichkeits- und Informationstheorie • Bayessche Statistik • Numerische BerechnungTeil II: Deep-Learning-Verfahren • Tiefe Feedforward-Netze • Regularisierung • Optimierung beim Trainieren tiefer Modelle • Convolutional Neural Networks • Sequenzmodellierung für Rekurrente und Rekursive Netze • Praxisorientierte Methodologie • Anwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher SpracheTeil III: Deep-Learning-Forschung • Lineare Faktorenmodelle • Autoencoder • Representation Learning • Probabilistische graphische Modelle • Monte-Carlo-Verfahren • Die Partitionsfunktion • Approximative Inferenz • Tiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m.
Deep Learning mit R und Keras
Dieses Buch ist eine praxisorientierte Einführung und erläutert die grundlegenden Konzepte sowie den konkreten Einsatz von Deep Learning. Der Autor verzichtet dabei weitgehend auf mathematische Formeln und legt stattdessen den Fokus auf das Vermitteln der praktischen Anwendung von Machine Learning und Deep Learning. Anhand zahlreicher Beispiele erfahren Sie alles, was Sie benötigen, um Deep Learning zum Lösen konkreter Aufgabenstellungen einzusetzen. Dafür verwendet der Autor die Programmiersprache R und die Deep-Learning-Bibliothek Keras, die das beliebteste und am besten geeignete Tool für den Einstieg in Deep Learning ist. Lernen Sie alles über die iCloud und die damit verbundene Apple-ID. Das Buch besteht aus zwei Teilen: Teil I ist eine allgemeine Einführung in das Deep Learning und erläutert die grundlegenden Zusammenhänge und Begriffe sowie alle erforderlichen Konzepte, die für den Einstieg in Deep Learning und Neuronale Netze wichtig sind. In Teil II erläutert der Autor ausführlich die praktischen Anwendungen des Deep Learnings beim maschinellen Sehen (Computer Vision) und bei der Verarbeitung natürlicher Sprache. Viele der hier vorgestellten Beispiele können Ihnen später als Vorlage zum Lösen von Problemen dienen, die Ihnen in der Praxis des Deep Learnings begegnen werden. Das Buch wendet sich an Leser, die bereits Programmiererfahrung mit R haben und die ins Machine Learning und Deep Learning einsteigen möchten. Für den Einsatz von Keras werden grundlegende R-Kenntnisse vorausgesetzt. Aus dem Inhalt: - Was ist Deep Learning? - Die mathematischen Bausteine eines neuronalen Netzes - Einführung in neuronale Netze - Keras, TensorFlow, Theano und CNTK - Grundlagen des Machine Learnings - Deep Learning und maschinelles Sehen - Deep Learning, Text und sequenzielle Daten - Bewährte Verfahren des Deep Learnings - Generatives Deep Learning - Installation von Keras und der Erweiterungen unter Ubuntu - RStudio-Server auf einer EC2-GPU-Instanz betreiben
Data Science mit Python
Python ist für viele die erste Wahl für Data Science, weil eine Vielzahl von Ressourcen und Bibliotheken zum Speichern, Bearbeiten und Auswerten von Daten verfügbar ist. In diesem Buch erläutert der Autor den Einsatz der wichtigsten Tools. Für Datenanalytiker und Wissenschaftler ist dieses umfassende Handbuch von unschätzbarem Wert für jede Art von Berechnung mit Python sowie bei der Erledigung alltäglicher Aufgaben. Dazu gehören das Bearbeiten, Umwandeln und Bereinigen von Daten, die Visualisierung verschiedener Datentypen und die Nutzung von Daten zum Erstellen von Statistiken oder Machine-Learning-Modellen. Dieses Handbuch erläutert die Verwendung der folgenden Tools:• IPython und Jupyter für datenintensive Berechnungen• NumPy und Pandas zum effizienten Speichern und Bearbeiten von Daten und Datenarrays in Python• Matplotlib für vielfältige Möglichkeiten der Visualisierung von Daten• Scikit-Learn zur effizienten und sauberen Implementierung der wichtigsten und am meisten verbreiteten Algorithmen des Machine Learnings Der Autor zeigt Ihnen, wie Sie die zum Betreiben von Data Science verfügbaren Pakete nutzen, um Daten effektiv zu speichern, zu handhaben und Einblick in diese Daten zu gewinnen. Grundlegende Kenntnisse in Python werden dabei vorausgesetzt.
Machine Learning mit Python
Beschreibung Machine Learning und Predictive Analytics verändern die Arbeitsweise von Unternehmen grundlegend. Die Fähigkeit, in komplexen Daten Trends und Muster zu erkennen, ist heutzutage für den langfristigen geschäftlichen Erfolg ausschlaggebend und entwickelt sich zu einer der entscheidenden Wachstumsstrategien. Sebastian Raschka gibt Ihnen einen detaillierten Einblick in die Techniken der Predictive Analytics. Er erläutert die grundlegenden theoretischen Prinzipien des Machine Learnings und wendet sie praktisch an. Dabei konzentriert er sich insbesondere auf das Stellen und Beantworten der richtigen Fragen. Python zählt zu den führenden Programmiersprachen im Bereich Data Science und ist besonders gut dazu geeignet, grundlegende Erkenntnisse aus Ihren Daten zu gewinnen sowie ausgefeilte Algorithmen und statistische Modelle auszuarbeiten, die neue Einsichten liefern und wichtige Fragen beantworten. Der Autor erläutert in diesem Buch ein breites Spektrum leistungsfähiger Python-Bibliotheken wie scikit-learn, Theano oder Keras. Sie lernen Schritt für Schritt die Grundlagen von Python für maschinelle Lernverfahren kennen und setzen dabei eine Vielfalt von statistischen Modellen ein. Über den Autor Sebastian Raschka ist Doktorand an der Michigan State University und entwickelt neue Rechenverfahren im Bereich der Bioinformatik. Er wurde auf GitHub von Analytics Vidhya als einflussreichster Datenanalytiker eingestuft. Er verfügt über jahrelange Erfahrung in der Python-Programmierung und hat mehrere Seminare über praktische Data-Science-Anwendungen und maschinelles Lernen geleitet. Seine Erfahrungen mit Data Science, maschinellem Lernen und Python-Programmierung haben ihn dazu motiviert, dieses Buch zu schreiben, um es auch Leuten ohne Kenntnisse maschineller Lernverfahren zu ermöglichen, datengesteuerte Lösungen zu entwickeln. Außerdem hat er aktiv Beiträge zu Open-Source-Projekten geleistet und die von ihm implementierten Verfahren werden inzwischen erfolgreich in Wettbewerben eingesetzt, die maschinelles Lernen zum Thema haben, wie z.B. Kaggle. In seiner Freizeit entwickelt er Vorhersagemodelle für Sportergebnisse.