iX Developer Machine Learning 2020
12,99 €*
Lieferzeit Sofort lieferbar
Highlights:
- Unsupervised Learning
- Reinforcement Learning
- TensorFlow 2 + Keras
- Dreiteiliges Tutorial zur Bildanalyse
- Natural Language Processing mit BERT
- Schutz vor Angriffen auf neuronale Netze
- Urheberrecht und Datenschutz für ML-Projekte
Grundlagen
Unsupervised Learning hilft besonders beim Verständnis unbekannter Daten, und mit Long-Short-Term-Memory-Netzen lässt sich unter anderem Kundenverhalten vorhersagen. Reinforcement Learning gewinnt im produktiven Einsatz zunehmend an Bedeutung. Für alle ML-Anwendungen ist das Verständnis der Black Box wichtig, um Entscheidungen nachzuvollziehen. (Seite 0)
Tools
Python Libraries wie NumPy und Pandas helfen bei der Aufbereitung von Daten. Bei den ML-Frameworks ist TensorFlow weiterhin der Platzhirsch, aber PyTorch etabliert sich ebenfalls in einigen Bereichen. Für die Versionierung von ML-Daten existieren Open-Source-Tools wie DVC. Und auch im mobilen und IoT-Umfeld lässt sich ML sinnvoll nutzen. (Seite 0)
Infrastruktur
Auf dem steinigen Weg vom Modell in den Produktivbetrieb helfen Open-Source-Tools wie ONNX und FastAPI. Die großen Cloud-Provider bieten derweil vorkonfigurierte ML-Dienste an. Für den Betrieb im eigenen Unternehmen existieren unterschiedliche Hardwarebeschleuniger. Die Programmiersprache Julia bietet einige Konzepte, mit der sie Python als ML-Sprache herausfordern möchte. (Seite 0)
Praxis
Die Textanalyse ist ein spannendes Feld, das in den letzten Jahren dank Verfahren wie BERT deutlich an Fahrt aufgenommen hat. Word Embeddings sind ein Standardverfahren, um Zusammenhänge in Texten zu erkennen. Ein dreiteiliges Tutorial führt in die Bildanalyse ein, und das Heft beleuchtet Zeitreihenanalyse, Recommender-Systeme und ML im Kampf gegen Hacking. (Seite 0)
-
Grundlagen: Long Short-Term Memory für Geschäftsanwendungen
- 6 Unsupervised Learning: Methoden und Einsatz
- 16 Experimente für Reinforcement Learning
- 24
- 30 Erklärbarkeit und Fairness
-
Tools
- 34 Ein Streifzug durch die PyData-IT-Landschaft
- 40 TensorFlow 2.0 und Keras: Imperative Modellentwicklung
- 44 PyTorch als Alternative zu TensorFlow
- 48 Data Version Control im Team mit Open-Source-Werkzeugen
- 54 Machine Learning für IoT und Mobile
-
Infrastruktur
- 60 Vom Modell zum produktiven Einsatz
- 64 Machine Learning as a Service
- 70 Hardwarebeschleuniger für neuronale Netze
- 76 Julia – eine differenzierbare Programmiersprachefür ML
-
Praxis
- 84 Word Embeddings: Theorie und Beispielanwendung
- 94 Textanalyse mit BERT
- 100 Methoden für Zeitreihenvorhersagen
- 108 Deep-Learning-Tutorial Bildanalyse: Teil 1: Bilder für das Modelltraining aufbereiten
- 114 Teil 2: Trainieren des Modells
- 120 Teil 3: Einsatz auf der Zielhardware
- 126 Machine Learning zur Schadcode-Erkennung
- 129 Recommender-Systeme in der Praxis
-
Security und Recht
- 137 Gefahren durch Angriffe auf KI
- 140 Neuronale Netze: Angriffe und Verteidigung
- 143 Datenschutz und Urheberrecht bei der KI-Entwicklung
-
Sonstiges
- 3 Editorial
- 89 Impressum