Machine Learning mit Python und Keras, TensorFlow2 und Scikit-learn

• Datenanalyse mit ausgereiften statistischen Modellen des Machine Learnings
• Anwendung der wichtigsten Algorithmen und Python-Bibliotheken wie NumPy, SciPy, scikit-learn, TensorFlow 2, Matplotlib, Pandas und Keras
• Best Practices zur Optimierung Ihrer Machine-Learning-Algorithmen

Python ist eine der führenden Programmiersprachen in den Bereichen Machine Learning, Data Science und Deep Learning und ist besonders gut geeignet für das Programmieren von Vorhersagesystemen, Spamfiltern von E-Mail-Programmen, Empfehlungssystemen in Onlineshops Anwendungen zur Bilderkennung und vieles mehr.

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
• Natural Language Processing zur Klassifizierung von Filmbewertungen
• Clusteranalyse zum Auffinden verborgener Muster und Strukturen in Ihren Daten
• Deep-Learning-Verfahren für die Bilderkennung
• Optimale Organisation Ihrer Daten durch effektive Verfahren zur Vorverarbeitung
• 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