ebook ebooks e-book e-books downloaden bei MyEbooks.ch downloaden

Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme. Aktuell zu TensorFlow 2

:	Aurélien Géron
:	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme. Aktuell zu TensorFlow 2
:	O'Reilly Verlag
:	9783960103394
:	2
:	CHF 32.90
:

:	Programmiersprachen
:	German

:	852
:	Wasserzeichen/DRM
:	PC/MAC/eReader/Tablet
:	PDF

Aktualisierte Neuauflage des Bestsellers zu TensorFlow 2 und Deep Learning Behandelt jetzt auch die High-Level-API Keras Führt Sie methodisch geschickt in die Basics des Machine Learning mit Scikit-Learn ein und vermittelt darauf aufbauend Deep-Learning-Techniken mit Keras und TensorFlow 2 Mit zahlreiche Übungen und Lösungen Eine Reihe technischer Durchbrüche beim Deep Learning haben das gesamte Gebiet des maschinellen Lernens in den letzten Jahren beflügelt. Inzwischen können sogar Programmierer, die kaum etwas über diese Technologie wissen, mit einfachen, effizienten Werkzeugen Machine-Learning-Programme implementieren. Dieses praxisorientierte Buch zeigt Ihnen wie. Mit konkreten Beispielen, einem Minimum an Theorie und zwei unmittelbar anwendbaren Python-Frameworks - Scikit-Learn und TensorFlow 2 - verhilft Ihnen der Autor Aurélien Géron zu einem intuitiven Verständnis der Konzepte und Tools für das Entwickeln intelligenter Systeme. Sie lernen eine Vielzahl von Techniken kennen, beginnend mit einfacher linearer Regression bis hin zu Deep Neural Networks. Die in jedem Kapitel enthaltenen Übungen helfen Ihnen, das Gelernte in die Praxis umzusetzen. Um direkt zu starten, benötigen Sie lediglich etwas Programmiererfahrung.

Aurélien Géron arbeitet als Consultant für Machine Learning. Als ehemaliger Mitarbeiter von Google hat er von 2013 bis 2016 das YouTube-Team zur Klassifikation von Videos geleitet. Er war von 2002 bis 2012 Gründer und CTO von Wifirst, einem führenden Wireless ISP in Frankreich; 2001 war er Gründer und CTO von Polyconseil, der Firma, die inzwischen den Carsharing-Dienst Autolib' verwaltet. Davor war er als Ingenieur in verschiedenen Bereichen tätig: Finanzen (JP Morgan und Société Générale), Verteidigung (das Department of Defense in Kanada) und Gesundheit (Bluttransfusionen). Er hat einige technische Bücher veröffentlicht (zu C++, WiFi und Internetarchitekturen) und war Dozent für Informatik in einer französischen Ingenieursschule. Sonstige wissenswerte Dinge: Er hat seinen drei Kindern beigebracht, mit den Fingern binär zu zählen (bis 1023), hat Mikrobiologie und Evolutionsgenetik studiert, bevor er sich der Softwareentwicklung zugewandt hat, und sein Fallschirm ging bei seinem zweiten Absprung nicht auf.

	Inhalt	5
	Vorwort	17
	Teil I: Die Grundlagen des Machine Learning	29
	Kapitel 1: Die Machine-Learning-Umgebung	31
	Was ist Machine Learning?	32
	Warum wird Machine Learning verwendet?	32
	Anwendungsbeispiel	35
	Unterschiedliche Machine-Learning-Systeme	37
	Überwachtes/unüberwachtes Lernen	37
	Batch- und Online-Learning	44
	Instanzbasiertes versus modellbasiertes Lernen	46
	Die wichtigsten Herausforderungen beim Machine Learning	52
	Unzureichende Menge an Trainingsdaten	52
	Nicht repräsentative Trainingsdaten	54
	Minderwertige Daten	55
	Irrelevante Merkmale	56
	Overfitting der Trainingsdaten	56
	Underfitting der Trainingsdaten	58
	Zusammenfassung	59
	Testen und Validieren	59
	Hyperparameter anpassen und Modellauswahl	60
	Datendiskrepanz	61
	Übungen	62
	Kapitel 2: Ein Machine-Learning-Projekt von A bis Z	65
	Der Umgang mit realen Daten	65
	Betrachte das Gesamtbild	67
	Die Aufgabe abstecken	67
	Wähle ein Qualitätsmaß aus	69
	Überprüfe die Annahmen	72
	Beschaffe die Daten	72
	Erstelle eine Arbeitsumgebung	72
	Die Daten herunterladen	76
	Wirf einen kurzen Blick auf die Datenstruktur	77
	Erstelle einen Testdatensatz	81
	Erkunde und visualisiere die Daten, um Erkenntnisse zu gewinnen	85
	Visualisieren geografischer Daten	86
	Suche nach Korrelationen	88
	Experimentieren mit Kombinationen von Merkmalen	91
	Bereite die Daten für Machine-Learning- Algorithmen vor	92
	Aufbereiten der Daten	92
	Bearbeiten von Text und kategorischen Merkmalen	95
	Eigene Transformer	98
	Skalieren von Merkmalen	99
	Pipelines zur Transformation	100
	Wähle ein Modell aus und trainiere es	102
	Trainieren und Auswerten auf dem Trainingsdatensatz	102
	Bessere Auswertung mittels Kreuzvalidierung	104
	Optimiere das Modell	106
	Gittersuche	106
	Zufällige Suche	108
	Ensemble-Methoden	109
	Analysiere die besten Modelle und ihre Fehler	109
	Evaluiere das System auf dem Testdatensatz	110
	Nimm das System in Betrieb, überwache und warte es	111
	Probieren Sie es aus!	114
	Übungen	115
	Kapitel 3: Klassifikation	117
	MNIST	117
	Trainieren eines binären Klassifikators	119
	Qualitätsmaße	120
	Messen der Genauigkeit über Kreuzvalidierung	120
	Konfusionsmatrix	122
	Relevanz und Sensitivität	124
	Die Wechselbeziehung zwischen Relevanz und Sensitivität	125
	Die ROC-Kurve	128
	Klassifikatoren mit mehreren Kategorien	131
	Fehleranalyse	134
	Klassifikation mit mehreren Labels	137
	Klassifikation mit mehreren Ausgaben	138
	Übungen	140
	Kapitel 4: Trainieren von Modellen	143
	Lineare Regression	144
	Die Normalengleichung	146
	Komplexität der Berechnung	148
	Das Gradientenverfahren	149
	Batch-Gradientenverfahren	152
	Stochastisches Gradientenverfahren	155
	Mini-Batch-Gradientenverfahren	158
	Polynomielle Regression	159
	Lernkurven	161
	Regularisierte lineare Modelle	165
	Ridge-Regression	165
	Lasso-Regression	167
	Elastic Net	170
	Early Stopping	171
	Logistische Regression	172
	Abschätzen von Wahrscheinlichkeiten	173
	Trainieren und Kostenfunktion	174
	Entscheidungsgrenzen	175
	Softmax-Regression	177
	Übungen	181
	Kapitel 5: Support Vector Machines	183
	Lineare Klassifikation mit SVMs	183
	Soft-Margin-Klassifikation	184
	Nichtlineare SVM-Klassifikation	187
	Polynomieller Kernel	188
	Ähnlichkeitsbasierte Merkmale	189
	Der gaußsche RBF-Kernel	190
	Komplexität der Berechnung	191
	SVM-Regression	192
	Hinter den Kulissen	194
	Entscheidungsfunktion und Vorhersagen	194
	Zielfunktionen beim Trainieren	195
	Quadratische Programme	197
	Das duale Problem	198
	Kernel-SVM	199
	Online-SVMs	201
	Übungen	203
	Kapitel 6: Entscheidungsbäume	205
	Trainieren und Visualisieren eines Entscheidungsbaums	205
	Vorhersagen treffen	206
	Schätzen von Wahrscheinlichkeiten für Kategorien	209
	Der CART-Trainingsalgorithmus	209
	Komplexität der Berechnung	210