Verfügbarkeit: Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow

Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow: Konzepte, Tools und Techniken für intelligente Systeme

Maschinelles Lernen und insbesondere Deep Learning haben in den letzten Jahren eindrucksvolle Durchbrüche erlebt. Inzwischen können sogar Programmierer, die kaum etwas über diese Technologie wissen, mit einfachen, effizienten Werkzeugen Machine-Learning-Programme implementieren. Dieses Standardwerk...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Géron, Aurélien (VerfasserIn)
Weitere Verfasser:	Rother, Kristian 1977- (ÜbersetzerIn), Demmig, Thomas (ÜbersetzerIn)
Format:	Buch
Sprache:	German English
Veröffentlicht:	Heidelberg O'Reilly 2023
Ausgabe:	3., aktualisierte und erweiterte Auflage
Schlagworte:	Keras > Framework, Informatik Programmbibliothek Deep Learning Python 3.0 TensorFlow Maschinelles Lernen Künstliche Intelligenz Python > Programmiersprache Neuronales Netz
Online-Zugang:	Inhaltsverzeichnis
Zusammenfassung:	Maschinelles Lernen und insbesondere Deep Learning haben in den letzten Jahren eindrucksvolle Durchbrüche erlebt. Inzwischen können sogar Programmierer, die kaum etwas über diese Technologie wissen, mit einfachen, effizienten Werkzeugen Machine-Learning-Programme implementieren. Dieses Standardwerk verwendet konkrete Beispiele, ein Minimum an Theorie und unmittelbar einsetzbare Python-Frameworks (Scikit-Learn, Keras und TensorFlow), um Ihnen ein intuitives Verständnis der Konzepte und Tools für das Entwickeln intelligenter Systeme zu vermitteln. In dieser aktualisierten 3. Auflage behandelt Aurélien Géron eine große Bandbreite von Techniken: von der einfachen linearen Regression bis hin zu Deep Neural Networks. Zahlreiche Codebeispiele und Übungen helfen Ihnen, das Gelernte praktisch umzusetzen. Sie benötigen lediglich etwas Programmiererfahrung, um direkt zu starten.
Beschreibung:	876 Seiten Illustrationen, Diagramme
ISBN:	9783960092124 3960092121

Internformat

MARC


LEADER	00000nam a2200000 c 4500
001	BV049294993
003	DE-604
005	20240516
007	t\|
008	230823s2023 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
016	7		\|a 1290309310 \|2 DE-101
020			\|a 9783960092124 \|c Broschur : EUR 54.90 (DE), EUR 56.50 (AT) \|9 978-3-96009-212-4
020			\|a 3960092121 \|c Broschur \|9 3-96009-212-1
024	3		\|a 9783960091240
035			\|a (OCoLC)1396133865
035			\|a (DE-599)BVBBV049294993
040			\|a DE-604 \|b ger \|e rda
041	1		\|a ger \|h eng
044			\|a gw \|c XA-DE-BW
049			\|a DE-945 \|a DE-860 \|a DE-1050 \|a DE-188 \|a DE-523 \|a DE-858 \|a DE-1102 \|a DE-11 \|a DE-1049 \|a DE-92 \|a DE-M347 \|a DE-20 \|a DE-573 \|a DE-706 \|a DE-91G
082	0		\|a 006.31 \|2 23/ger
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a ST 304 \|0 (DE-625)143653: \|2 rvk
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
084			\|a DAT 368 \|2 stub
084			\|a 004 \|2 sdnb
084			\|a DAT 316 \|2 stub
084			\|a DAT 708 \|2 stub
100	1		\|a Géron, Aurélien \|e Verfasser \|0 (DE-588)1131560930 \|4 aut
240	1	0	\|a Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow
245	1	0	\|a Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow \|b Konzepte, Tools und Techniken für intelligente Systeme \|c Aurélien Géron ; deutsche Übersetzung von Kristian Rother & Thomas Demmig
250			\|a 3., aktualisierte und erweiterte Auflage
264		1	\|a Heidelberg \|b O'Reilly \|c 2023
300			\|a 876 Seiten \|b Illustrationen, Diagramme
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
505	8		\|a Lernen Sie die Grundlagen des Machine Learning anhand eines umfangreichen Beispielprojekts mit Scikit-Learn Erkunden Sie zahlreiche Modelle, einschließlich Support Vector Machines, Entscheidungsbäume, Random Forests und Ensemble-Methoden Nutzen Sie unüberwachtes Lernen wie Dimensionsreduktion, Clustering und Anomalieerkennung Erstellen Sie neuronale Netzarchitekturen wie Convolutional Neural Networks, Recurrent Neural Networks, Generative Adversarial Networks, Autoencoder, Diffusionsmodelle und Transformer Verwenden Sie TensorFlow und Keras zum Erstellen und Trainieren neuronaler Netze für Computer Vision, Natural Language Processing, Deep Reinforcement Learning und generative Modelle
520	3		\|a Maschinelles Lernen und insbesondere Deep Learning haben in den letzten Jahren eindrucksvolle Durchbrüche erlebt. Inzwischen können sogar Programmierer, die kaum etwas über diese Technologie wissen, mit einfachen, effizienten Werkzeugen Machine-Learning-Programme implementieren. Dieses Standardwerk verwendet konkrete Beispiele, ein Minimum an Theorie und unmittelbar einsetzbare Python-Frameworks (Scikit-Learn, Keras und TensorFlow), um Ihnen ein intuitives Verständnis der Konzepte und Tools für das Entwickeln intelligenter Systeme zu vermitteln. In dieser aktualisierten 3. Auflage behandelt Aurélien Géron eine große Bandbreite von Techniken: von der einfachen linearen Regression bis hin zu Deep Neural Networks. Zahlreiche Codebeispiele und Übungen helfen Ihnen, das Gelernte praktisch umzusetzen. Sie benötigen lediglich etwas Programmiererfahrung, um direkt zu starten.
650	0	7	\|a Keras \|g Framework, Informatik \|0 (DE-588)1160521077 \|2 gnd \|9 rswk-swf
650	0	7	\|a Programmbibliothek \|0 (DE-588)4121521-7 \|2 gnd \|9 rswk-swf
650	0	7	\|a Deep Learning \|0 (DE-588)1135597375 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python 3.0 \|0 (DE-588)7624871-9 \|2 gnd \|9 rswk-swf
650	0	7	\|a TensorFlow \|0 (DE-588)1153577011 \|2 gnd \|9 rswk-swf
650	0	7	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Neuronales Netz \|0 (DE-588)4226127-2 \|2 gnd \|9 rswk-swf
689	0	0	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|D s
689	0	1	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0	2	\|a Programmbibliothek \|0 (DE-588)4121521-7 \|D s
689	0	3	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	0	4	\|a TensorFlow \|0 (DE-588)1153577011 \|D s
689	0	5	\|a Keras \|g Framework, Informatik \|0 (DE-588)1160521077 \|D s
689	0		\|5 DE-604
689	1	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	1	1	\|a Deep Learning \|0 (DE-588)1135597375 \|D s
689	1	2	\|a Neuronales Netz \|0 (DE-588)4226127-2 \|D s
689	1	3	\|a Programmbibliothek \|0 (DE-588)4121521-7 \|D s
689	1	4	\|a Python 3.0 \|0 (DE-588)7624871-9 \|D s
689	1	5	\|a TensorFlow \|0 (DE-588)1153577011 \|D s
689	1	6	\|a Keras \|g Framework, Informatik \|0 (DE-588)1160521077 \|D s
689	1		\|5 DE-604
700	1		\|a Rother, Kristian \|d 1977- \|0 (DE-588)133397068 \|4 trl
700	1		\|a Demmig, Thomas \|0 (DE-588)128548568 \|4 trl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 978-3-96010-760-6
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, EPUB \|z 978-3-96010-761-3
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, MOBI \|z 978-3-96010-762-0
856	4	2	\|m DNB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034556334&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
943	1		\|a oai:aleph.bib-bvb.de:BVB01-034556334

Datensatz im Suchindex

_version_	1823932152792743936
adam_text	INHALT VORWORT . 17 TEIL I DIE GRUNDLAGEN DES MACHINE LEARNING 1 DIE MACHINE-LEARNING-UMGEBUNG . 31 WAS IST MACHINE LEARNING? . 32 WARUM WIRD MACHINE LEARNING VERWENDET? . 33 ANWENDUNGSBEISPIEL . 36 UNTERSCHIEDLICHE MACHINE-LEARNING-SYSTEME . 37 T RAININGSUEBERWACHUNG . 38 BATCH UND ONLINE-LEARNING . 46 INSTANZBASIERTES VERSUS MODELLBASIERTES LERNEN . 49 DIE WICHTIGSTEN HERAUSFORDERUNGEN BEIM MACHINE LEARNING . 55 UNZUREICHENDE MENGE AN TRAININGSDATEN . 55 NICHT REPRAESENTATIVE TRAININGSDATEN . 56 MINDERWERTIGE DATEN . 58 IRRELEVANTE MERKMALE . 58 OVERFITTING DER TRAININGSDATEN . 59 UNDERFITTING DER TRAININGSDATEN . 61 ZUSAMMENFASSUNG . 62 TESTEN UND VALIDIEREN . 62 HYPERPARAMETER ANPASSEN UND MODELLAUSWAHL . 63 DATENDISKREPANZ . 64 UEBUNGEN . 66 2 EIN MACHINE-LEARNING-PROJEKT VON A BIS Z . 69 DER UMGANG MIT REALEN DATEN . 69 BETRACHTE DAS GESAMTBILD . 71 DIE AUFGABE ABSTECKEN . 71 I 5 WAEHLE EIN QUALITAETSMASS AUS . 73 UEBERPRUEFE DIE ANNAHMEN . 76 BESCHAFFE DIE DATEN . 76 DIE CODEBEISPIELE MIT GOOGLE COLAB AUSFUEHREN . 76 IHRE CODEAENDERUNGEN UND DATEN SICHERN . 79 INTERAKTIVITAET - MAECHTIG, ABER GEFAEHRLICH . 80 CODE IM BUCH VERSUS NOTEBOOK-CODE . 80 DIE DATEN HERUNTERLADEN . 81 WIRF EINEN KURZEN BLICK AUF DIE DATENSTRUKTUR . 82 ERSTELLE EINEN TESTDATENSATZ . 86 ERKUNDE UND VISUALISIERE DIE DATEN, UM ERKENNTNISSE ZU GEWINNEN . 91 VISUALISIEREN GEOGRAFISCHER DATEN . 91 SUCHE NACH KORRELATIONEN . 93 EXPERIMENTIEREN MIT KOMBINATIONEN VON MERKMALEN . 96 BEREITE DIE DATEN FUER MACHINE-LEARNING-ALGORITHMEN VOR . 97 AUFBEREITEN DER DATEN . 98 BEARBEITEN VON TEXT UND KATEGORISCHEN MERKMALEN . 101 SKALIEREN UND TRANSFORMIEREN VON MERKMALEN . 105 EIGENE TRANSFORMER . 109 PIPELINES ZUR TRANSFORMATION . 113 WAEHLE EIN MODELL AUS UND TRAINIERE ES . 118 TRAINIEREN UND AUSWERTEN AUF DEM TRAININGSDATENSATZ . 118 BESSERE AUSWERTUNG MITTELS KREUZVALIDIERUNG . 120 OPTIMIERE DAS MODELL . 122 GITTERSUCHE . 122 ZUFAELLIGE SUCHE . 124 ENSEMBLE-METHODEN . 125 ANALYSIERE DIE BESTEN MODELLE UND IHRE FEHLER . 126 EVALUIERE DAS SYSTEM AUF DEM TESTDATENSATZ . 127 NIMM DAS SYSTEM IN BETRIEB, UEBERWACHE UND WARTE ES . 128 PROBIEREN SIE ES AUS! . 131 UEBUNGEN . 132 3 KLASSIFIKATION . 135 MNIST . 135 TRAINIEREN EINES BINAEREN KLASSIFIKATORS . 138 QUALITAETSMASSE . 139 MESSEN DER GENAUIGKEIT UEBER KREUZVALIDIERUNG . 139 KONFUSIONSMATRIX . 140 RELEVANZ UND SENSITIVITAET . 142 DIE WECHSELBEZIEHUNG ZWISCHEN RELEVANZ UND SENSITIVITAET . 143 DIE ROC-KURVE . 147 6 \| INHALT KLASSIFIKATOREN MIT MEHREREN KATEGORIEN . 151 FEHLERANALYSE . 154 KLASSIFIKATION MIT MEHREREN LABELS . 158 KLASSIFIKATION MIT MEHREREN AUSGABEN . 160 UEBUNGEN . 161 4 TRAINIEREN VON MODELLEN . 163 LINEARE REGRESSION . 164 DIE NORMALENGLEICHUNG . 166 KOMPLEXITAET DER BERECHNUNG . 169 DAS GRADIENTENVERFAHREN . 170 BATCH-GRADIENTENVERFAHREN . 173 STOCHASTISCHES GRADIENTENVERFAHREN . 176 MINI-BATCH-GRADIENTENVERFAHREN . 179 POLYNOMIELLE REGRESSION . 181 LERNKURVEN . 183 REGULARISIERTE LINEARE MODELLE . 187 RIDGE-REGRESSION . 187 LASSO-REGRESSION . 189 ELASTIC-NET-REGRESSION . 192 EARLY STOPPING . 193 LOGISTISCHE REGRESSION . 194 ABSCHAETZEN VON WAHRSCHEINLICHKEITEN . 195 TRAINIEREN UND KOSTENFUNKTION . 196 ENTSCHEIDUNGSGRENZEN . 197 SOFTMAX-REGRESSION . 201 UEBUNGEN . 204 5 SUPPORT VERTOR MACHINES . 207 LINEARE KLASSIFIKATION MIT SVMS . 207 SOFT-MARGIN-KLASSIFIKATION . 208 NICHTLINEARE SVM-KLASSIFIKATION . 210 POLYNOMIELLER KERNEL . 212 AEHNLICHKEITSBASIERTE MERKMALE . 213 DER GAUSSSCHE RBF-KERNEL . 213 SVM-KLASSEN UND KOMPLEXITAET DER BERECHNUNG . 215 SVM-REGRESSION . 216 HINTER DEN KULISSEN LINEARER SVM-KLASSIFIKATOREN . 218 DAS DUALE PROBLEM . 221 KERNEL-SVM . 222 UEBUNGEN . 225 INHALT \| 7 6 ENTSCHEIDUNGSBAEUME . 227 TRAINIEREN UND VISUALISIEREN EINES ENTSCHEIDUNGSBAUMS . 227 VORHERSAGEN TREFFEN . 229 SCHAETZEN VON WAHRSCHEINLICHKEITEN FUER KATEGORIEN . 231 DER CART-TRAININGSALGORITHMUS . 232 KOMPLEXITAET DER BERECHNUNG . 233 GINI-UNREINHEIT ODER ENTROPIE? . 233 HYPERPARAMETER ZUR REGULARISIERUNG . 234 REGRESSION . 236 EMPFINDLICHKEIT FUER DIE AUSRICHTUNG DER ACHSEN . 238 ENTSCHEIDUNGSBAEUME HABEN EINE GROESSERE VARIANZ . 239 UEBUNGEN . 240 7 ENSEMBLE LEARNING UND RANDOM FORESTS . 243 ABSTIMMVERFAHREN UNTER KLASSIFIKATOREN . 244 BAGGING UND PASTING . 247 BAGGING UND PASTING IN SEIKIT-LEARN . 249 . 250 ZUFAELLIGE PATCHES UND SUBRAEUME . 251 RANDOM FORESTS . 252 EXTRA-TREES . 253 WICHTIGKEIT VON MERKMALEN . 253 BOOSTING . 255 ADABOOST . 255 GRADIENT BOOSTING . 258 HISTOGRAMMBASIERTES GRADIENT BOOSTING . 262 STACKING . 263 UEBUNGEN . 266 8 DIMENSIONSREDUKTION . 269 DER FLUCH DER DIMENSIONALITAET . 270 DIE WICHTIGSTEN ANSAETZE ZUR DIMENSIONSREDUKTION . 271 PROJEKTION . 271 MANIFOLD LEARNING . 273 HAUPTKOMPONENTENZERLEGUNG (PCA) . 275 ERHALTEN DER VARIANZ . 276 HAUPTKOMPONENTEN . 276 DIE PROJEKTION AUF D DIMENSIONEN . 278 VERWENDEN VON SCIKIT-LEARN . 278 DER ANTEIL ERKLAERTER VARIANZ . 279 AUSWAEHLEN DER RICHTIGEN ANZAHL DIMENSIONEN . 279 8 \| INHALT PCA ALS KOMPRIMIERUNGSVERFAHREN . 281 RANDOMISIERTE PCA . 282 INKREMENTEILE PCA . 282 ZUFALLSPROJEKTION . 284 LLE . 286 WEITERE TECHNIKEN ZUR DIMENSIONSREDUKTION . 289 UEBUNGEN . 290 9 TECHNIKEN DES UNUEBERWACHTEN LERNENS . 293 CLUS TERING-ALGORITHMEN: K-MEANS UND DBSCAN . 294 K-MEANS . 297 GRENZEN VON K-MEANS . 307 BILDSEGMENTIERUNG PER CLUSTERING . 308 CLUSTERING FUER TEILUEBERWACHTES LERNEN EINSETZEN . 310 DBSCAN . 313 ANDERE CLUSTERING-ALGORITHMEN . 316 GAUSSSCHE MISCHVERTEILUNG . 318 ANOMALIEERKENNUNG MIT GAUSSSCHEN MISCHVERTEILUNGSMODELLEN . . . 322 DIE ANZAHL AN CLUSTERN AUSWAEHLEN . 324 BAYESSCHE GAUSSSCHE MISCHVERTEILUNGSMODELLE . 326 ANDERE ALGORITHMEN ZUR ANOMALIE UND NOVELTY-ERKENNUNG . 327 UEBUNGEN . 329 TEIL II NEURONALE NETZE UND DEEP LEARNING 10 EINFUEHRUNG IN KUENSTLICHE NEURONALE NETZE MIT KERAS . 333 VON BIOLOGISCHEN ZU KUENSTLICHEN NEURONEN . 334 BIOLOGISCHE NEURONEN . 335 LOGISCHE BERECHNUNGEN MIT NEURONEN . 337 DAS PERZEPTRON . 338 MEHRSCHICHTIGES PERZEPTRON UND BACKPROPAGATION . 342 REGRESSIONS-MLPS . 347 KLASSIFIKATIONS-MLPS . 349 MLPS MIT KERAS IMPLEMENTIEREN . 350 EINEN BILDKLASSIFIKATOR MIT DER SEQUENTIAL API ERSTELLEN . 351 EIN REGRESSIONS-MLP MIT DER SEQUENTIAL API ERSTELLEN . 362 KOMPLEXE MODELLE MIT DER FUNCTIONAL API BAUEN . 363 DYNAMISCHE MODELLE MIT DER SUBCLASSING API BAUEN . 369 EIN MODELL SICHERN UND WIEDERHERSTELLEN . 371 CALLBACKS . 372 TENSORBOARD ZUR VISUALISIERUNG VERWENDEN . 373 INHALT \| 9 FEINABSTIMMUNG DER HYPERPARAMETER EINES NEURONALEN NETZES . 378 ANZAHL VERBORGENER SCHICHTEN . 383 ANZAHL NEURONEN PRO VERBORGENE SCHICHT . 384 LERNRATE, BATCHGROESSE UND ANDERE HYPERPARAMETER . 385 UEBUNGEN . 387 11 TRAINIEREN VON DEEP-LEARNING-NETZEN . 391 DAS PROBLEM SCHWINDENDER/EXPLODIERENDER GRADIENTEN . 392 INITIALISIERUNG NACH GIOROT UND HE . 393 BESSERE AKTIVIERUNGSFUNKTIONEN . 395 BATCHNORMALISIERUNG . 401 GRADIENT CLIPPING . 407 WIEDERVERWENDEN VORTRAINIERTER SCHICHTEN . 408 TRANSFER LEARNING MIT KERAS . 410 UNUEBERWACHTES VORTRAINIEREN . 412 VORTRAINIEREN ANHAND EINER HILFSAUFGABE . 413 SCHNELLERE OPTIMIERER . 414 MOMENTUM . 414 BESCHLEUNIGTER GRADIENT NACH NESTEROV . 416 ADAGRAD . 417 RMSPROP . 419 ADAM . 419 SCHEDULING DER LERNRATE . 423 VERMEIDEN VON OVERFITTING DURCH REGULARISIERUNG . 428 ER UND ^-REGULARISIERUNG . 428 DROP-OUT . 429 MONTE-CARLO-(MC-)DROP-OUT . 432 MAX-NORM-REGULARISIERUNG . 435 ZUSAMMENFASSUNG UND PRAKTISCHE TIPPS . 436 UEBUNGEN . 438 12 EIGENE MODELLE UND TRAINING MIT . 441 EIN KURZER UEBERBLICK UEBER . 441 TENSORFLOW WIE NUMPY EINSETZEN . 445 TENSOREN UND OPERATIONEN . 445 TENSOREN UND NUMPY . 447 TYPUMWANDLUNG . 447 VARIABLEN . 448 ANDERE DATENSTRUKTUREN . 449 MODELLE UND TRAININGSALGORITHMEN ANPASSEN . 450 EIGENE VERLUSTFUNKTION . 450 MODELLE MIT EIGENEN KOMPONENTEN SICHERN UND LADEN . 451 10 \| INHALT EIGENE AKTIVIERUNGSFUNKTIONEN, INITIALISIERET, REGULARISIERER UND CONSTRAINTS . 453 EIGENE METRIKEN . 454 EIGENE SCHICHTEN . 457 EIGENE MODELLE . 460 VERLUSTFUNKTIONEN UND METRIKEN AUF MODELLINTERNA BASIEREN LASSEN . 462 GRADIENTEN PER AUTODIFF BERECHNEN . 464 EIGENE TRAININGSSCHLEIFEN . 468 FUNKTIONEN UND GRAPHEN IN TENSORFLOW . 471 AUTOGRAPH UND TRACING . 474 REGELN FUER TF FUNCTIONS . 475 UEBUNGEN . 477 13 DATEN MIT TENSORFLOW LADEN UND VORVERARBEITEN . 479 DIE TF.DATA-API . 480 TRANSFORMATIONEN VERKETTEN . 481 DATEN DURCHMISCHEN . 483 DATEN VORVERARBEITEN . 486 ALLES ZUSAMMENBRINGEN . 487 PREFETCHING . 488 DATASETS MIT TF.KERAS VERWENDEN . 490 DAS TFRECORD-FORMAT . 492 KOMPRIMIERTE TFRECORD-DATEIEN . 492 EINE KURZE EINFUEHRUNG IN PROTOCOL BUFFER . 493 TENSORFLOW-PROTOBUFS . 494 EXAMPLES LADEN UND PARSEN . 496 LISTEN VON LISTEN MIT DEM SEQUENCEEXAMPLE-PROTOBUF VERARBEITEN . 497 VORVERARBEITUNGSSCHICHTEN VON KERAS . 498 DIE NORMALIZATION-SCHICHT . 499 DIE DISCRETIZATION-SCHICHT . 501 DIE CATEGORYENCODING-SCHICHT . 502 DIE STRINGLOOKUP-SCHICHT . 503 DIE HASHING-SCHICHT . 504 KATEGORISCHE MERKMALE MIT EMBEDDINGS CODIEREN . 505 VORVERARBEITUNG VON TEXT . 509 VORTRAINIERTE SPRACHMODELLKOMPONENTEN VERWENDEN . 511 VORVERARBEITUNGSSCHICHTEN FUER BILDER . 512 DAS TENSORFLOW-DATASETS-PROJEKT . 513 UEBUNGEN . 515 INHALT \| 11 14 DEEP COMPUTER VISION MIT CONVOLUTIONAL NEURAL NETWORKS . 519 DER AUFBAU DES VISUELLEN CORTEX . 520 CONVOLUTIONAL LAYERS . 521 FILTER . 523 STAPELN MEHRERER FEATURE MAPS . 524 CONVOLUTIONAL LAYER MIT KERAS IMPLEMENTIEREN . 526 SPEICHERBEDARF . 530 POOLING LAYERS . 531 POOLING LAYER MIT KERAS IMPLEMENTIEREN . 533 ARCHITEKTUREN VON CNNS . 535 LENET-5 . 538 ALEXNET . 539 GOOGLENET . 542 VGGNET . 545 RESNET . 545 XCEPTION . 549 SENET . 550 WEITERE ERWAEHNENSWERTE ARCHITEKTUR . 552 DIE RICHTIGE CNN-ARCHITEKTUR WAEHLEN . 554 EIN RESNET-34-CNN MIT KERAS IMPLEMENTIEREN . 555 VORTRAINIERTE MODELLE AUS KERAS EINSETZEN . 556 VORTRAINIERTE MODELLE FUER DAS TRANSFER LEARNING . 558 KLASSIFIKATION UND LOKALISIERUNG . 561 OBJEKTERKENNUNG . 563 FULLY CONVOLUTIONAL NETWORKS . 565 YOU ONLY LOOK ONCE . 567 OBJEKTVERFOLGUNG . 570 SEMANTISCHE SEGMENTIERUNG . 572 UEBUNGEN . 575 15 VERARBEITEN VON SEQUENZEN MIT RNNS UND CNNS . 577 REKURRENTE NEURONEN UND SCHICHTEN . 578 GEDAECHTNISZELLEN . 580 EIN-UND AUSGABESEQUENZEN . 581 RNNS TRAINIEREN . 582 EINE ZEITSERIE VORHERSAGEN . 583 DIE ARMA-MODELLFAMILIE . 588 DIE DATEN FUER MACHINE-LEARNING-MODELLE VORBEREITEN . 591 VORHERSAGE MIT EINEM LINEAREN MODELL . 595 VORHERSAGE MIT EINEM EINFACHEN RNN . 595 VORHERSAGE MIT EINEM DEEP RNN . 597 MULTIVARIATE ZEITSERIEN VORHERSAGEN . 598 12 \| INHALT MEHRERE ZEITSCHRITTE VORHERSAGEN . 600 MIT EINEM SEQUENCE-TO-SEQUENCE-MODELL VORHERSAGEN . 602 ARBEIT MIT LANGEN SEQUENZEN . 605 GEGEN INSTABILE GRADIENTEN KAEMPFEN . 605 DAS PROBLEM DES KURZZEITGEDAECHTNISSES . 608 UEBUNGEN . 616 16 VERARBEITUNG NATUERLICHER SPRACHE MIT RNNS UND ATTENTION . 619 SHAKESPEARESCHE TEXTE MIT EINEM CHARACTER-RNN ERZEUGEN . 620 DEN TRAININGSDATENSATZ ERSTELLEN . 621 DAS CHAR-RNN-MODELL BAUEN UND TRAINIEREN . 623 EINEN GEFAELSCHTEN SHAKESPEARE-TEXT ERZEUGEN . 625 ZUSTANDSBEHAFTETES RNN . 626 SENTIMENTANALYSE . 629 MASKIEREN . 632 VORTRAINIERTE EMBEDDINGS WIEDERVERWENDEN . 635 EIN ENCODER-DECODER-NETZWERK FUER DIE NEURONALE MASCHINELLE UEBERSETZUNG . 637 BIDIREKTIONALE RNNS . 643 BEAM SEARCH . 645 ATTENTION-MECHANISMEN . 647 ATTENTION IS ALL YOU NEED: DIE TRANSFORMER-ARCHITEKTUR . 651 EINE LAWINE AN TRANSFORMER-MODELLEN . 662 VISION TRANSFORMERS . 666 DIE TRANSFORMERS-BIBLIOTHEK VON HUGGING FACE . 672 UEBUNGEN . 676 17 AUTOENCODER, GANS UND DIFFUSIONSMODELLE . 679 EFFIZIENTE REPRAESENTATION VON DATEN . 681 HAUPTKOMPONENTENZERLEGUNG MIT EINEM UNTERVOLLSTAENDIGEN LINEAREN AUTOENCODER . 683 STACKED AUTOENCODER . 684 EINEN STACKED AUTOENCODER MIT KERAS IMPLEMENTIEREN . 685 VISUALISIEREN DER REKONSTRUKTIONEN . 686 DEN FASHION-MNIST-DATENSATZ VISUALISIEREN . 687 UNUEBERWACHTES VORTRAINIEREN MIT STACKED AUTOENCODER . 688 KOPPLUNG VON GEWICHTEN . 689 TRAINIEREN MEHRERER AUTOENCODER NACHEINANDER . 690 CONVOLUTIONAL AUTOENCODER . 691 DENOISING AUTOENCODERS . 692 SPARSE AUTOENCODERS . 694 VARIATIONAL AUTOENCODERS . 697 FASHION-MNIST-BILDER ERZEUGEN . 701 INHALT \| 13 GENERATIVE ADVERSARIAL NETWORKS . 702 SCHWIERIGKEITEN BEIM TRAINIEREN VON GANS . 706 DEEP CONVOLUTIONAL GANS . 708 PROGRESSIVE WACHSENDE GANS . 712 STYLEGANS . 714 DIFFUSIONSMODELLE . 717 UEBUNGEN . 724 18 REINFORCEMENT LEARNING . 727 LERNEN ZUM OPTIMIEREN VON BELOHNUNGEN . 728 SUCHE NACH POLICIES . 729 EINFUEHRUNG IN OPENAI GYM . 731 NEURONALE NETZE ALS POLICIES . 735 AUSWERTEN VON AKTIONEN: DAS CREDIT-ASSIGNMENT-PROBLEM . 737 POLICY-GRADIENTEN . 739 MARKOV-ENTSCHEIDUNGSPROZESSE . 743 TEMPORAL DIFFERENCE LEARNING . 748 Q-LEARNING . 749 ERKUNDUNGSPOLIDES . 750 APPROXIMATIVES Q-LEARNING UND DEEP-Q-LEARNING . 751 DEEP-Q-LEARNING IMPLEMENTIEREN . 752 DEEP-Q-LEARNING-VARIANTEN . 757 FESTE Q-WERT-ZIELE . 757 DOUBLE DQN . 758 PRIORISIERTES EXPERIENCE REPLAY . 759 DUELING DQN . 760 UEBERBLICK UEBER BELIEBTE RL-ALGORITHMEN . 761 UEBUNGEN . 764 19 TENSORFLOW-MODELLE SKALIERBAR TRAINIEREN UND DEPLOYEN . 767 EIN TENSORFLOW-MODELL AUSFUEHREN . 768 TENSORFLOW SERVING VERWENDEN . 769 EINEN VORHERSAGESERVICE AUF VERTEX AI ERSTELLEN . 777 BATCH-VORHERSAGEJOBS AUF VERTEX AI AUSFUEHREN . 785 EIN MODELL AUF EIN MOBILE ODER EMBEDDED DEVICE DEPLOYEN . 787 EIN MODELL AUF EINER WEBSEITE LAUFEN LASSEN . 791 MIT GPUS DIE BERECHNUNGEN BESCHLEUNIGEN . 793 SICH EINE EIGENE GPU ZULEGEN . 794 DAS GPU-RAM VERWALTEN . 796 OPERATIONEN UND VARIABLEN AUF DEVICES VERTEILEN . 798 PARALLELES AUSFUEHREN AUF MEHREREN DEVICES . 800 14 \| INHALT MODELLE AUF MEHREREN DEVICES TRAINIEREN . 803 PARALLELISIERTE MODELLE . 803 PARALLELISIERTE DATEN . 805 MIT DER DISTRIBUTION STRATEGIES API AUF MEHREREN DEVICES TRAINIEREN . 812 EIN MODELL IN EINEM TENSORFLOW-CLUSTER TRAINIEREN . 813 GROSSE TRAININGSJOBS AUF VERTEX AI AUSFUEHREN . 817 HYPERPARAMETER AUF VERTEX AI OPTIMIEREN . 819 HYPERPARAMETER MIT KERAS TUNER AUF VERTEX AI OPTIMIEREN . 822 UEBUNGEN . 823 VIELEN DANK! . 823 A CHECKLISTE FUER MACHINE-LEARNING-PROJEKTE . 825 B AUTODIFF . 831 C SPEZIELLE DATENSTRUKTUREN . 839 D TENSORFLOW-GRAPHEN . 847 INDEX . 857 INHALT \| 15
adam_txt	INHALT VORWORT . 17 TEIL I DIE GRUNDLAGEN DES MACHINE LEARNING 1 DIE MACHINE-LEARNING-UMGEBUNG . 31 WAS IST MACHINE LEARNING? . 32 WARUM WIRD MACHINE LEARNING VERWENDET? . 33 ANWENDUNGSBEISPIEL . 36 UNTERSCHIEDLICHE MACHINE-LEARNING-SYSTEME . 37 T RAININGSUEBERWACHUNG . 38 BATCH UND ONLINE-LEARNING . 46 INSTANZBASIERTES VERSUS MODELLBASIERTES LERNEN . 49 DIE WICHTIGSTEN HERAUSFORDERUNGEN BEIM MACHINE LEARNING . 55 UNZUREICHENDE MENGE AN TRAININGSDATEN . 55 NICHT REPRAESENTATIVE TRAININGSDATEN . 56 MINDERWERTIGE DATEN . 58 IRRELEVANTE MERKMALE . 58 OVERFITTING DER TRAININGSDATEN . 59 UNDERFITTING DER TRAININGSDATEN . 61 ZUSAMMENFASSUNG . 62 TESTEN UND VALIDIEREN . 62 HYPERPARAMETER ANPASSEN UND MODELLAUSWAHL . 63 DATENDISKREPANZ . 64 UEBUNGEN . 66 2 EIN MACHINE-LEARNING-PROJEKT VON A BIS Z . 69 DER UMGANG MIT REALEN DATEN . 69 BETRACHTE DAS GESAMTBILD . 71 DIE AUFGABE ABSTECKEN . 71 I 5 WAEHLE EIN QUALITAETSMASS AUS . 73 UEBERPRUEFE DIE ANNAHMEN . 76 BESCHAFFE DIE DATEN . 76 DIE CODEBEISPIELE MIT GOOGLE COLAB AUSFUEHREN . 76 IHRE CODEAENDERUNGEN UND DATEN SICHERN . 79 INTERAKTIVITAET - MAECHTIG, ABER GEFAEHRLICH . 80 CODE IM BUCH VERSUS NOTEBOOK-CODE . 80 DIE DATEN HERUNTERLADEN . 81 WIRF EINEN KURZEN BLICK AUF DIE DATENSTRUKTUR . 82 ERSTELLE EINEN TESTDATENSATZ . 86 ERKUNDE UND VISUALISIERE DIE DATEN, UM ERKENNTNISSE ZU GEWINNEN . 91 VISUALISIEREN GEOGRAFISCHER DATEN . 91 SUCHE NACH KORRELATIONEN . 93 EXPERIMENTIEREN MIT KOMBINATIONEN VON MERKMALEN . 96 BEREITE DIE DATEN FUER MACHINE-LEARNING-ALGORITHMEN VOR . 97 AUFBEREITEN DER DATEN . 98 BEARBEITEN VON TEXT UND KATEGORISCHEN MERKMALEN . 101 SKALIEREN UND TRANSFORMIEREN VON MERKMALEN . 105 EIGENE TRANSFORMER . 109 PIPELINES ZUR TRANSFORMATION . 113 WAEHLE EIN MODELL AUS UND TRAINIERE ES . 118 TRAINIEREN UND AUSWERTEN AUF DEM TRAININGSDATENSATZ . 118 BESSERE AUSWERTUNG MITTELS KREUZVALIDIERUNG . 120 OPTIMIERE DAS MODELL . 122 GITTERSUCHE . 122 ZUFAELLIGE SUCHE . 124 ENSEMBLE-METHODEN . 125 ANALYSIERE DIE BESTEN MODELLE UND IHRE FEHLER . 126 EVALUIERE DAS SYSTEM AUF DEM TESTDATENSATZ . 127 NIMM DAS SYSTEM IN BETRIEB, UEBERWACHE UND WARTE ES . 128 PROBIEREN SIE ES AUS! . 131 UEBUNGEN . 132 3 KLASSIFIKATION . 135 MNIST . 135 TRAINIEREN EINES BINAEREN KLASSIFIKATORS . 138 QUALITAETSMASSE . 139 MESSEN DER GENAUIGKEIT UEBER KREUZVALIDIERUNG . 139 KONFUSIONSMATRIX . 140 RELEVANZ UND SENSITIVITAET . 142 DIE WECHSELBEZIEHUNG ZWISCHEN RELEVANZ UND SENSITIVITAET . 143 DIE ROC-KURVE . 147 6 \| INHALT KLASSIFIKATOREN MIT MEHREREN KATEGORIEN . 151 FEHLERANALYSE . 154 KLASSIFIKATION MIT MEHREREN LABELS . 158 KLASSIFIKATION MIT MEHREREN AUSGABEN . 160 UEBUNGEN . 161 4 TRAINIEREN VON MODELLEN . 163 LINEARE REGRESSION . 164 DIE NORMALENGLEICHUNG . 166 KOMPLEXITAET DER BERECHNUNG . 169 DAS GRADIENTENVERFAHREN . 170 BATCH-GRADIENTENVERFAHREN . 173 STOCHASTISCHES GRADIENTENVERFAHREN . 176 MINI-BATCH-GRADIENTENVERFAHREN . 179 POLYNOMIELLE REGRESSION . 181 LERNKURVEN . 183 REGULARISIERTE LINEARE MODELLE . 187 RIDGE-REGRESSION . 187 LASSO-REGRESSION . 189 ELASTIC-NET-REGRESSION . 192 EARLY STOPPING . 193 LOGISTISCHE REGRESSION . 194 ABSCHAETZEN VON WAHRSCHEINLICHKEITEN . 195 TRAINIEREN UND KOSTENFUNKTION . 196 ENTSCHEIDUNGSGRENZEN . 197 SOFTMAX-REGRESSION . 201 UEBUNGEN . 204 5 SUPPORT VERTOR MACHINES . 207 LINEARE KLASSIFIKATION MIT SVMS . 207 SOFT-MARGIN-KLASSIFIKATION . 208 NICHTLINEARE SVM-KLASSIFIKATION . 210 POLYNOMIELLER KERNEL . 212 AEHNLICHKEITSBASIERTE MERKMALE . 213 DER GAUSSSCHE RBF-KERNEL . 213 SVM-KLASSEN UND KOMPLEXITAET DER BERECHNUNG . 215 SVM-REGRESSION . 216 HINTER DEN KULISSEN LINEARER SVM-KLASSIFIKATOREN . 218 DAS DUALE PROBLEM . 221 KERNEL-SVM . 222 UEBUNGEN . 225 INHALT \| 7 6 ENTSCHEIDUNGSBAEUME . 227 TRAINIEREN UND VISUALISIEREN EINES ENTSCHEIDUNGSBAUMS . 227 VORHERSAGEN TREFFEN . 229 SCHAETZEN VON WAHRSCHEINLICHKEITEN FUER KATEGORIEN . 231 DER CART-TRAININGSALGORITHMUS . 232 KOMPLEXITAET DER BERECHNUNG . 233 GINI-UNREINHEIT ODER ENTROPIE? . 233 HYPERPARAMETER ZUR REGULARISIERUNG . 234 REGRESSION . 236 EMPFINDLICHKEIT FUER DIE AUSRICHTUNG DER ACHSEN . 238 ENTSCHEIDUNGSBAEUME HABEN EINE GROESSERE VARIANZ . 239 UEBUNGEN . 240 7 ENSEMBLE LEARNING UND RANDOM FORESTS . 243 ABSTIMMVERFAHREN UNTER KLASSIFIKATOREN . 244 BAGGING UND PASTING . 247 BAGGING UND PASTING IN SEIKIT-LEARN . 249 . 250 ZUFAELLIGE PATCHES UND SUBRAEUME . 251 RANDOM FORESTS . 252 EXTRA-TREES . 253 WICHTIGKEIT VON MERKMALEN . 253 BOOSTING . 255 ADABOOST . 255 GRADIENT BOOSTING . 258 HISTOGRAMMBASIERTES GRADIENT BOOSTING . 262 STACKING . 263 UEBUNGEN . 266 8 DIMENSIONSREDUKTION . 269 DER FLUCH DER DIMENSIONALITAET . 270 DIE WICHTIGSTEN ANSAETZE ZUR DIMENSIONSREDUKTION . 271 PROJEKTION . 271 MANIFOLD LEARNING . 273 HAUPTKOMPONENTENZERLEGUNG (PCA) . 275 ERHALTEN DER VARIANZ . 276 HAUPTKOMPONENTEN . 276 DIE PROJEKTION AUF D DIMENSIONEN . 278 VERWENDEN VON SCIKIT-LEARN . 278 DER ANTEIL ERKLAERTER VARIANZ . 279 AUSWAEHLEN DER RICHTIGEN ANZAHL DIMENSIONEN . 279 8 \| INHALT PCA ALS KOMPRIMIERUNGSVERFAHREN . 281 RANDOMISIERTE PCA . 282 INKREMENTEILE PCA . 282 ZUFALLSPROJEKTION . 284 LLE . 286 WEITERE TECHNIKEN ZUR DIMENSIONSREDUKTION . 289 UEBUNGEN . 290 9 TECHNIKEN DES UNUEBERWACHTEN LERNENS . 293 CLUS TERING-ALGORITHMEN: K-MEANS UND DBSCAN . 294 K-MEANS . 297 GRENZEN VON K-MEANS . 307 BILDSEGMENTIERUNG PER CLUSTERING . 308 CLUSTERING FUER TEILUEBERWACHTES LERNEN EINSETZEN . 310 DBSCAN . 313 ANDERE CLUSTERING-ALGORITHMEN . 316 GAUSSSCHE MISCHVERTEILUNG . 318 ANOMALIEERKENNUNG MIT GAUSSSCHEN MISCHVERTEILUNGSMODELLEN . . . 322 DIE ANZAHL AN CLUSTERN AUSWAEHLEN . 324 BAYESSCHE GAUSSSCHE MISCHVERTEILUNGSMODELLE . 326 ANDERE ALGORITHMEN ZUR ANOMALIE UND NOVELTY-ERKENNUNG . 327 UEBUNGEN . 329 TEIL II NEURONALE NETZE UND DEEP LEARNING 10 EINFUEHRUNG IN KUENSTLICHE NEURONALE NETZE MIT KERAS . 333 VON BIOLOGISCHEN ZU KUENSTLICHEN NEURONEN . 334 BIOLOGISCHE NEURONEN . 335 LOGISCHE BERECHNUNGEN MIT NEURONEN . 337 DAS PERZEPTRON . 338 MEHRSCHICHTIGES PERZEPTRON UND BACKPROPAGATION . 342 REGRESSIONS-MLPS . 347 KLASSIFIKATIONS-MLPS . 349 MLPS MIT KERAS IMPLEMENTIEREN . 350 EINEN BILDKLASSIFIKATOR MIT DER SEQUENTIAL API ERSTELLEN . 351 EIN REGRESSIONS-MLP MIT DER SEQUENTIAL API ERSTELLEN . 362 KOMPLEXE MODELLE MIT DER FUNCTIONAL API BAUEN . 363 DYNAMISCHE MODELLE MIT DER SUBCLASSING API BAUEN . 369 EIN MODELL SICHERN UND WIEDERHERSTELLEN . 371 CALLBACKS . 372 TENSORBOARD ZUR VISUALISIERUNG VERWENDEN . 373 INHALT \| 9 FEINABSTIMMUNG DER HYPERPARAMETER EINES NEURONALEN NETZES . 378 ANZAHL VERBORGENER SCHICHTEN . 383 ANZAHL NEURONEN PRO VERBORGENE SCHICHT . 384 LERNRATE, BATCHGROESSE UND ANDERE HYPERPARAMETER . 385 UEBUNGEN . 387 11 TRAINIEREN VON DEEP-LEARNING-NETZEN . 391 DAS PROBLEM SCHWINDENDER/EXPLODIERENDER GRADIENTEN . 392 INITIALISIERUNG NACH GIOROT UND HE . 393 BESSERE AKTIVIERUNGSFUNKTIONEN . 395 BATCHNORMALISIERUNG . 401 GRADIENT CLIPPING . 407 WIEDERVERWENDEN VORTRAINIERTER SCHICHTEN . 408 TRANSFER LEARNING MIT KERAS . 410 UNUEBERWACHTES VORTRAINIEREN . 412 VORTRAINIEREN ANHAND EINER HILFSAUFGABE . 413 SCHNELLERE OPTIMIERER . 414 MOMENTUM . 414 BESCHLEUNIGTER GRADIENT NACH NESTEROV . 416 ADAGRAD . 417 RMSPROP . 419 ADAM . 419 SCHEDULING DER LERNRATE . 423 VERMEIDEN VON OVERFITTING DURCH REGULARISIERUNG . 428 ER UND ^-REGULARISIERUNG . 428 DROP-OUT . 429 MONTE-CARLO-(MC-)DROP-OUT . 432 MAX-NORM-REGULARISIERUNG . 435 ZUSAMMENFASSUNG UND PRAKTISCHE TIPPS . 436 UEBUNGEN . 438 12 EIGENE MODELLE UND TRAINING MIT . 441 EIN KURZER UEBERBLICK UEBER . 441 TENSORFLOW WIE NUMPY EINSETZEN . 445 TENSOREN UND OPERATIONEN . 445 TENSOREN UND NUMPY . 447 TYPUMWANDLUNG . 447 VARIABLEN . 448 ANDERE DATENSTRUKTUREN . 449 MODELLE UND TRAININGSALGORITHMEN ANPASSEN . 450 EIGENE VERLUSTFUNKTION . 450 MODELLE MIT EIGENEN KOMPONENTEN SICHERN UND LADEN . 451 10 \| INHALT EIGENE AKTIVIERUNGSFUNKTIONEN, INITIALISIERET, REGULARISIERER UND CONSTRAINTS . 453 EIGENE METRIKEN . 454 EIGENE SCHICHTEN . 457 EIGENE MODELLE . 460 VERLUSTFUNKTIONEN UND METRIKEN AUF MODELLINTERNA BASIEREN LASSEN . 462 GRADIENTEN PER AUTODIFF BERECHNEN . 464 EIGENE TRAININGSSCHLEIFEN . 468 FUNKTIONEN UND GRAPHEN IN TENSORFLOW . 471 AUTOGRAPH UND TRACING . 474 REGELN FUER TF FUNCTIONS . 475 UEBUNGEN . 477 13 DATEN MIT TENSORFLOW LADEN UND VORVERARBEITEN . 479 DIE TF.DATA-API . 480 TRANSFORMATIONEN VERKETTEN . 481 DATEN DURCHMISCHEN . 483 DATEN VORVERARBEITEN . 486 ALLES ZUSAMMENBRINGEN . 487 PREFETCHING . 488 DATASETS MIT TF.KERAS VERWENDEN . 490 DAS TFRECORD-FORMAT . 492 KOMPRIMIERTE TFRECORD-DATEIEN . 492 EINE KURZE EINFUEHRUNG IN PROTOCOL BUFFER . 493 TENSORFLOW-PROTOBUFS . 494 EXAMPLES LADEN UND PARSEN . 496 LISTEN VON LISTEN MIT DEM SEQUENCEEXAMPLE-PROTOBUF VERARBEITEN . 497 VORVERARBEITUNGSSCHICHTEN VON KERAS . 498 DIE NORMALIZATION-SCHICHT . 499 DIE DISCRETIZATION-SCHICHT . 501 DIE CATEGORYENCODING-SCHICHT . 502 DIE STRINGLOOKUP-SCHICHT . 503 DIE HASHING-SCHICHT . 504 KATEGORISCHE MERKMALE MIT EMBEDDINGS CODIEREN . 505 VORVERARBEITUNG VON TEXT . 509 VORTRAINIERTE SPRACHMODELLKOMPONENTEN VERWENDEN . 511 VORVERARBEITUNGSSCHICHTEN FUER BILDER . 512 DAS TENSORFLOW-DATASETS-PROJEKT . 513 UEBUNGEN . 515 INHALT \| 11 14 DEEP COMPUTER VISION MIT CONVOLUTIONAL NEURAL NETWORKS . 519 DER AUFBAU DES VISUELLEN CORTEX . 520 CONVOLUTIONAL LAYERS . 521 FILTER . 523 STAPELN MEHRERER FEATURE MAPS . 524 CONVOLUTIONAL LAYER MIT KERAS IMPLEMENTIEREN . 526 SPEICHERBEDARF . 530 POOLING LAYERS . 531 POOLING LAYER MIT KERAS IMPLEMENTIEREN . 533 ARCHITEKTUREN VON CNNS . 535 LENET-5 . 538 ALEXNET . 539 GOOGLENET . 542 VGGNET . 545 RESNET . 545 XCEPTION . 549 SENET . 550 WEITERE ERWAEHNENSWERTE ARCHITEKTUR . 552 DIE RICHTIGE CNN-ARCHITEKTUR WAEHLEN . 554 EIN RESNET-34-CNN MIT KERAS IMPLEMENTIEREN . 555 VORTRAINIERTE MODELLE AUS KERAS EINSETZEN . 556 VORTRAINIERTE MODELLE FUER DAS TRANSFER LEARNING . 558 KLASSIFIKATION UND LOKALISIERUNG . 561 OBJEKTERKENNUNG . 563 FULLY CONVOLUTIONAL NETWORKS . 565 YOU ONLY LOOK ONCE . 567 OBJEKTVERFOLGUNG . 570 SEMANTISCHE SEGMENTIERUNG . 572 UEBUNGEN . 575 15 VERARBEITEN VON SEQUENZEN MIT RNNS UND CNNS . 577 REKURRENTE NEURONEN UND SCHICHTEN . 578 GEDAECHTNISZELLEN . 580 EIN-UND AUSGABESEQUENZEN . 581 RNNS TRAINIEREN . 582 EINE ZEITSERIE VORHERSAGEN . 583 DIE ARMA-MODELLFAMILIE . 588 DIE DATEN FUER MACHINE-LEARNING-MODELLE VORBEREITEN . 591 VORHERSAGE MIT EINEM LINEAREN MODELL . 595 VORHERSAGE MIT EINEM EINFACHEN RNN . 595 VORHERSAGE MIT EINEM DEEP RNN . 597 MULTIVARIATE ZEITSERIEN VORHERSAGEN . 598 12 \| INHALT MEHRERE ZEITSCHRITTE VORHERSAGEN . 600 MIT EINEM SEQUENCE-TO-SEQUENCE-MODELL VORHERSAGEN . 602 ARBEIT MIT LANGEN SEQUENZEN . 605 GEGEN INSTABILE GRADIENTEN KAEMPFEN . 605 DAS PROBLEM DES KURZZEITGEDAECHTNISSES . 608 UEBUNGEN . 616 16 VERARBEITUNG NATUERLICHER SPRACHE MIT RNNS UND ATTENTION . 619 SHAKESPEARESCHE TEXTE MIT EINEM CHARACTER-RNN ERZEUGEN . 620 DEN TRAININGSDATENSATZ ERSTELLEN . 621 DAS CHAR-RNN-MODELL BAUEN UND TRAINIEREN . 623 EINEN GEFAELSCHTEN SHAKESPEARE-TEXT ERZEUGEN . 625 ZUSTANDSBEHAFTETES RNN . 626 SENTIMENTANALYSE . 629 MASKIEREN . 632 VORTRAINIERTE EMBEDDINGS WIEDERVERWENDEN . 635 EIN ENCODER-DECODER-NETZWERK FUER DIE NEURONALE MASCHINELLE UEBERSETZUNG . 637 BIDIREKTIONALE RNNS . 643 BEAM SEARCH . 645 ATTENTION-MECHANISMEN . 647 ATTENTION IS ALL YOU NEED: DIE TRANSFORMER-ARCHITEKTUR . 651 EINE LAWINE AN TRANSFORMER-MODELLEN . 662 VISION TRANSFORMERS . 666 DIE TRANSFORMERS-BIBLIOTHEK VON HUGGING FACE . 672 UEBUNGEN . 676 17 AUTOENCODER, GANS UND DIFFUSIONSMODELLE . 679 EFFIZIENTE REPRAESENTATION VON DATEN . 681 HAUPTKOMPONENTENZERLEGUNG MIT EINEM UNTERVOLLSTAENDIGEN LINEAREN AUTOENCODER . 683 STACKED AUTOENCODER . 684 EINEN STACKED AUTOENCODER MIT KERAS IMPLEMENTIEREN . 685 VISUALISIEREN DER REKONSTRUKTIONEN . 686 DEN FASHION-MNIST-DATENSATZ VISUALISIEREN . 687 UNUEBERWACHTES VORTRAINIEREN MIT STACKED AUTOENCODER . 688 KOPPLUNG VON GEWICHTEN . 689 TRAINIEREN MEHRERER AUTOENCODER NACHEINANDER . 690 CONVOLUTIONAL AUTOENCODER . 691 DENOISING AUTOENCODERS . 692 SPARSE AUTOENCODERS . 694 VARIATIONAL AUTOENCODERS . 697 FASHION-MNIST-BILDER ERZEUGEN . 701 INHALT \| 13 GENERATIVE ADVERSARIAL NETWORKS . 702 SCHWIERIGKEITEN BEIM TRAINIEREN VON GANS . 706 DEEP CONVOLUTIONAL GANS . 708 PROGRESSIVE WACHSENDE GANS . 712 STYLEGANS . 714 DIFFUSIONSMODELLE . 717 UEBUNGEN . 724 18 REINFORCEMENT LEARNING . 727 LERNEN ZUM OPTIMIEREN VON BELOHNUNGEN . 728 SUCHE NACH POLICIES . 729 EINFUEHRUNG IN OPENAI GYM . 731 NEURONALE NETZE ALS POLICIES . 735 AUSWERTEN VON AKTIONEN: DAS CREDIT-ASSIGNMENT-PROBLEM . 737 POLICY-GRADIENTEN . 739 MARKOV-ENTSCHEIDUNGSPROZESSE . 743 TEMPORAL DIFFERENCE LEARNING . 748 Q-LEARNING . 749 ERKUNDUNGSPOLIDES . 750 APPROXIMATIVES Q-LEARNING UND DEEP-Q-LEARNING . 751 DEEP-Q-LEARNING IMPLEMENTIEREN . 752 DEEP-Q-LEARNING-VARIANTEN . 757 FESTE Q-WERT-ZIELE . 757 DOUBLE DQN . 758 PRIORISIERTES EXPERIENCE REPLAY . 759 DUELING DQN . 760 UEBERBLICK UEBER BELIEBTE RL-ALGORITHMEN . 761 UEBUNGEN . 764 19 TENSORFLOW-MODELLE SKALIERBAR TRAINIEREN UND DEPLOYEN . 767 EIN TENSORFLOW-MODELL AUSFUEHREN . 768 TENSORFLOW SERVING VERWENDEN . 769 EINEN VORHERSAGESERVICE AUF VERTEX AI ERSTELLEN . 777 BATCH-VORHERSAGEJOBS AUF VERTEX AI AUSFUEHREN . 785 EIN MODELL AUF EIN MOBILE ODER EMBEDDED DEVICE DEPLOYEN . 787 EIN MODELL AUF EINER WEBSEITE LAUFEN LASSEN . 791 MIT GPUS DIE BERECHNUNGEN BESCHLEUNIGEN . 793 SICH EINE EIGENE GPU ZULEGEN . 794 DAS GPU-RAM VERWALTEN . 796 OPERATIONEN UND VARIABLEN AUF DEVICES VERTEILEN . 798 PARALLELES AUSFUEHREN AUF MEHREREN DEVICES . 800 14 \| INHALT MODELLE AUF MEHREREN DEVICES TRAINIEREN . 803 PARALLELISIERTE MODELLE . 803 PARALLELISIERTE DATEN . 805 MIT DER DISTRIBUTION STRATEGIES API AUF MEHREREN DEVICES TRAINIEREN . 812 EIN MODELL IN EINEM TENSORFLOW-CLUSTER TRAINIEREN . 813 GROSSE TRAININGSJOBS AUF VERTEX AI AUSFUEHREN . 817 HYPERPARAMETER AUF VERTEX AI OPTIMIEREN . 819 HYPERPARAMETER MIT KERAS TUNER AUF VERTEX AI OPTIMIEREN . 822 UEBUNGEN . 823 VIELEN DANK! . 823 A CHECKLISTE FUER MACHINE-LEARNING-PROJEKTE . 825 B AUTODIFF . 831 C SPEZIELLE DATENSTRUKTUREN . 839 D TENSORFLOW-GRAPHEN . 847 INDEX . 857 INHALT \| 15
any_adam_object	1
any_adam_object_boolean	1
author	Géron, Aurélien
author2	Rother, Kristian 1977- Demmig, Thomas
author2_role	trl trl
author2_variant	k r kr t d td
author_GND	(DE-588)1131560930 (DE-588)133397068 (DE-588)128548568
author_facet	Géron, Aurélien Rother, Kristian 1977- Demmig, Thomas
author_role	aut
author_sort	Géron, Aurélien
author_variant	a g ag
building	Verbundindex
bvnumber	BV049294993
classification_rvk	ST 300 ST 302 ST 304 ST 250
classification_tum	DAT 368 DAT 316 DAT 708
contents	Lernen Sie die Grundlagen des Machine Learning anhand eines umfangreichen Beispielprojekts mit Scikit-Learn Erkunden Sie zahlreiche Modelle, einschließlich Support Vector Machines, Entscheidungsbäume, Random Forests und Ensemble-Methoden Nutzen Sie unüberwachtes Lernen wie Dimensionsreduktion, Clustering und Anomalieerkennung Erstellen Sie neuronale Netzarchitekturen wie Convolutional Neural Networks, Recurrent Neural Networks, Generative Adversarial Networks, Autoencoder, Diffusionsmodelle und Transformer Verwenden Sie TensorFlow und Keras zum Erstellen und Trainieren neuronaler Netze für Computer Vision, Natural Language Processing, Deep Reinforcement Learning und generative Modelle
ctrlnum	(OCoLC)1396133865 (DE-599)BVBBV049294993
dewey-full	006.31
dewey-hundreds	000 - Computer science, information, general works
dewey-ones	006 - Special computer methods
dewey-raw	006.31
dewey-search	006.31
dewey-sort	16.31
dewey-tens	000 - Computer science, information, general works
discipline	Informatik
discipline_str_mv	Informatik
edition	3., aktualisierte und erweiterte Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a2200000 c 4500</leader><controlfield tag="001">BV049294993</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20240516</controlfield><controlfield tag="007">t\|</controlfield><controlfield tag="008">230823s2023 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1290309310</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783960092124</subfield><subfield code="c">Broschur : EUR 54.90 (DE), EUR 56.50 (AT)</subfield><subfield code="9">978-3-96009-212-4</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3960092121</subfield><subfield code="c">Broschur</subfield><subfield code="9">3-96009-212-1</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783960091240</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1396133865</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV049294993</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="1" ind2=" "><subfield code="a">ger</subfield><subfield code="h">eng</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-945</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-188</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-858</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-91G</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.31</subfield><subfield code="2">23/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 304</subfield><subfield code="0">(DE-625)143653:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 250</subfield><subfield code="0">(DE-625)143626:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 368</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 316</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 708</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Géron, Aurélien</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1131560930</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow</subfield><subfield code="b">Konzepte, Tools und Techniken für intelligente Systeme</subfield><subfield code="c">Aurélien Géron ; deutsche Übersetzung von Kristian Rother & Thomas Demmig</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">3., aktualisierte und erweiterte Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">O'Reilly</subfield><subfield code="c">2023</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">876 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="505" ind1="8" ind2=" "><subfield code="a">Lernen Sie die Grundlagen des Machine Learning anhand eines umfangreichen Beispielprojekts mit Scikit-Learn Erkunden Sie zahlreiche Modelle, einschließlich Support Vector Machines, Entscheidungsbäume, Random Forests und Ensemble-Methoden Nutzen Sie unüberwachtes Lernen wie Dimensionsreduktion, Clustering und Anomalieerkennung Erstellen Sie neuronale Netzarchitekturen wie Convolutional Neural Networks, Recurrent Neural Networks, Generative Adversarial Networks, Autoencoder, Diffusionsmodelle und Transformer Verwenden Sie TensorFlow und Keras zum Erstellen und Trainieren neuronaler Netze für Computer Vision, Natural Language Processing, Deep Reinforcement Learning und generative Modelle</subfield></datafield><datafield tag="520" ind1="3" ind2=" "><subfield code="a">Maschinelles Lernen und insbesondere Deep Learning haben in den letzten Jahren eindrucksvolle Durchbrüche erlebt. Inzwischen können sogar Programmierer, die kaum etwas über diese Technologie wissen, mit einfachen, effizienten Werkzeugen Machine-Learning-Programme implementieren. Dieses Standardwerk verwendet konkrete Beispiele, ein Minimum an Theorie und unmittelbar einsetzbare Python-Frameworks (Scikit-Learn, Keras und TensorFlow), um Ihnen ein intuitives Verständnis der Konzepte und Tools für das Entwickeln intelligenter Systeme zu vermitteln. In dieser aktualisierten 3. Auflage behandelt Aurélien Géron eine große Bandbreite von Techniken: von der einfachen linearen Regression bis hin zu Deep Neural Networks. Zahlreiche Codebeispiele und Übungen helfen Ihnen, das Gelernte praktisch umzusetzen. Sie benötigen lediglich etwas Programmiererfahrung, um direkt zu starten.</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Keras</subfield><subfield code="g">Framework, Informatik</subfield><subfield code="0">(DE-588)1160521077</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Programmbibliothek</subfield><subfield code="0">(DE-588)4121521-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Python 3.0</subfield><subfield code="0">(DE-588)7624871-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Programmbibliothek</subfield><subfield code="0">(DE-588)4121521-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="4"><subfield code="a">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="5"><subfield code="a">Keras</subfield><subfield code="g">Framework, Informatik</subfield><subfield code="0">(DE-588)1160521077</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><subfield code="a">Programmbibliothek</subfield><subfield code="0">(DE-588)4121521-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="4"><subfield code="a">Python 3.0</subfield><subfield code="0">(DE-588)7624871-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="5"><subfield code="a">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="6"><subfield code="a">Keras</subfield><subfield code="g">Framework, Informatik</subfield><subfield code="0">(DE-588)1160521077</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Rother, Kristian</subfield><subfield code="d">1977-</subfield><subfield code="0">(DE-588)133397068</subfield><subfield code="4">trl</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Demmig, Thomas</subfield><subfield code="0">(DE-588)128548568</subfield><subfield code="4">trl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">978-3-96010-760-6</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, EPUB</subfield><subfield code="z">978-3-96010-761-3</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, MOBI</subfield><subfield code="z">978-3-96010-762-0</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034556334&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-034556334</subfield></datafield></record></collection>
id	DE-604.BV049294993
illustrated	Illustrated
index_date	2024-07-03T22:37:54Z
indexdate	2025-02-13T09:00:48Z
institution	BVB
isbn	9783960092124 3960092121
language	German English
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-034556334
oclc_num	1396133865
open_access_boolean
owner	DE-945 DE-860 DE-1050 DE-188 DE-523 DE-858 DE-1102 DE-11 DE-1049 DE-92 DE-M347 DE-20 DE-573 DE-706 DE-91G DE-BY-TUM
owner_facet	DE-945 DE-860 DE-1050 DE-188 DE-523 DE-858 DE-1102 DE-11 DE-1049 DE-92 DE-M347 DE-20 DE-573 DE-706 DE-91G DE-BY-TUM
physical	876 Seiten Illustrationen, Diagramme
publishDate	2023
publishDateSearch	2023
publishDateSort	2023
publisher	O'Reilly
record_format	marc
spelling	Géron, Aurélien Verfasser (DE-588)1131560930 aut Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme Aurélien Géron ; deutsche Übersetzung von Kristian Rother & Thomas Demmig 3., aktualisierte und erweiterte Auflage Heidelberg O'Reilly 2023 876 Seiten Illustrationen, Diagramme txt rdacontent n rdamedia nc rdacarrier Lernen Sie die Grundlagen des Machine Learning anhand eines umfangreichen Beispielprojekts mit Scikit-Learn Erkunden Sie zahlreiche Modelle, einschließlich Support Vector Machines, Entscheidungsbäume, Random Forests und Ensemble-Methoden Nutzen Sie unüberwachtes Lernen wie Dimensionsreduktion, Clustering und Anomalieerkennung Erstellen Sie neuronale Netzarchitekturen wie Convolutional Neural Networks, Recurrent Neural Networks, Generative Adversarial Networks, Autoencoder, Diffusionsmodelle und Transformer Verwenden Sie TensorFlow und Keras zum Erstellen und Trainieren neuronaler Netze für Computer Vision, Natural Language Processing, Deep Reinforcement Learning und generative Modelle Maschinelles Lernen und insbesondere Deep Learning haben in den letzten Jahren eindrucksvolle Durchbrüche erlebt. Inzwischen können sogar Programmierer, die kaum etwas über diese Technologie wissen, mit einfachen, effizienten Werkzeugen Machine-Learning-Programme implementieren. Dieses Standardwerk verwendet konkrete Beispiele, ein Minimum an Theorie und unmittelbar einsetzbare Python-Frameworks (Scikit-Learn, Keras und TensorFlow), um Ihnen ein intuitives Verständnis der Konzepte und Tools für das Entwickeln intelligenter Systeme zu vermitteln. In dieser aktualisierten 3. Auflage behandelt Aurélien Géron eine große Bandbreite von Techniken: von der einfachen linearen Regression bis hin zu Deep Neural Networks. Zahlreiche Codebeispiele und Übungen helfen Ihnen, das Gelernte praktisch umzusetzen. Sie benötigen lediglich etwas Programmiererfahrung, um direkt zu starten. Keras Framework, Informatik (DE-588)1160521077 gnd rswk-swf Programmbibliothek (DE-588)4121521-7 gnd rswk-swf Deep Learning (DE-588)1135597375 gnd rswk-swf Python 3.0 (DE-588)7624871-9 gnd rswk-swf TensorFlow (DE-588)1153577011 gnd rswk-swf Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf Künstliche Intelligenz (DE-588)4033447-8 gnd rswk-swf Python Programmiersprache (DE-588)4434275-5 gnd rswk-swf Neuronales Netz (DE-588)4226127-2 gnd rswk-swf Künstliche Intelligenz (DE-588)4033447-8 s Maschinelles Lernen (DE-588)4193754-5 s Programmbibliothek (DE-588)4121521-7 s Python Programmiersprache (DE-588)4434275-5 s TensorFlow (DE-588)1153577011 s Keras Framework, Informatik (DE-588)1160521077 s DE-604 Deep Learning (DE-588)1135597375 s Neuronales Netz (DE-588)4226127-2 s Python 3.0 (DE-588)7624871-9 s Rother, Kristian 1977- (DE-588)133397068 trl Demmig, Thomas (DE-588)128548568 trl Erscheint auch als Online-Ausgabe, PDF 978-3-96010-760-6 Erscheint auch als Online-Ausgabe, EPUB 978-3-96010-761-3 Erscheint auch als Online-Ausgabe, MOBI 978-3-96010-762-0 DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034556334&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis
spellingShingle	Géron, Aurélien Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme Lernen Sie die Grundlagen des Machine Learning anhand eines umfangreichen Beispielprojekts mit Scikit-Learn Erkunden Sie zahlreiche Modelle, einschließlich Support Vector Machines, Entscheidungsbäume, Random Forests und Ensemble-Methoden Nutzen Sie unüberwachtes Lernen wie Dimensionsreduktion, Clustering und Anomalieerkennung Erstellen Sie neuronale Netzarchitekturen wie Convolutional Neural Networks, Recurrent Neural Networks, Generative Adversarial Networks, Autoencoder, Diffusionsmodelle und Transformer Verwenden Sie TensorFlow und Keras zum Erstellen und Trainieren neuronaler Netze für Computer Vision, Natural Language Processing, Deep Reinforcement Learning und generative Modelle Keras Framework, Informatik (DE-588)1160521077 gnd Programmbibliothek (DE-588)4121521-7 gnd Deep Learning (DE-588)1135597375 gnd Python 3.0 (DE-588)7624871-9 gnd TensorFlow (DE-588)1153577011 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Python Programmiersprache (DE-588)4434275-5 gnd Neuronales Netz (DE-588)4226127-2 gnd
subject_GND	(DE-588)1160521077 (DE-588)4121521-7 (DE-588)1135597375 (DE-588)7624871-9 (DE-588)1153577011 (DE-588)4193754-5 (DE-588)4033447-8 (DE-588)4434275-5 (DE-588)4226127-2
title	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme
title_alt	Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow
title_auth	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme
title_exact_search	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme
title_exact_search_txtP	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme
title_full	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme Aurélien Géron ; deutsche Übersetzung von Kristian Rother & Thomas Demmig
title_fullStr	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme Aurélien Géron ; deutsche Übersetzung von Kristian Rother & Thomas Demmig
title_full_unstemmed	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme Aurélien Géron ; deutsche Übersetzung von Kristian Rother & Thomas Demmig
title_short	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow
title_sort	praxiseinstieg machine learning mit scikit learn keras und tensorflow konzepte tools und techniken fur intelligente systeme
title_sub	Konzepte, Tools und Techniken für intelligente Systeme
topic	Keras Framework, Informatik (DE-588)1160521077 gnd Programmbibliothek (DE-588)4121521-7 gnd Deep Learning (DE-588)1135597375 gnd Python 3.0 (DE-588)7624871-9 gnd TensorFlow (DE-588)1153577011 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Python Programmiersprache (DE-588)4434275-5 gnd Neuronales Netz (DE-588)4226127-2 gnd
topic_facet	Keras Framework, Informatik Programmbibliothek Deep Learning Python 3.0 TensorFlow Maschinelles Lernen Künstliche Intelligenz Python Programmiersprache Neuronales Netz
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034556334&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT geronaurelien handsonmachinelearningwithscikitlearnkerasandtensorflow AT rotherkristian handsonmachinelearningwithscikitlearnkerasandtensorflow AT demmigthomas handsonmachinelearningwithscikitlearnkerasandtensorflow AT geronaurelien praxiseinstiegmachinelearningmitscikitlearnkerasundtensorflowkonzeptetoolsundtechnikenfurintelligentesysteme AT rotherkristian praxiseinstiegmachinelearningmitscikitlearnkerasundtensorflowkonzeptetoolsundtechnikenfurintelligentesysteme AT demmigthomas praxiseinstiegmachinelearningmitscikitlearnkerasundtensorflowkonzeptetoolsundtechnikenfurintelligentesysteme

Verfügbarkeit

Es ist kein Print-Exemplar vorhanden.

Fernleihe Bestellen Achtung: Nicht im THWS-Bestand! Inhaltsverzeichnis

MARC

Datensatz im Suchindex

Es ist kein Print-Exemplar vorhanden.

Ähnliche Einträge