Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn Buchkatalog

Datenanalyse mit ausgereiften statistischen Modellen des Machine Learnings Anwendung der wichtigsten Algorithmen und Python-Bibliotheken wie NumPy, SciPy, Scikit-learn, Keras, TensorFlow 2, Pandas und Matplotlib Best Practices zur Optimierung Ihrer Machine-Learning-Algorithmen 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 Gängige Klassifikationsalgorithmen wie Support Vector Machines (SVM), Entscheidungsbäume und Random Forest Natural Language Processing zur Klassifizierung von Filmbewertungen Clusteranalyse zum Auffinden verborgener Muster und Strukturen in Ihren Daten Deep-Learning-Verfahren für die Bilderkennung 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