Book description
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.
Table of contents
- Cover
- Titel
- Impressum
- Inhalt
- Vorwort
-
Teil I Die Grundlagen des Machine Learning
- 1 Die Machine-Learning-Umgebung
-
2 Ein Machine-Learning-Projekt von A bis Z
- Der Umgang mit realen Daten
- Betrachte das Gesamtbild
- Beschaffe die Daten
- Erkunde und visualisiere die Daten, um Erkenntnisse zu gewinnen
- Bereite die Daten für Machine-Learning-Algorithmen vor
- Wähle ein Modell aus und trainiere es
- Optimiere das Modell
- Nimm das System in Betrieb, überwache und warte es
- Probieren Sie es aus!
- Übungen
- 3 Klassifikation
- 4 Trainieren von Modellen
- 5 Support Vector Machines
- 6 Entscheidungsbäume
- 7 Ensemble Learning und Random Forests
- 8 Dimensionsreduktion
- 9 Techniken des unüberwachten Lernens
-
Teil II Neuronale Netze und Deep Learning
-
10 Einführung in künstliche neuronale Netze mit Keras
- Von biologischen zu künstlichen Neuronen
-
MLPs mit Keras implementieren
- TensorFlow 2 installieren
- Einen Bildklassifikator mit der Sequential API erstellen
- Ein Regressions-MLP mit der Sequential API erstellen
- Komplexe Modelle mit der Functional API bauen
- Dynamische Modelle mit der Subclassing API bauen
- Ein Modell sichern und wiederherstellen
- Callbacks
- TensorBoard zur Visualisierung verwenden
- Feinabstimmung der Hyperparameter eines neuronalen Netzes
- Übungen
- 11 Trainieren von Deep-Learning-Netzen
-
12 Eigene Modelle und Training mit TensorFlow
- Ein kurzer Überblick über TensorFlow
- TensorFlow wie NumPy einsetzen
-
Modelle und Trainingsalgorithmen anpassen
- Eigene Verlustfunktion
- Modelle mit eigenen Komponenten sichern und laden
- Eigene Aktivierungsfunktionen, Initialisierer, Regularisierer und Constraints
- Eigene Metriken
- Eigene Schichten
- Eigene Modelle
- Verlustfunktionen und Metriken auf Modell-Interna basieren lassen
- Gradienten per Autodiff berechnen
- Eigene Trainingsschleifen
- Funktionen und Graphen in TensorFlow
- Übungen
- 13 Daten mit TensorFlow laden und vorverarbeiten
-
14 Deep Computer Vision mit Convolutional Neural Networks
- Der Aufbau des visuellen Cortex
- Convolutional Layers
- Pooling Layers
- Architekturen von CNNs
- Ein ResNet-34-CNN mit Keras implementieren
- Vortrainierte Modelle aus Keras einsetzen
- Vortrainierte Modelle für das Transfer Learning
- Klassifikation und Lokalisierung
- Objekterkennung
- Semantische Segmentierung
- Übungen
- 15 Verarbeiten von Sequenzen mit RNNs und CNNs
- 16 Natürliche Sprachverarbeitung mit RNNs und Attention
- 17 Representation Learning und Generative Learning mit Autoencodern und GANs
-
18 Reinforcement Learning
- Lernen zum Optimieren von Belohnungen
- Suche nach Policies
- Einführung in OpenAI Gym
- Neuronale Netze als Policies
- Auswerten von Aktionen: Das Credit-Assignment-Problem
- Policy-Gradienten
- Markov-Entscheidungsprozesse
- Temporal Difference Learning
- Q-Learning
- Deep-Q-Learning implementieren
- Deep-Q-Learning-Varianten
-
Die TF-Agents-Bibliothek
- TF-Agents installieren
- TF-Agents-Umgebungen
- Umgebungsspezifikationen
- Umgebungswrapper und Atari-Vorverarbeitung
- Trainingsarchitektur
- Deep-Q-Netz erstellen
- DQN-Agenten erstellen
- Replay Buffer und Beobachter erstellen
- Trainingsmetriken erstellen
- Collect-Fahrer erstellen
- Dataset erstellen
- Trainingsschleife erstellen
- Überblick über beliebte RL-Algorithmen
- Übungen
- 19 TensorFlow-Modelle skalierbar trainieren und deployen
-
10 Einführung in künstliche neuronale Netze mit Keras
- A Lösungen zu den Übungsaufgaben
- B Checkliste für Machine-Learning-Projekte
- C Das duale Problem bei SVMs
- D Autodiff
- E Weitere verbreitete Architekturen neuronaler Netze
- F Spezielle Datenstrukturen
- G TensorFlow-Graphen
- Fußnoten
- Index
- Über den Autor
- Über die Übersetzer
- Kolophon
Product information
- Title: Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow, 2nd Edition
- Author(s):
- Release date: July 2020
- Publisher(s): dpunkt
- ISBN: 9783960091240
You might also like
book
Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-Learn
Datenanalyse mit ausgereiften statistischen Modellen des Machine Learnings Anwendung der wichtigsten Algorithmen und Python-Bibliotheken wie NumPy, …
book
Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow, 3rd Edition
Maschinelles Lernen und insbesondere Deep Learning haben in den letzten Jahren eindrucksvolle Durchbrüche erlebt. Inzwischen können …
book
Machine Learning mit Python und ScikitLearn und TensorFlow
Datenanalyse mit ausgereiften statistischen Modellen des Machine Learnings Anwendung der wichtigsten Algorithmen und Python-Bibliotheken wie NumPy, …
book
Einführung in Machine Learning mit Python
Machine Learning ist zu einem wichtigen Bestandteil vieler kommerzieller Anwendungen und Forschungsprojekte geworden, von der medizinischen …