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
