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, SciPy, Scikit-learn, Keras, TensorFlow 2, Pandas und Matplotlib- Best Practices zur Optimierung Ihrer Machine-Learning-AlgorithmenMit 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