Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Long description: Der kompakte Schnelleinstieg in Machine Learning und Deep LearningDie Neuauflage des Bestsellers wurde ergänzt durch die Themen Unsupervised Learning und Reinforcement LearningAnhand konkreter Datensätzen lernen Sie einen typischen Workflow kennen: vom Datenimport über Datenbereinigung, Datenanalyse bis hin zur DatenvisualisierungNicht nur für zukünftige Data Scientists und ML-Profis geeignet, sondern auch für Interessierte, die nur am Rande mit ML zu tun haben, wie z.B. Softwareentwickler*innenMachine Learning erreicht heute beinahe alle Bereiche der Technik und der Gesellschaft. Dieses Buch bietet Interessierten, die einen technischen Hintergrund haben, die schnellstmögliche Einführung in das umfangreiche Themengebiet des maschinellen Lernens und der statistischen Datenanalyse. Dabei werden alle wesentlichen Themen abgedeckt und mit praktischen Beispielen in Python, Pandas, TensorFlow und Keras illustriert. Nach der Lektüre dieses Buchs haben Sie einen Überblick über das gesamte Thema und können Ansätze einordnen und bewerten. Das Buch vermittelt Ihnen eine solide Grundlage, um Ihre ersten eigenen Machine-Learning-Modelle zu trainieren und vertiefende Literatur zu verstehen.Die aktualisierte 2. Auflage behandelt jetzt auch Unsupervised Learning und Reinforcement Learning. Biographical note: Nach seiner Diplom- und Doktorarbeit an der Universität Hamburg im Bereich Hochenergiephysik am Teilchenbeschleuniger HERA/DESY arbeitete Chi Nhan Nguyen mehrere Jahre als wissenschaftlicher Mitarbeiter im akademischen Ausland. Seine Stationen waren dabei u.a. das Fermilab, die Texas A&M University, der Teilchenbeschleuniger LHC am CERN und die Columbia University. Seit 2013 arbeitet er als Datenwissenschaftler und Berater für die S&P Consult im Bereich der Optimierung von Sanierungsstrategien für Versorgungsnetzwerke auf Basis von stochastischen Alterungsmodellen.Oliver Zeigermann ist Entwickler, Architekt, Berater und Coach aus Hamburg. Über die letzten Jahrzehnte hat er Software in vielen unterschiedlichen Sprachen und Technologien entwickelt. In den letzten Jahren ist er tiefer in die Analyse und Verarbeitung von Daten eingestiegen.

Python --- Künstliche Intelligenz --- Neuronale Netze --- Algorithmen --- Machine Learning --- KI --- Artificial Intelligence --- Deep Learning --- Maschinelles Lernen --- AI --- Statistische Datenanalyse --- Unsupervised learning --- Reinforcement Learning

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Das Buch richtet sich an Entwickler und Programmierer, die Konzepte und Programmierung des maschinellen Lernens von Grund auf neu erlernen wollen. Der Schwerpunkt liegt hier auf den drei Aspekten des Machine Learning, die heutzutage als die wichtigsten gelten: auf u?berwachtem Lernen, neuronalen Netzen und Deep Learning Der gesamte Programmcode ist in Python geschrieben - der modernsten Programmiersprache für maschinelles Lernen und Datenwissenschaft. Das Buch eignet sich für Entwickler, die eine gute und sanfte Einführung in das maschinelle Lernen erhalten wollen – ein empfehlenswerter, praktischer Einstieg in das Gebiet des ML.

Python --- Künstliche Intelligenz --- Neuronale Netze --- Algorithmen --- Machine Learning --- KI --- Neural Networks --- Artificial Intelligence --- Data Science --- Maschinelles Lernen --- überwachtes Lernen --- AI --- Unsupervised learning --- Supervised Learning --- PyTorch

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Die coolste Idee im Deep Learning in den letzten 20 Jahren« sagt Yann LeCun, einer der weltweit führenden Forscher auf dem Gebiet der neuronalen Netze, über GANs, die Generative Adversarial Networks. Bei dieser noch neuen KI-Technik treten zwei neuronale Netze gegeneinander an mit dem Ziel, Bilder, Ton und Videos zu erzeugen, die vom Original nicht zu unterscheiden sind. Dieses Buch richtet sich an alle, die selbst ausprobieren möchten, wie GANs funktionieren. Tariq Rashid zeigt Ihnen Schritt für Schritt, wie Sie mit dem populären Framework PyTorch Ihre eigenen GANs erstellen und trainieren. Sie starten mit einem sehr einfachen GAN, um einen Workflow einzurichten, und üben erste Techniken anhand der MNIST-Datenbank ein. Mit diesem Wissen programmieren Sie dann ein GAN, das realistische menschliche Gesichter erzeugen kann. Tariq Rashids besondere Fähigkeit, komplexe Ideen verständlich zu erklären, macht das Buch zu einer unterhaltsamen Lektüre.

Big Data --- Python --- Künstliche Intelligenz --- Neuronale Netze --- Machine Learning --- Data Mining --- Artificial Intelligence --- Deep Learning --- Maschinelles Lernen --- AI --- Künstliche Neuronale Netze --- PyTorch --- GAN --- Generative Adversarial Networks

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Long description: KI verständlich und humorvoll erklärt für alle technisch Interessierten Der US-Bestseller jetzt auf Deutsch Das Buch vermittelt fundierte technische Informationen anhand von gut nachvollziehbaren KI-Experimenten und wirft auch einen kritischen Blick auf den aktuellen Einsatz von KI Janelle Shane bloggt auf aiweirdness.com, ihre Arbeit wurde in der New York Times, Slate und The New Yorker vorgestellt Wir verlassen uns jeden Tag auf künstliche Intelligenz, wenn es um Empfehlungen, Übersetzungen und Katzenohren für unsere Selfie-Videos geht. Wir vertrauen KI auch in Fragen von Leben und Tod, auf der Straße und in unseren Krankenhäusern. Aber wie intelligent ist KI wirklich, auf welche Weise löst sie Probleme, wie versteht sie Menschen?Janelle Shane liefert die Antworten auf KI-Fragen, die Sie sich schon immer gestellt haben, und auf einige, die Sie definitiv nicht gestellt haben, wie z.B.: Wie kann ein Computer das perfekte Sandwich entwerfen? Und ist das weltbeste Halloween-Kostüm wirklich Vampirschweinebraut? In dieser klugen, oft sehr lustigen Einführung in die interessanteste Wissenschaft unserer Zeit zeigt Shane, wie KI-Algorithmen lernen, versagen und sich anpassen. Ein Buch perfekt für alle, die neugierig darauf sind, wie die Roboter in unserem Leben funktionieren. Biographical note: Janelle Shane hat einen Doktortitel in Elektrotechnik und einen Master in Physik. In ihrem Blog aiweirdness.com schreibt sie über künstliche Intelligenz und die lustige und manchmal beunruhigende Art und Weise, wie Algorithmen menschliche Dinge falsch machen. Ihre Arbeit wurde auf der TED-Hauptbühne und unter anderem in der New York Times, The Atlantic, WIRED und PopularScience vorgestellt. Sie ist mit ziemlicher Sicherheit kein Roboter.

Big Data --- Neuronale Netze --- Roboter --- Algorithmen --- Machine Learning --- KI --- Data Mining --- Artificial Intelligence --- Deep Learning --- Maschinelles Lernen --- AI --- Künstliche Neuronale Netze

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Long description: Bewährte Praxislösungen für komplexe Machine-Learning-Aufgaben Behandelt alle Phasen der ML-Produktpipeline Klar strukturierter Aufbau: Konzepte und Zusammenhänge erschließen sich dadurch schnell Fokus auf TensorFlow, aber auch übertragbar auf PyTorch-Projekte Die Design Patterns in diesem Buch zeigen praxiserprobte Methoden und Lösungen für wiederkehrende Aufgaben beim Machine Learning. Die Autoren, drei Machine-Learning-Experten bei Google, beschreiben bewährte Herangehensweisen, um Data Scientists und Data Engineers bei der Lösung gängiger Probleme im gesamten ML-Prozess zu unterstützen. Die Patterns bündeln die Erfahrungen von Hunderten von Experten und bieten einfache, zugängliche Best Practices.In diesem Buch finden Sie detaillierte Erläuterungen zu 30 Patterns für diese Themen: Daten- und Problemdarstellung, Operationalisierung, Wiederholbarkeit, Reproduzierbarkeit, Flexibilität, Erklärbarkeit und Fairness. Jedes Pattern enthält eine Beschreibung des Problems, eine Vielzahl möglicher Lösungen und Empfehlungen für die Auswahl der besten Technik für Ihre Situation. Biographical note: Valliappa Lakshmanan ist Global Head für Datenanalyse und KI-Lösungen bei Google Cloud. Sara Robinson ist Developer Advocate im Google-Cloud-Team, sie ist spezialisiert auf Machine Learning. Michael Munn ist ML Solutions Engineer bei Google. Er unterstützt Kunden bei der Entwicklung, Implementierung und Bereitstellung von Machine-Learning-Modellen.

Entwurfsmuster --- Python --- Künstliche Intelligenz --- Neuronale Netze --- KI --- Artificial Intelligence --- Deep Learning --- DevOps --- Maschinelles Lernen --- scikit-learn --- AI --- Statistische Datenanalyse --- TensorFlow --- PyTorch --- Machine Learning Operations