Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow
Konzepte, Tools und Techniken für intelligente Systeme. Aktuell zu TensorFlow 2
Aurélien Géron, Kristian Rother, Thomas Demmig
- 852 pages
- German
- ePUB (mobile friendly)
- Available on iOS & Android
Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow
Konzepte, Tools und Techniken für intelligente Systeme. Aktuell zu TensorFlow 2
Aurélien Géron, Kristian Rother, Thomas Demmig
About This Book
Aktualisierte Neuauflage des Bestsellers zu TensorFlow 2 und Deep LearningBehandelt jetzt auch die High-Level-API KerasFührt Sie methodisch geschickt in die Basics des Machine Learning mit Scikit-Learn ein und vermittelt darauf aufbauend Deep-Learning-Techniken mit Keras und TensorFlow 2Mit zahlreiche Übungen und LösungenEine 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.
Frequently asked questions
Information
TEIL II
Neuronale Netze und Deep Learning
KAPITEL 10
Einführung in künstliche neuronale Netze mit Keras
Von biologischen zu künstlichen Neuronen
- Heute sind gewaltige Datenmengen zum Trainieren von neuronalen Netzen verfügbar, und ANNs schneiden bei großen und komplexen Aufgaben häufig besser als andere ML-Verfahren ab.
- Der erhebliche Zuwachs an Rechenkapazität seit den 1990ern ermöglicht das Trainieren großer neuronaler Netze innerhalb eines sinnvollen Zeitraums. Teils liegt dies an Moores Law (die Anzahl an Komponenten in integrierten Schaltkreisen hat sich in den letzten 50 Jahren etwa alle zwei Jahre verdoppelt), teils an der Spieleindustrie, der wir leistungsfähige Grafikprozessoren verdanken. Dazu haben Cloud-Plattformen diese Kapazität für alle verfügbar gemacht.
- Die Algorithmen zum Trainieren sind verbessert worden. Eigentlich sind sie nur ein wenig anders als die in den 1990ern verwendeten, aber diese kleinen Änderungen haben zu sehr großen Verbesserungen geführt.
- Einige theoretische Einschränkungen von ANNs haben sich als Vorteile herausgestellt. Beispielsweise ging man davon aus, dass die Algorithmen zum Trainieren von ANNs wegen ihrer Neigung zu lokalen Optima zum Scheitern verurteilt wären. Diese sind aber in der Praxis selten (oder liegen zumindest nahe genug am globalen Optimum).
- ANNs befinden sich in einem förderlichen Kreislauf von finanzieller Unterstützung und Fortschritt. Faszinierende auf ANNs basierende Produkte schaffen es regelmäßig in die Schlagzeilen, was weitere Aufmerksamkeit auf sie lenkt und Förderung bewirkt, und das zieht wiederum weitere Fortschritte und noch faszinierende Produkte nach sich.