KRISTIAN ROTHER Książki

Learn software engineering and coding best practices to write Python code right and error free.

Serves as an introduction to Python for data-intensive applications.

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 - 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

Deep-Learning-Netze, die mit großen Datenmengen trainiert werden, lösen komplexe Aufgaben mit erstaunlicher Genauigkeit. Dieses Buch bietet eine praktische Einführung in TensorFlow, die führende Open-Source-Softwarebibliothek zum Erstellen und Anlernen von Deep-Learning-Netzen für Sprach- und Bilderkennung, natürliche Sprachverarbeitung (NLP) und prädiktive Datenanalyse. Es richtet sich an technisch orientierte Leser, darunter Datenanalytiker, Ingenieure, Studenten und Wissenschaftler. Sie beginnen mit einfachen Beispielaufgaben und vertiefen sich in Themen wie die Architektur neuronaler Netze, Visualisierung mit TensorBoard, Abstraktionsbibliotheken für TensorFlow und Multithread-Pipelines zur Dateneingabe. Nach Abschluss des Buches sind Sie in der Lage, Deep-Learning-Systeme in TensorFlow zu erstellen und produktiv einzusetzen. Der Inhalt umfasst: einen schnellen Einstieg in TensorFlow, das Modellieren von Deep-Learning-Systemen, das Trainieren verbreiteter Modelle für Computer Vision und Sprachverarbeitung, die Nutzung von Abstraktionsbibliotheken zur Vereinfachung der Entwicklung, das Skalieren von TensorFlow und das Verteilte Anlernen von Modellen auf Clustern.