Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn
Das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
Sebastian Raschka Reihenfolge der Bücher
Dieser Autor taucht tief in die Bereiche Data Science und maschinelles Lernen ein und deckt begeistert komplexe Muster in Daten auf. Seine Arbeit konzentriert sich auf die Gewinnung aufschlussreicher Schlussfolgerungen durch Techniken des Data Mining und maschinellen Lernens, insbesondere für die prädiktive Modellierung. Als starker Verfechter der Zusammenarbeit und des Open-Source-Gedankens glaubt er an die Kraft des Austauschs von Wissen und Werkzeugen für gegenseitiges Wachstum. Derzeit verfeinert er seine analytischen Fähigkeiten als Doktorand und konzentriert sich auf die Entwicklung hocheffizienter Software für das Virtual Screening in der computergestützten Medikamentenentwicklung sowie auf die Entwicklung neuartiger Ansätze für das Protein-Ligand-Docking.
- 2021
- 2018
Die zweite Auflage dieses Buchs behandelt die Anwendung fortschrittlicher statistischer Modelle des Machine Learnings und die wichtigsten Algorithmen sowie Python-Bibliotheken wie NumPy, SciPy, Scikit-learn, TensorFlow, Matplotlib, Pandas und Keras. Machine Learning und Predictive Analytics revolutionieren die Unternehmenswelt, indem sie es ermöglichen, Trends und Muster in komplexen Daten zu erkennen, was für den langfristigen Geschäftserfolg entscheidend ist. Die Autoren erläutern den Einsatz von Machine-Learning- und Deep-Learning-Algorithmen anhand praktischer Beispiele und bieten umfassende Einblicke in leistungsfähige Python-Bibliotheken. Sie zeigen, wie Python genutzt werden kann, um grundlegende Erkenntnisse zu gewinnen und komplexe Algorithmen zu entwickeln. Zu den Themen gehören das Trainieren von Lernalgorithmen für Klassifizierungen, Regressionsanalysen zur Ergebnisprognose, Clusteranalysen zur Entdeckung verborgener Muster, Deep-Learning-Verfahren zur Bilderkennung, effektive Datenvorverarbeitung, Dimensionsreduktion zur Datenkomprimierung, das Training neuronaler Netze mit TensorFlow, Ensemble Learning, die Integration von Machine-Learning-Modellen in Webanwendungen sowie Stimmungsanalysen in sozialen Netzwerken und die Modellierung sequenzieller Daten mit rekurrenten neuronalen Netzen.
- 2017
Datenanalyse mit fortgeschrittenen statistischen Modellen des Machine Learnings und Anwendung zentraler Algorithmen sowie Python-Bibliotheken wie NumPy, SciPy, scikit-learn, matplotlib, pandas, Theano und Keras. Verständlicher Python-Code optimiert Ihre Algorithmen. Machine Learning und Predictive Analytics revolutionieren Unternehmensabläufe. Die Fähigkeit, Trends und Muster in komplexen Daten zu erkennen, ist entscheidend für den langfristigen Geschäftserfolg und wird zu einer zentralen Wachstumsstrategie. Der Autor bietet einen detaillierten Einblick in Predictive Analytics-Techniken und erläutert die grundlegenden theoretischen Prinzipien des Machine Learnings mit praktischen Anwendungen. Besondere Aufmerksamkeit gilt der Formulierung und Beantwortung der richtigen Fragen. Python gilt als führende Programmiersprache in der Data Science und eignet sich hervorragend zur Gewinnung grundlegender Erkenntnisse sowie zur Entwicklung ausgefeilter Algorithmen und Modelle. Das Buch behandelt leistungsstarke Python-Bibliotheken wie scikit-learn, Theano und Keras und führt Schritt für Schritt in die Grundlagen von Python für maschinelles Lernen ein. Themen umfassen Regressionsanalysen, Clusteranalysen, Datenvorverarbeitung, Dimensionsreduktion, neuronale Netze, Ensemble Learning und die Integration von Machine-Learning-Modellen in Webanwendungen sowie Stimmungsanalysen in sozialen Netzwerken.