Verfügbarkeit: Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow

Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow: Konzepte, Tools und Techniken für intelligente Systeme

Gespeichert in:

Bibliographische Detailangaben
Späterer Titel:	Géron, Aurélien Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow
Beteilige Person:	Géron, Aurélien (VerfasserIn)
Weitere beteiligte Personen:	Rother, Kristian 1977- (ÜbersetzerIn)
Format:	Buch
Sprache:	Deutsch Englisch
Veröffentlicht:	Heidelberg O'Reilly 2018
Ausgabe:	1. Auflage
Schlagwörter:	Keras > Framework, Informatik Programmbibliothek Künstliche Intelligenz Maschinelles Lernen Python > Programmiersprache
Links:	http://deposit.dnb.de/cgi-bin/dokserv?id=6ba05f7dfc5242d6bbc6f653e199e877&prov=M&dok_var=1&dok_ext=htm http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029926270&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
Umfang:	XXII, 552 Seiten Illustrationen, Diagramme
ISBN:	9783960090618 3960090617

Internformat

MARC


LEADER	00000nam a2200000 c 4500
001	BV044526893
003	DE-604
005	20221111
007	t\|
008	171009s2018 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 17,N37 \|2 dnb
015			\|a 18,A11 \|2 dnb
016	7		\|a 1139504843 \|2 DE-101
020			\|a 9783960090618 \|c Broschur : circa EUR 39.90 (DE), circa EUR 41.10 (AT) \|9 978-3-96009-061-8
020			\|a 3960090617 \|9 3-96009-061-7
035			\|a (OCoLC)1003866037
035			\|a (DE-599)DNB1139504843
040			\|a DE-604 \|b ger \|e rda
041	1		\|a ger \|h eng
044			\|a gw \|c XA-DE-BW
049			\|a DE-M347 \|a DE-91G \|a DE-706 \|a DE-M49 \|a DE-1046 \|a DE-473 \|a DE-20 \|a DE-1102 \|a DE-19 \|a DE-11 \|a DE-29T \|a DE-634 \|a DE-858 \|a DE-573 \|a DE-83 \|a DE-92 \|a DE-945 \|a DE-898 \|a DE-1043 \|a DE-2070s
082	0		\|a 006.31 \|2 22/ger
082	0		\|a 005.133 \|2 22/ger
082	0		\|a 004 \|2 23
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a ST 304 \|0 (DE-625)143653: \|2 rvk
084			\|a DAT 368f \|2 stub
084			\|a DAT 708f \|2 stub
084			\|a 004 \|2 sdnb
084			\|a DAT 316f \|2 stub
100	1		\|a Géron, Aurélien \|e Verfasser \|0 (DE-588)1131560930 \|4 aut
240	1	0	\|a Hands-on machine learning with Scikit-learn and TensorFlow : concepts, tools, and techniques to build intelligent systems
245	1	0	\|a Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow \|b Konzepte, Tools und Techniken für intelligente Systeme \|c Aurélien Géron ; deutsche Übersetzung von Kristian Rother
250			\|a 1. Auflage
264		1	\|a Heidelberg \|b O'Reilly \|c 2018
300			\|a XXII, 552 Seiten \|b Illustrationen, Diagramme
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
650	0	7	\|a Keras \|g Framework, Informatik \|0 (DE-588)1160521077 \|2 gnd \|9 rswk-swf
650	0	7	\|a Programmbibliothek \|0 (DE-588)4121521-7 \|2 gnd \|9 rswk-swf
650	0	7	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|2 gnd \|9 rswk-swf
650	0	7	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|2 gnd \|9 rswk-swf
689	0	0	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|D s
689	0	1	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0	2	\|a Programmbibliothek \|0 (DE-588)4121521-7 \|D s
689	0	3	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	0	4	\|a Keras \|g Framework, Informatik \|0 (DE-588)1160521077 \|D s
689	0		\|5 DE-604
700	1		\|a Rother, Kristian \|d 1977- \|0 (DE-588)133397068 \|4 trl
775	0	8	\|i Parallele Sprachausgabe \|z 9781491962299
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, ePub \|z 978-3-96010-115-4
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, Mobi \|z 978-3-96010-116-1
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 978-3-96010-114-7 \|w (DE-604)BV044734721
785	0	0	\|i Gefolgt von \|a Géron, Aurélien \|t Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow \|d 2020 \|z 978-3-96009-124-0
856	4	2	\|m X:MVB \|q text/html \|u http://deposit.dnb.de/cgi-bin/dokserv?id=6ba05f7dfc5242d6bbc6f653e199e877&prov=M&dok_var=1&dok_ext=htm \|3 Inhaltstext
856	4	2	\|m DNB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029926270&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
943	1		\|a oai:aleph.bib-bvb.de:BVB01-029926270

Datensatz im Suchindex

DE-BY-TUM_call_number	0104 DAT 708f 2018 A 234 0303 DAT 708f 2018 L 224 1002 DAT 708f 2018 A 197
DE-BY-TUM_katkey	2289298
DE-BY-TUM_location	01 03 10
DE-BY-TUM_media_number	040008150389 040008615201 040008615187 040008615198 040008615176 040008615165 040008697732
_version_	1821934212019650560
adam_text	INHALT V O RW O RT...................................................................................... XV TEIL I DIE G RUNDLAGEN DES M ACHINE LEARNING 1 DIE MACHINE LEARNING-UMGEBUNG ..................................................... 3 WAS IST MACHINE LEARNING?................................................................. 4 WARUM WIRD MACHINE LEARNING VERWENDET? ...................................... 4 ARTEN VON MACHINE-LEARNING-SYSTEMEN ............................................. 7 UEBERWACHTES/UNUEBERWACHTES LERNEN............................................. 8 BATCH- UND ONLINE-LEARNING........................................................... 14 INSTANZBASIERTES VERSUS MODELLBASIERTES LERNEN ............................ 17 DIE WICHTIGSTEN HERAUSFORDERUNGEN BEIM MACHINE LEARNING ............ 22 UNZUREICHENDE MENGE AN TRAININGSDATEN .................................... 23 NICHT REPRAESENTATIVE TRAININGSDATEN............................................. 24 MINDERWERTIGE D ATEN ..................................................................... 26 IRRELEVANTE MERKMALE..................................................................... 26 OVERFITTING DER TRAININGSDATEN....................................................... 26 UNDERFITTING DER T RAININGSDATEN..................................................... 29 ZUSAMMENFASSUNG......................................................................... 29 TESTEN UND VALIDIEREN......................................................................... 30 UE BUNGEN............................................................................................. 32 2 EIN MACHINE-LEARNING-PROJEKT VON A BIS Z .......................................... 33 DER UMGANG MIT REALEN DATEN ........................................................... 33 BETRACHTE DAS GESAMTBILD ................................................................... 35 DIE AUFGABE ABSTECKEN ................................................................... 35 WAEHLE EIN QUALITAETSMASS A U S ......................................................... 37 UEBERPRUEFE DIE ANNAHMEN ............................................................... 40 BESCHAFFE DIE DATEN ............................................................................. 40 ERSTELLE EINE ARBEITSUMGEBUNG....................................................... 40 DIE DATEN HERUNTERLADEN............................................................... 44 WIRF EINEN KURZEN BLICK AUF DIE DATENSTRUKTUR ............................ 45 ERSTELLE EINEN TESTDATENSATZ........................................................... 49 ERKUNDE UND VISUALISIERE DIE DATEN, UM ERKENNTNISSE ZU GEWINNEN ............................................................................................ 53 VISUALISIEREN GEOGRAFISCHER D ATEN ................................................. 53 SUCHE NACH KORRELATIONEN............................................................. 56 EXPERIMENTIEREN MIT KOMBINATIONEN VON MERKMALEN ................ 58 BEREITE DIE DATEN FUER MACHINE-LEARNING-ALGORITHMEN V O R ................ 60 AUFBEREITEN DER D ATEN................................................................... 60 BEARBEITEN VON TEXT UND KATEGORISCHEN MERKMALEN .................... 63 EIGENE TRANSFORMER ....................................................................... 65 SKALIEREN VON MERKMALEN............................................................... 66 PIPELINES ZUR TRANSFORMATION......................................................... 67 WAEHLE EIN MODELL AUS UND TRAINIERE E S ............................................... 69 TRAINIEREN UND AUSWERTEN AUF DEM TRAININGSDATENSATZ .............. 69 BESSERE AUSWERTUNG MITTELS KREUZVALIDIERUNG............................... 71 OPTIMIERE DAS MODELL ......................................................................... 73 GITTERSUCHE...................................................................................... 73 ZUFAELLIGE SUCHE ............................................................................... 75 ENSEMBLE-METHODEN ..................................................................... 76 ANALYSIERE DIE BESTEN MODELLE UND IHRE FEHLER ............................ 76 EVALUIERE DAS SYSTEM AUF DEM TESTDATENSATZ................................. 77 NIMM DAS SYSTEM IN BETRIEB, UEBERWACHE UND WARTE ES .................... 78 PROBIEREN SIE ES A U S ! ........................................................................... 78 UEBUNGEN................................................................................. 79 3 K LASSIFIKATION ............................................................................... 81 M NIST................................................................................................ 81 TRAINIEREN EINES BINAEREN KLASSIFIKATORS............................................... 83 QUALITAETSMASSE...................................................................................... 84 MESSEN DER GENAUIGKEIT UEBER KREUZVALIDIERUNG .......................... 84 KONFUSIONSMATRIX ........................................................................... 86 RELEVANZ UND SENSITIVITAET............................................................... 88 DIE WECHSELBEZIEHUNG ZWISCHEN RELEVANZ UND SENSITIVITAET .......... 89 DIE ROC-KURVE............................................................................... 92 KLASSIFIKATOREN MIT MEHREREN KATEGORIEN ........................................... 96 FEHLERANALYSE....................................................................................... 98 KLASSIFIKATION MIT MEHREREN LABELS..................................................... 102 KLASSIFIKATION MIT MEHREREN AUSGABEN............................................... 103 UEBUNGSAUFGABEN................................................................................. 105 4 TRAINIEREN VON M O D E LLE N ................................................................. 107 LINEARE REGRESSION............................................................................... 108 DIE NORMALENGLEICHUNG................................................................. 110 KOMPLEXITAET DER BERECHNUNG......................................................... 112 DAS GRADIENTENVERFAHREN..................................................................... 112 BATCH-GRADIENTENVERFAHREN............................................................. 116 STOCHASTISCHES GRADIENTENVERFAHREN............................................... 118 MINI-BATCH-GRADIENTENVERFAHREN................................................... 121 POLYNOMIELLE REGRESSION..................................................................... 122 LERNKURVEN........................................................................................... 124 REGULARISIERTE LINEARE MODELLE............................................................. 128 RIDGE-REGRESSION............................................................................. 129 LASSO-REGRESSION............................................................................. 131 ELASTIC NET....................................................................................... 133 EARLY STOPPING................................................................................. 134 LOGISTISCHE REGRESSION......................................................................... 135 ABSCHAETZEN VON WAHRSCHEINLICHKEITEN........................................... 135 TRAINIEREN UND KOSTENFUNKTION..................................................... 136 ENTSCHEIDUNGSGRENZEN................................................................... 138 SOFTMAX-REGRESSION....................................................................... 140 UE BUNGEN............................................................................................. 144 5 SUPPORT VECTOR M ACHINES................................................................. 145 LINEARE KLASSIFIKATION MIT SVM S......................................................... 145 SOFT-MARGIN-KLASSIFIKATION............................................................. 146 NICHTLINEARE SVM-KLASSIFIKATION......................................................... 149 POLYNOMIELLER KERNEL....................................................................... 150 HINZUFUEGEN VON AEHNLICHKEITSBASIERTEN MERKMALEN ...................... 151 DER GAUSSSCHE RBF-KERNEL............................................................. 152 KOMPLEXITAET DER BERECHNUNG......................................................... 153 SVM-REGRESSION................................................................................... 154 HINTER DEN KULISSEN............................................................................. 156 ENTSCHEIDUNGSFUNKTION UND VORHERSAGEN ...................................... 156 ZIELFUNKTIONEN BEIM TRAINIEREN..................................................... 157 QUADRATISCHE PROGRAMME ............................................................. 159 DAS DUALE PROBLEM ......................................................................... 160 KERNEL-SVM.................................................................................... 161 ONLINE-SVMS ................................................................................. 163 UEBUNGEN.............................................................................................. 165 6 E NTSCHEIDUNGSBAEUM E..................................................................... 167 TMINIEREN UND VISUALISIEREN EINES ENTSCHEIDUNGSBAUMS .................. 167 VORHERSAGEN TREFFEN ............................................................................. 168 SCHAETZEN VON WAHRSCHEINLICHKEITEN FUER KATEGORIEN .......................... 171 DER GART-TRAININGS-ALGORITHMUS..................................................... 171 KOMPLEXITAET DER BERECHNUNG ............................................................. 172 GINI-UNREINHEIT ODER ENTROPIE? ......................................................... 173 HYPERPARAMETER ZUR REGULARISIERUNG................................................. 173 REGRESSION............................................................................................ 175 INSTABILITAET............................................................................................ 177 UEBUNGEN.............................................................................................. 178 7 ENSEMBLE LEARNING UND RANDOM F O RE S TS ............................................ 181 ABSTIMMVERFAHREN UNTER KLASSIFIKATOREN........................................... 181 BAGGING UND PASTING........................................................................... 185 BAGGING UND PASTING IN SCIKIT-LEARN............................................... 186 OUT-OF-BAG-EVALUATION ................................................................... 187 ZUFAELLIGE PATCHES UND SUBRAEUME......................................................... 188 RANDOM FO RESTS ................................................................................. 189 EXTRA-TREES ..................................................................................... 190 WICHTIGKEIT VON MERKMALEN .................................................. 190 BOOSTING.............................................................................................. 191 ADABOOST ....................................................................................... 192 GRADIENT BOOSTING ......................................................................... 195 STACKING................................................................................................ 200 UEBUNGEN.............................................................................................. 203 8 D IM ENSIONSREDUKTION ........................................................ 205 DER FLUCH DER DIMENSIONALITAET........................................................... 206 DIE WICHTIGSTEN ANSAETZE ZUR DIMENSIONSREDUKTION .......................... 207 PROJEKTION ....................................................................................... 207 MANIFOLD LEARNING......................................................................... 210 HAUPTKOMPONENTENZERLEGUNG (PCA)................................................. 211 ERHALTEN DER VARIANZ ..................................................................... 211 HAUPTKOMPONENTEN ....................................................................... 212 DIE PROJEKTION AUF D DIMENSIONEN................................................. 213 VERWENDEN VON SCIKIT-LEARN........................................................... 214 DER ANTEIL ERKLAERTER VARIANZ........................................................... 214 AUSWAEHLEN DER RICHTIGEN ANZAHL DIMENSIONEN .............................. 215 PCA ALS KOMPRIMIERUNGSVERFAHREN............................................... 216 INKREMENTELLE PCA......................................................................... 217 RANDOMISIERTE PCA......................................................................... 217 KERNEL PC A ......................................................................................... 218 AUSWAHL EINES KERNELS UND OPTIMIERUNG DER HYPERPARAMETER . . . 219 LLE ................................................................................................. 221 WEITERE TECHNIKEN ZUR DIMENSIONSREDUKTION .................................... 223 UE BUNGEN............................................................................................. 224 TEIL II N EURONALE NETZE UND DEEP LEARNING 9 EINSATZBEREIT MIT TENSORFLOW............................................................ 227 INSTALLATION........................................................................................... 230 ERSTELLEN UND AUSFUEHREN EINES ERSTEN G RAPHEN .................................. 230 GRAPHEN VERWALTEN ............................................................................. 232 LEBENSZYKLUS DES WERTS VON KNOTEN................................................... 232 LINEARE REGRESSION MIT TENSORFLOW ................................................... 233 IMPLEMENTIEREN DES GRADIENTENVERFAHRENS ........................................ 235 MANUELLE BERECHNUNG DER G RADIENTEN........................................... 235 VERWENDEN VON AUTODIFF................................................................. 236 VERWENDEN VON OPTIMIERUNGSVERFAHREN ........................................ 237 DATEN IN DEN TRAININGSALGORITHMUS EINSPEISEN .................................. 238 MODELLE SPEICHERN UND WIEDERHERSTELLEN............................................. 239 GRAPHEN UND LERNKURVEN MIT TENSORBOARD VISUALISIEREN .................. 240 NAMESCOPES....................................................................................... 244 MODULARITAET......................................................................................... 245 TEILEN VON VARIABLEN........................................................................... 247 UE BUNGEN............................................................................................. 250 10 EINFUEHRUNG IN KUENSTLICHE NEURONALE NETZE .......................................... 253 VON BIOLOGISCHEN ZU KUENSTLICHEN N EURONEN ...................................... 254 BIOLOGISCHE NEURONEN..................................................................... 255 LOGISCHE BERECHNUNGEN MIT NEURONEN .......................................... 256 DAS PERZEPTRON............................................................................... 257 MEHRSCHICHTIGES PERZEPTRON UND BACKPROPAGATION ...................... 261 EIN MLP MIT DER TENSORFLOW-API TRAINIEREN ...................................... 264 EIN DNN DIREKT MIT TENSORFLOW TRAINIEREN ....................................... 265 KONSTRUKTIONSPHASE....................................................................... 265 AUSFUEHRUNGSPHASE......................................................................... 269 VERWENDEN DES NEURONALEN N ETZES............................................... 270 FEINABSTIMMUNG DER HYPERPARAMETER EINES NEURONALEN NETZES .... 270 ANZAHL VERBORGENER SCHICHTEN....................................................... 271 ANZAHL NEURONEN PRO VERBORGENE SCHICHT..................................... 272 AKTIVIERUNGSFUNKTIONEN................................................................. 272 UEBUNGEN.............................................................................................. 273 11 TRAINIEREN VON DEEP-LEARNING-NETZEN................................................ 275 DAS PROBLEM SCHWINDENDER/EXPLODIERENDER GRADIENTEN .................. 275 INITIALISIERUNG NACH XAVIER UND H E ............................................... 277 NICHT SAETTIGENDE AKTIVIERUNGSFUNKTIONEN..................................... 279 BATCH-NORMALISIERUNG................................................................... 282 GRADIENT CLIPPING......................................................................... 286 WIEDERVERWENDEN VORTRAINIERTER SCHICHTEN ....................................... 287 WIEDERVERWENDEN EINES TENSORFLOW-MODELLS .............................. 288 MODELLE AUS ANDEREN FRAMEWORKS WIEDERVERWENDEN .................. 290 EINFRIEREN DER UNTEREN SCHICHTEN................................................... 291 CACHING DER EINGEFRORENEN SCHICHTEN............................................. 291 VERAENDERN, AUSLASSEN ODER ERSETZEN DER OBEREN SCHICHTEN .......... 292 MODELL-ZOOS ................................................................................... 293 UNUEBERWACHTES VORTRAINIEREN....................................................... 293 VORTRAINIEREN ANHAND EINER HILFSAUFGABE....................................... 294 SCHNELLERE OPTIMIERER......................................................................... 295 MOMENTUM OPTIMIZATION............................................................. 296 BESCHLEUNIGTER GRADIENT NACH NESTEROV......................................... 297 ADAGRAD................................................................................... 298 RMSPROP........................................................................................ 300 ADAM-OPTIMIERUNG....................................................................... 300 SCHEDULING DER LERNRATE................................................................. 302 VERMEIDEN VON OVERFITTING DURCH REGULARISIERUNG ............................ 305 EARLY STOPPING ............................................................................... 305 11- UND 12-REGULARISIERUNG............................................................. 305 D ROP-OUT........................................................................... 306 MAX-NORM-REGULARISIERUNG........................................................... 309 DATA AUGMENTATION....................................................................... 311 PRAKTISCHE TIP P S ................................................................................. 312 UEBUNGEN.............................................................................................. 313 12 TENSORFLOW UEBER MEHRERE GERAETE UND SERVER V E RTE ILE N .......................... 317 MEHRERE RECHENEINHEITEN AUF EINEM COMPUTER ................................ 318 INSTALLATION..................................................................................... 318 DAS RAM DER GPU VERWALTEN......................................................... 321 OPERATIONEN AUF RECHENEINHEITEN PLATZIEREN ................................ 322 PARALLELES AUSFUEHREN....................................................................... 326 CONTROL DEPENDENCIES................................................................... 327 MEHRERE RECHENEINHEITEN AUF MEHREREN SERVERN ................................ 328 OEFFNEN EINER SESSION....................................................................... 329 MASTER- UND WORKER-DIENSTE......................................................... 330 OPERATIONEN AUF TASKS PINNEN....................................................... 330 SHARDING VON VARIABLEN UEBER MEHRERE PARAMETERSERVER ................ 331 ZUSTAENDE MIT RESOURCE CONTAINERS ZWISCHEN SESSIONS TEILEN ........ 332 ASYNCHRONE KOMMUNIKATION MIT TENSORFLOW-QUEUES ................ 334 DATEN DIREKT AUS DEM GRAPHEN LADEN............................................. 339 PARALLELISIEREN NEURONALER NETZE AUF EINEM TENSORFLOW-CLUSTER .... 346 EIN NEURONALES NETZ PRO RECHENEINHEIT ........................................ 346 IN-GRAPH- UND BETWEEN-GRAPH-REPLIKATION .................................. 347 PARALLELISIERTE MODELLE..................................................................... 349 PARALLELISIERTE D ATEN ....................................................................... 351 UE BUNGEN............................................................................................. 356 13 CONVOLUTIONAL NEURAL N E TW O RK S ........................................................ 359 DER AUFBAU DES VISUELLEN C ORTEX......................................................... 360 CONVOLUTIONAL LAY ER........................................................................... 361 FILTER............................................................................................... 363 STAPELN MEHRERER FEATURE M APS..................................................... 364 IMPLEMENTIERUNG IN TENSORFLOW................................................... 366 SPEICHERBEDARF............................................................................... 368 POOLING LAYER....................................................................................... 369 ARCHITEKTUREN VON CNNS..................................................................... 371 LENET-5........................................................................................... 372 ALEXNET........................................................................................... 373 GOOGLENET..................................................................................... 375 RESNET............................................................................................. 378 UE BUNGEN............................................................................................. 382 14 REKURRENTE NEURONALE NETZE ............................................................ 385 REKURRENTE NEURONEN......................................................................... 386 GEDAECHTNISZELLEN............................................................................. 388 EIN- UND AUSGABESEQUENZEN........................................................... 388 EINFACHE RNNS IN TENSORFLOW........................................................... 390 STATISCHES AUFROLLEN ENTLANG DER ZEITACHSE .................................... 391 DYNAMISCHES AUFROLLEN ENTLANG DER ZEITACHSE .............................. 393 EINGABESEQUENZEN UNTERSCHIEDLICHER LAENGE .................................. 393 AUSGABESEQUENZEN UNTERSCHIEDLICHER LAENGE................................. 394 TRAINIEREN VON RN N S......................................................................... 395 TMINIEREN EINES SEQUENZ-KLASSIFIKATORS......................................... 395 TRAINIEREN DER VORHERSAGE VON ZEITREIHEN..................................... 397 KREATIVE RNNS ............................................................................... 401 DEEP-RNNS.......................................................................................... 402 EIN DEEP-RNN UEBER MEHRERE GPUS VERTEILEN............................... 403 DROP-OUT VERWENDEN ..................................................................... 404 DIE SCHWIERIGKEIT, UEBER VIELE SCHRITTE ZU TRAINIEREN ...................... 405 LSTM-ZELLEN........................................................................................ 406 PEEPHOLE-VERBINDUNGEN ................................................................. 409 GRU-ZELLEN.......................................................................................... 410 N ATUERLICHE SPRACHVERARBEITUNG........................................................... 411 WORD EMBEDDINGS ......................................................................... 411 EIN ENCODER-DECODER-NETZ ZUR MASCHINELLEN UEBERSETZUNG .......... 413 UEBUNGEN.............................................................................................. 416 15 AUTOENCODER ............................................................................... 419 EFFIZIENTE REPRAESENTATION VON DATEN ................................................. 419 HAUPTKOMPONENTENZERLEGUNG MIT EINEM UNVOLLSTAENDIGEN LINEAREN AUTOENCODER ......................................................................... 421 STACKED AUTOENCODER ......................................................................... 423 IMPLEMENTIERUNG MIT TENSORFLOW................................................. 423 KOPPLUNG VON GEWICHTEN............................................................. 424 TRAINIEREN MEHRERER AUTOENCODER NACHEINANDER .......................... 426 VISUALISIEREN DER REKONSTRUKTIONEN............................................... 428 VISUALISIEREN VON MERKMALEN......................................................... 429 UNUEBERWACHTES VORTRAINIEREN MIT STACKED AUTOENCODER .................. 430 DENOISING AUTOENCODER..................................................................... 432 IMPLEMENTIERUNG MIT TENSORFLOW................................................. 433 SPARSE AUTOENCODER ........................................................................... 434 IMPLEMENTIERUNG IN TENSORFLOW................................................... 435 VARIATIONAL AUTOENCODER..................................................................... 436 GENERIEREN VON ZIFFERN ...................................................... 439 WEITERE AUTOENCODER......................................................................... 440 UEBUNGEN.............................................................................................. 441 16 REINFORCEMENT L EARN IN G ................................................................. 445 LERNEN ZUM OPTIMIEREN VON BELOHNUNGEN......................................... 446 SUCHE NACH POLICIES............................................................................. 447 EINFUEHRUNG IN OPENAI G Y M ............................................................... 449 NEURONALE NETZE ALS POLICIES............................................................... 452 AUSWERTEN VON AKTIONEN: DAS CREDIT-ASSIGNMENT-PROBLEM .............. 455 POLICY-GRADIENTEN............................................................................... 456 MARKO V-ENTSCHEIDUNGSPROZESSE......................................................... 461 TEMPORAL DIFFERENCE LEARNING UND Q-LEARNING ................................ 465 ERKUNDUNGSPOLICIES....................................................................... 467 APPROXIMATIVES Q-LEARNING........................................................... 467 MS. PAC-MAN MIT DEM DQN-ALGORITHMUS SPIELEN LERNEN .................. 469 UE BUNGEN............................................................................................. 477 VIELEN DANK! ....................................................................................... 477 A LOESUNGEN ZU DEN UE BUNGSAUFGABEN ..................................................... 479 B CHECKLISTE FUER MACHINE-LEARNING-PROJEKTE ........................................... 509 C DAS DUALE PROBLEM BEI SVMS ............................................................ 515 D A U TO D IFF....................................................................................... 519 E WEITERE VERBREITETE ARCHITEKTUREN NEURONALER N ETZE .............................. 527 I N D E X .......... ............................................................................... 537
any_adam_object	1
author	Géron, Aurélien
author2	Rother, Kristian 1977-
author2_role	trl
author2_variant	k r kr
author_GND	(DE-588)1131560930 (DE-588)133397068
author_facet	Géron, Aurélien Rother, Kristian 1977-
author_role	aut
author_sort	Géron, Aurélien
author_variant	a g ag
building	Verbundindex
bvnumber	BV044526893
classification_rvk	ST 250 ST 300 ST 302 ST 304
classification_tum	DAT 368f DAT 708f DAT 316f
ctrlnum	(OCoLC)1003866037 (DE-599)DNB1139504843
dewey-full	006.31 005.133 004
dewey-hundreds	000 - Computer science, information, general works
dewey-ones	006 - Special computer methods 005 - Computer programming, programs, data, security 004 - Computer science
dewey-raw	006.31 005.133 004
dewey-search	006.31 005.133 004
dewey-sort	16.31
dewey-tens	000 - Computer science, information, general works
discipline	Informatik
edition	1. Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03414nam a2200697 c 4500</leader><controlfield tag="001">BV044526893</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20221111 </controlfield><controlfield tag="007">t\|</controlfield><controlfield tag="008">171009s2018 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">17,N37</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">18,A11</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1139504843</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783960090618</subfield><subfield code="c">Broschur : circa EUR 39.90 (DE), circa EUR 41.10 (AT)</subfield><subfield code="9">978-3-96009-061-8</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3960090617</subfield><subfield code="9">3-96009-061-7</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1003866037</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1139504843</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="1" ind2=" "><subfield code="a">ger</subfield><subfield code="h">eng</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-M347</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-M49</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-473</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-858</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-945</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-2070s</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.31</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">005.133</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">004</subfield><subfield code="2">23</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 250</subfield><subfield code="0">(DE-625)143626:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 304</subfield><subfield code="0">(DE-625)143653:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 368f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 708f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 316f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Géron, Aurélien</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1131560930</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Hands-on machine learning with Scikit-learn and TensorFlow : concepts, tools, and techniques to build intelligent systems</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow</subfield><subfield code="b">Konzepte, Tools und Techniken für intelligente Systeme</subfield><subfield code="c">Aurélien Géron ; deutsche Übersetzung von Kristian Rother</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">O'Reilly</subfield><subfield code="c">2018</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XXII, 552 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Keras</subfield><subfield code="g">Framework, Informatik</subfield><subfield code="0">(DE-588)1160521077</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Programmbibliothek</subfield><subfield code="0">(DE-588)4121521-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Programmbibliothek</subfield><subfield code="0">(DE-588)4121521-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="4"><subfield code="a">Keras</subfield><subfield code="g">Framework, Informatik</subfield><subfield code="0">(DE-588)1160521077</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Rother, Kristian</subfield><subfield code="d">1977-</subfield><subfield code="0">(DE-588)133397068</subfield><subfield code="4">trl</subfield></datafield><datafield tag="775" ind1="0" ind2="8"><subfield code="i">Parallele Sprachausgabe</subfield><subfield code="z">9781491962299</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, ePub</subfield><subfield code="z">978-3-96010-115-4</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, Mobi</subfield><subfield code="z">978-3-96010-116-1</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">978-3-96010-114-7</subfield><subfield code="w">(DE-604)BV044734721</subfield></datafield><datafield tag="785" ind1="0" ind2="0"><subfield code="i">Gefolgt von</subfield><subfield code="a">Géron, Aurélien</subfield><subfield code="t">Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow</subfield><subfield code="d">2020</subfield><subfield code="z">978-3-96009-124-0</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="q">text/html</subfield><subfield code="u">http://deposit.dnb.de/cgi-bin/dokserv?id=6ba05f7dfc5242d6bbc6f653e199e877&prov=M&dok_var=1&dok_ext=htm</subfield><subfield code="3">Inhaltstext</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029926270&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-029926270</subfield></datafield></record></collection>
id	DE-604.BV044526893
illustrated	Illustrated
indexdate	2024-12-20T18:05:11Z
institution	BVB
isbn	9783960090618 3960090617
language	German English
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-029926270
oclc_num	1003866037
open_access_boolean
owner	DE-M347 DE-91G DE-BY-TUM DE-706 DE-M49 DE-BY-TUM DE-1046 DE-473 DE-BY-UBG DE-20 DE-1102 DE-19 DE-BY-UBM DE-11 DE-29T DE-634 DE-858 DE-573 DE-83 DE-92 DE-945 DE-898 DE-BY-UBR DE-1043 DE-2070s
owner_facet	DE-M347 DE-91G DE-BY-TUM DE-706 DE-M49 DE-BY-TUM DE-1046 DE-473 DE-BY-UBG DE-20 DE-1102 DE-19 DE-BY-UBM DE-11 DE-29T DE-634 DE-858 DE-573 DE-83 DE-92 DE-945 DE-898 DE-BY-UBR DE-1043 DE-2070s
physical	XXII, 552 Seiten Illustrationen, Diagramme
publishDate	2018
publishDateSearch	2018
publishDateSort	2018
publisher	O'Reilly
record_format	marc
spellingShingle	Géron, Aurélien Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme Keras Framework, Informatik (DE-588)1160521077 gnd Programmbibliothek (DE-588)4121521-7 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Python Programmiersprache (DE-588)4434275-5 gnd
subject_GND	(DE-588)1160521077 (DE-588)4121521-7 (DE-588)4033447-8 (DE-588)4193754-5 (DE-588)4434275-5
title	Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme
title_alt	Hands-on machine learning with Scikit-learn and TensorFlow : concepts, tools, and techniques to build intelligent systems
title_auth	Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme
title_exact_search	Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme
title_full	Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme Aurélien Géron ; deutsche Übersetzung von Kristian Rother
title_fullStr	Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme Aurélien Géron ; deutsche Übersetzung von Kristian Rother
title_full_unstemmed	Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme Aurélien Géron ; deutsche Übersetzung von Kristian Rother
title_new	Géron, Aurélien Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow
title_short	Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow
title_sort	praxiseinstieg machine learning mit scikit learn und tensorflow konzepte tools und techniken fur intelligente systeme
title_sub	Konzepte, Tools und Techniken für intelligente Systeme
topic	Keras Framework, Informatik (DE-588)1160521077 gnd Programmbibliothek (DE-588)4121521-7 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Python Programmiersprache (DE-588)4434275-5 gnd
topic_facet	Keras Framework, Informatik Programmbibliothek Künstliche Intelligenz Maschinelles Lernen Python Programmiersprache
url	http://deposit.dnb.de/cgi-bin/dokserv?id=6ba05f7dfc5242d6bbc6f653e199e877&prov=M&dok_var=1&dok_ext=htm http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029926270&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT geronaurelien handsonmachinelearningwithscikitlearnandtensorflowconceptstoolsandtechniquestobuildintelligentsystems AT rotherkristian handsonmachinelearningwithscikitlearnandtensorflowconceptstoolsandtechniquestobuildintelligentsystems AT geronaurelien praxiseinstiegmachinelearningmitscikitlearnundtensorflowkonzeptetoolsundtechnikenfurintelligentesysteme AT rotherkristian praxiseinstiegmachinelearningmitscikitlearnundtensorflowkonzeptetoolsundtechnikenfurintelligentesysteme

Verfügbarkeit

Bestellen (Login erforderlich)

Inhaltsverzeichnis
Paper/Kapitel scannen lassen

Teilbibliothek Mathematik & Informatik

Bestandsangaben von Teilbibliothek Mathematik & Informatik
Signatur:	0104 DAT 708f 2018 A 234 Lageplan
Exemplar 1	Nicht ausleihbar Am Standort

Teilbibliothek Chemie, Lehrbuchsammlung

Bestandsangaben von Teilbibliothek Chemie, Lehrbuchsammlung
Signatur:	0303 DAT 708f 2018 L 224 Lageplan
Exemplar 1	Ausleihbar Ausgeliehen – Rückgabe bis: 03.04.2025
Exemplar 2	Ausleihbar Am Standort
Exemplar 3	Ausleihbar Am Standort
Exemplar 4	Ausleihbar Am Standort
Exemplar 5	Ausleihbar Am Standort

Teilbibliothek Weihenstephan

Bestandsangaben von Teilbibliothek Weihenstephan
Signatur:	1002 DAT 708f 2018 A 197 Lageplan
Exemplar 1	Ausleihbar Am Standort