Availability: Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow

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

Saved in:

Bibliographic Details
Previous Title:	Géron, Aurélien Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow
Main Author:	Géron, Aurélien (Author)
Other Authors:	Rother, Kristian 1977- (Translator), Demmig, Thomas (Translator)
Format:	Book
Language:	German English
Published:	Heidelberg O'Reilly [2020]
Edition:	2. Auflage
Subjects:	Keras > Framework, Informatik Programmbibliothek Deep Learning Python 3.0 TensorFlow Maschinelles Lernen Künstliche Intelligenz Python > Programmiersprache Neuronales Netz
Links:	http://deposit.dnb.de/cgi-bin/dokserv?id=1d0915e87f43442d97d2af08bc868ce1&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=032194597&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
Item Description:	Auf dem Cover: Aktuell zu TensorFlow 2
Physical Description:	XXVII, 822 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm
ISBN:	9783960091240

Staff View

MARC


LEADER	00000nam a22000008c 4500
001	BV046785532
003	DE-604
005	20221107
007	t\|
008	200630s2020 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 20,N10 \|2 dnb
020			\|a 9783960091240 \|c pbk. : circa EUR 49.90 (DE), circa EUR 51.30 (AT) \|9 978-3-96009-124-0
024	3		\|a 9783960091240
035			\|a (OCoLC)1179495551
035			\|a (DE-599)DNB1205619658
040			\|a DE-604 \|b ger \|e rda
041	1		\|a ger \|h eng
044			\|a gw \|c XA-DE-BW
049			\|a DE-703 \|a DE-706 \|a DE-1043 \|a DE-29T \|a DE-739 \|a DE-860 \|a DE-19 \|a DE-92 \|a DE-859 \|a DE-523 \|a DE-B768 \|a DE-1102 \|a DE-91G \|a DE-573 \|a DE-210 \|a DE-898 \|a DE-M347 \|a DE-20 \|a DE-Aug4 \|a DE-861 \|a DE-945 \|a DE-1050 \|a DE-858
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
084			\|a DAT 368 \|2 stub
084			\|a 004 \|2 sdnb
084			\|a DAT 316 \|2 stub
084			\|a DAT 708 \|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, Keras, and TensorFlow
245	1	0	\|a Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow \|b Konzepte, Tools und Techniken für intelligente Systeme \|c Aurélien Géron ; deutsche Übersetzung von Kristian Rother und Thomas Demmig
250			\|a 2. Auflage
264		1	\|a Heidelberg \|b O'Reilly \|c [2020]
264		4	\|c © 2020
300			\|a XXVII, 822 Seiten \|b Illustrationen, Diagramme \|c 24 cm x 16.5 cm
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
500			\|a Auf dem Cover: Aktuell zu TensorFlow 2
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 Deep Learning \|0 (DE-588)1135597375 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python 3.0 \|0 (DE-588)7624871-9 \|2 gnd \|9 rswk-swf
650	0	7	\|a TensorFlow \|0 (DE-588)1153577011 \|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 Künstliche Intelligenz \|0 (DE-588)4033447-8 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Neuronales Netz \|0 (DE-588)4226127-2 \|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 TensorFlow \|0 (DE-588)1153577011 \|D s
689	0	5	\|a Keras \|g Framework, Informatik \|0 (DE-588)1160521077 \|D s
689	0		\|5 DE-604
689	1	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	1	1	\|a Deep Learning \|0 (DE-588)1135597375 \|D s
689	1	2	\|a Neuronales Netz \|0 (DE-588)4226127-2 \|D s
689	1	3	\|a Programmbibliothek \|0 (DE-588)4121521-7 \|D s
689	1	4	\|a Python 3.0 \|0 (DE-588)7624871-9 \|D s
689	1	5	\|a TensorFlow \|0 (DE-588)1153577011 \|D s
689	1	6	\|a Keras \|g Framework, Informatik \|0 (DE-588)1160521077 \|D s
689	1		\|5 DE-604
700	1		\|a Rother, Kristian \|d 1977- \|0 (DE-588)133397068 \|4 trl
700	1		\|a Demmig, Thomas \|0 (DE-588)128548568 \|4 trl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 978-3-96010-339-4
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, EPUB \|z 978-3-96010-340-0
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, MOBI \|z 978-3-96010-341-7
780	0	0	\|i Vorangegangen ist \|a Géron, Aurélien \|t Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow \|d 2018 \|z 978-3-96009-061-8
856	4	2	\|m X:MVB \|q text/html \|u http://deposit.dnb.de/cgi-bin/dokserv?id=1d0915e87f43442d97d2af08bc868ce1&prov=M&dok_var=1&dok_ext=htm \|3 Inhaltstext
856	4	2	\|m Digitalisierung UB Passau - ADAM Catalogue Enrichment \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032194597&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
943	1		\|a oai:aleph.bib-bvb.de:BVB01-032194597

Record in the Search Index

DE-BY-TUM_call_number	0303 DAT 708 2018 L 224(2)
DE-BY-TUM_katkey	2506435
DE-BY-TUM_location	03
DE-BY-TUM_media_number	040008595502 040008595499 040008595477 040008595488 040008595513
_version_	1823989086856151040
adam_text	Inhalt Vorwort. Teil I XVII Die Grundlagen des Machine Learning 1 Die Machine-Learning-Umgebung. Was ist Machine Learning?. Warum wird Machine Learning verwendet?. Anwendungsbeispiel. Unterschiedliche Machine-Learning-Systeme. Überwachtes/unüberwachtes Lernen. Batch- und Online-Learning. Instanzbasiertes versus modellbasiertes Lernen. Die wichtigsten Herausforderungen beim Machine Learning. Unzureichende Menge an Trainingsdaten. Nicht repräsentative Trainingsdaten. Minderwertige Daten. Irrelevante Merkmale. Overfitting der Trainingsdaten. U nderfitting der T rainingsdaten. Zusammenfassung. Testen und Validieren. Hyperparameter anpassen und Modellauswahl. Datendiskrepanz. Übungen. 3 4 4 7 9 9 16 18 24 24 26 27 28 28 30 31 31 32 33 34 2 EmMachine-Learning-ProjektvonAbisZ. Der Umgang mit realen Daten. Betrachte das Gesamtbild. Die Aufgabe abstecken. 37 37 39 39 I V 3 VI I Wähle ein Qualitätsmaß aus. Überprüfe die Annahmen. Beschaffe die Daten. Erstelle eine Arbeitsumgebung. Die Daten herunterladen. Wirf einen kurzen Blick auf die Datenstruktur. Erstelle einen Testdatensatz. Erkunde und visualisiere die Daten, um Erkenntnisse zu gewinnen . Visualisieren geografischer Daten. Suche nach Korrelationen. Experimentieren mit Kombinationen von Merkmalen. Bereite die Daten für Machine-Learning-Algorithmen vor. Aufbereiten der Daten. Bearbeiten von Text und kategorischen Merkmalen. Eigene Transformer. Skalieren von Merkmalen. Pipelines zur Transformation. Wähle ein Modell aus und trainiere es. Trainieren und Auswerten auf dem Trainingsdatensatz. Bessere Auswertung mittels Kreuzvalidierung. Optimiere das Modell. Gittersuche. Zufällige Suche. Ensemble-Methoden. Analysiere die besten Modelle und ihre Fehler. Evaluiere das System auf dem Testdatensatz. Nimm das System in Betrieb, überwache und warte es. Probieren Sie es aus!. Übungen. 41 44 44 44 48 49 53 57 58 60 63 64 64 67 70 71 72 74 74 76 78 78 80 81 81 82 83 86 87 Klassifikation. 89 MNIST. Trainieren eines binären Klassifikators. Qualitätsmaße. Messen der Genauigkeit über Kreuzvalidierung. Konfusionsmatrix. Relevanz und Sensitivität. Die Wechselbeziehung zwischen Relevanz und Sensitivität. Die ROC-Kurve. Klassifikatoren mit mehreren Kategorien. Fehleranalyse. Klassifikation mit mehreren Labels. 89 91 92 92 94 96 97 100 103 106 109 Inhalt Klassifikation mit mehreren Ausgaben. Übungen. 4 5 110 112 Trainieren von Modellen. 115 Lineare Regression. Die Normalengleichung. Komplexität der Berechnung. Das Gradientenverfahren. Batch-Gradientenverfahren. Stochastisches Gradientenverfahren. Mini-Batch-Gradientenverfahren. Polynomielle Regression. Lernkurven. Regularisierte lineare Modelle. Ridge-Regression. Lasso-Regression. Elastic Net. Early Stopping. Logistische Regression. Abschätzen von Wahrscheinlichkeiten. Trainieren und Kostenfunktion. Entscheidungsgrenzen. Softmax-Regression. Übungen. 116 118 120 121 124 127 130 131 133 137 137 139 142 143 144 145 146 147 149 153 Support Vector Machines. 155 Lineare Klassifikation mit SVMs. Soft-Margin-Klassifikation. Nichtlineare SVM-Klassifikation. Polynomieller Kernel. Ähnlichkeitsbasierte Merkmale. Der gaußsche RBF-Kernel. Komplexität der Berechnung. SVM-Regression. Hinter den Kulissen. Entscheidungsfunktion und Vorhersagen. Zielfunktionen beim Trainieren. Quadratische Programme. Das duale Problem. Kernel-SVM. Online-SVMs. Übungen. 155 156 159 160 161 162 163 164 166 166 167 169 170 171 173 175 Inhalt I VII 6 7 8 VIII Entscheidungsbäume. 177 Trainieren und Visualisieren eines Entscheidungsbaums. Vorhersagen treffen. Schätzen von Wahrscheinlichkeiten für Kategorien. Der CART-Trainingsalgorithmus. Komplexität der Berechnung. Gini-Unreinheit oder Entropie?. Hyperparameter zur Regularisierung. Regression. Instabilität. Übungen. 177 178 181 181 182 182 183 185 187 188 Ensemble Learning und Random Forests. 191 Abstimmverfahren unter Klassifikatoren. Bagging und Pasting. Bagging und Pasting in Scikit-Learn. Out-of-Bag-E valuation. Zufällige Patches und Subräume. Random Forests. Extra-Trees. Wichtigkeit von Merkmalen. Boosting. AdaBoost. Gradient Boosting. Stacking. Übungen. 192 195 196 197 198 199 200 200 202 202 205 210 213 Dimensionsreduktion. 215 Der Fluch der Dimensionalität. Die wichtigsten Ansätze zur Dimensionsreduktion. Projektion. Manifold Learning. Hauptkomponentenzerlegung (PCA). Erhalten der Varianz. Hauptkomponenten. Die Projektion auf d Dimensionen. Verwenden von Scikit-Learn. Der Anteil erklärter Varianz. Auswahlen der richtigen Anzahl Dimensionen. PCA als Komprimierungsverfahren. Randomisierte PCA. Inkrementelle PCA. 216 217 217 219 221 221 222 223 224 224 225 226 227 227 I Inhalt 9 Kernel-PCA. Auswahl eines Kernels und Optimierung der Hyperparameter . LLE.ľ. Weitere Techniken zur Dimensionsreduktion. Übungen. 228 229 231 233 234 Techniken des unüberwachten Lernens. 237 Clustering. K-Means. Grenzen von K-Means. Bildsegmentierung per Clustering. Vorverarbeitung per Clustering. Clustering für teilüberwachtes Lernen einsetzen. DBS CAN. Andere Clustering-Algorithmen. Gaußsche Mischverteilung. Anomalieerkennung mit gaußschen Mischverteilungsmodellen . . . Die Anzahl an Clustern auswählen. Bayessche gaußsche Mischverteilungsmodelle. Andere Algorithmen zur Anomalie- und Novelty-Erkennung. Übungen. 238 240 250 251 253 254 257 260 262 267 269 272 276 277 Teil II 10 Neuronale Netze und Deep Learning Einführung in künstliche neuronale Netze mit Keras. 281 Von biologischen zu künstlichen Neuronen. Biologische Neuronen. Logische Berechnungen mit Neuronen. Das Perzeptron. Mehrschichtiges Perzeptron und Backpropagation. Regressions-MLPs. Klassifikations-MLPs. MLPs mit Keras implementieren. TensorFlow 2 installieren. Einen Bildklassifikator mit der Sequential API erstellen. Ein Regressions-MLP mit der Sequential API erstellen. Komplexe Modelle mit der Functional API bauen. Dynamische Modelle mit der Subclassing API bauen. Ein Modell sichern und wiederherstellen. Callbacks. TensorBoard zur Visualisierung verwenden. 282 283 285 286 290 294 295 297 298 299 309 310 315 316 317 318 Inhalt I IX П 12 X I Feinabstimmung der Hyperparameter eines neuronalen Netzes. Anzahl verborgener Schichten. Anzahl Neuronen pro verborgene Schicht. Lernrate, Batchgröße und andere Hyperparameter. Übungen. 322 326 327 328 330 Trainieren von Deep-Learning-Netzen. 333 Das Problem schwindender/explodierender Gradienten. Initialisierung nach Glorot und He. Nicht sättigende Aktivierungsfunktionen. Batchnormalisierung. Gradient Clipping. Wiederverwenden vortrainierter Schichten. Transfer Learning mit Keras. Unüberwachtes Vortrainieren. Vortrainieren anhand einer Hilfsaufgabe. Schnellere Optimierer. Momentum Optimization. Beschleunigter Gradient nach Nesterov. AdaGrad. RMSProp. Adam-Optimierung. Scheduling der Lernrate. Vermeiden von Overfitting durch Regularisierung. Ą- und Հշ-Regularisierung. Drop-out. Monte-Carlo-(MC-)-Drop-out. Max-Norm-Regularisierung. Zusammenfassung und praktische Tipps. Übungen. 334 335 337 341 347 348 350 352 353 354 354 356 357 358 359 362 367 367 368 371 374 374 376 Eigene Mqdelle und Training mit TensorFlow. 379 Ein kurzer Überblick über TensorFlow. TensorFlow wie NumPy einsetzen. Tensoren und Operationen. Tensoren und NumPy. Typumwandlung. Variablen. Andere Datenstrukturen. Modelle und Trainingsalgorithmen anpassen. Eigene Verlustfunktion. Modelle mit eigenen Komponenten sichern und laden. 379 383 383 385 385 386 387 388 388 389 Inhalt Eigene Aktivierungsfunktionen, Initialisieret, Regularisierer und Constraints. Eigene Metriken. Eigene Schichten. Eigene Modelle. Verlustfunktionen und Metriken auf Modell-Interna basieren lassen. Gradienten per Autodiff berechnen. Eigene Trainingsschleifen. Funktionen und Graphen in TensorFlow. AutoGraph und T racing. Regeln für TF Functions. Übungen. 391 392 395 398 400 402 406 409 411 412 414 13 Daten mit TensorFlow laden und vorverarbeiten. Die Data-API. Transformationen verketten. Daten durchmischen. Daten vorverarbeiten. Alles zusammenbringen. Prefetching. Datasets mit tf.keras verwenden. Das TFRecord-Format. Komprimierte TFRecord-Dateien. Eine kurze Einführung in Protocol Buffer. TensorFlow-Protobufs. Examples laden und parsen. Listen von Listen mit dem SequenceExample-Protobuf verarbeiten. Die Eingabemerkmale vorverarbeiten. Kategorische Merkmale mit One-Hot-Vektoren codieren. Kategorische Merkmale mit Embeddings codieren. Vorverarbeitungsschichten von Keras. TF Transform. Das TensorFlow-Datasets-(TFDS-)Projekt. Übungen. 417 418 419 420 423 424 425 427 428 429 429 431 432 433 434 435 437 441 443 445 446 14 Deep Computer Vision mit Convolutional Neural Networks. 449 Der Aufbau des visuellen Cortex. Convolutional Layers. Filter. Stapeln mehrerer Feature Maps. 450 451 453 454 Inhalt I XI Implementierung in TensorFlow. Speicherbedarf. Pooling Layers. Implementierung in TensorFlow. Architekturen von CNNs. LeNet-5. AlexNet. GoogLeNet. VGGNet. ResNet. Xception. SENet. Ein ResNet-34-CNN mit Keras implementieren. Vortrainierte Modelle aus Keras einsetzen. Vortrainierte Modelle für das Transfer Learning. Klassifikation und Lokalisierung. Objekterkennung. Fully Convolutional Networks. You Only Look Once (YOLO). Semantische Segmentierung. Übungen. 456 459 460 462 464 466 467 470 473 474 477 479 481 482 484 487 488 490 492 495 499 15 Verarbeiten von Sequenzen mit RNNs und CNNs. 501 Rekurrente Neuronen und Schichten. Gedächtniszellen. Ein- und Ausgabesequenzen. RNNs trainieren. Eine Zeitserie Vorhersagen. Grundlegende Metriken. Ein einfaches RNN implementieren. Deep RNNs. Mehrere Zeitschritte Vorhersagen. Arbeit mit langen Sequenzen. Gegen instabile Gradienten kämpfen. Das Problem des Kurzzeitgedächtnisses. Übungen. 502 504 505 506 507 508 509 510 512 515 516 518 527 16 Natürliche Sprachverarbeitung mit RNNs und Attention. 529 Shakespearesche Texte mit einem Character-RNN erzeugen. Den Trainingsdatensatz erstellen. Wie ein sequenzieller Datensatz aufgeteilt wird. Den sequenziellen Datensatz in mehrere Fenster unterteilen. 530 531 532 533 XII I Inhalt Das Char-RNN-Modell bauen und trainieren. Das Char-RNN-Modell verwenden. Einen gefälschten Shakespeare-Text erzeugen. Zustandsbehaftetes RNN. Sentimentanalyse. Maskieren. Vortrainierte Embeddings wiederverwenden. Ein Encoder-Decoder-Netzwerk für die neuronale maschinelle Übersetzung. Bidirektionale RNNs. Beam Search. Attention-Mechanismen. Visuelle Attention. Attention Is All You Need: Die Transformer-Architektur. Aktuelle Entwicklungen bei Sprachmodellen. Übungen. 535 535 536 537 539 543 545 547 550 551 553 556 558 566 568 17 Representation Learning und Generative Learning mit Autoencodern und GANs. Effiziente Repräsentation von Daten. Hauptkomponentenzerlegung mit einem untervollständigen linearen Autoencoder. Stacked Autoencoder. Einen Stacked Autoencoder mit Keras implementieren. Visualisieren der Rekonstruktionen. Den Fashion-MNIST-Datensatz visualisieren. Unüberwachtes Vortrainieren mit Stacked Autoencoder. Kopplung von Gewichten. Trainieren mehrerer Autoencoder nacheinander. Convolutional Autoencoder. Rekurrente Autoencoder. Denoising Autoencoder. Sparse Autoencoder. Variational Autoencoder. Fashion-MNIST-Bilder erzeugen. Generative Adversarial Networks. Schwierigkeiten beim Trainieren von GANs. Deep Convolutional GANs. Progressive wachsende GANs. StyleGANs. Übungen. Inhalt 571 572 574 575 576 577 578 579 580 582 583 584 584 586 589 593 595 599 601 604 607 610 I XIII 18 Reinforcement Learning. 611 Lernen zum Optimieren von Belohnungen. Suche nach Policies. Einführung in OpenAI Gym. Neuronale Netze als Policies. Auswerten von Aktionen: Das Credit-Assignment-Problem. Policy-Gradienten. Markov-Entscheidungsprozesse. Temporal Difference Learning. Q-Learning. Erkundungspolicies. Approximatives Q-Learning und Deep-Q-Learning. Deep-Q-Learning implementieren. Deep-Q-Learning-Varianten. Feste Q-Wert-Ziele. Double DQN. Priorisiertes Experience Replay. Dueling DQN. Die TF-Agents-Bibliothek. TF-Agents installieren. TF-Agents-Umgebungen. Umgebungsspezifikationen. Umgebungswrapper und Atari-Vorverarbeitung. Trainingsarchitektur. Deep-Q-Netz erstellen. DQN-Agenten erstellen. Replay Buffer und Beobachter erstellen. Trainingsmetriken erstellen. Collect-Fahrer erstellen. Dataset erstellen. . Trainingsschleife erstellen. Überblick über beliebte RL-Algorithmen. Übungen. 612 613 615 619 621 622 627 631 632 634 634 636 640 640 641 642 643 644 645 645 646 647 650 652 654 655 657 658 659 662 664 666 19 TensorFlow-Modelle skalierbar trainieren und deployen. 667 Ein TensorFlow-Modell ausführen. TensorFlow Serving verwenden. Einen Vorhersageservice auf der GCP AI Platform erstellen. Den Vorhersageservice verwenden. Ein Modell auf ein Mobile oder Embedded Device deployen. Mit GPUs die Berechnungen beschleunigen. Sich eine eigene GPU zulegen. 668 668 677 682 685 689 690 XIV I Inhalt Eine mit GPU ausgestattete virtuelle Maschineeinsetzen. Colaboratory. Das GPU-RAM verwalten. Operationen und Variablen auf Devices verteilen. Paralleles Ausführen auf mehreren Devices. Modelle auf mehreren Devices trainieren. Parallelisierte Modelle. Parallelisierte Daten. Mit der Distribution Strategies API auf mehreren Devices trainieren. Ein Modell in einem TensorFlow-Cluster trainieren. Große Trainingsjobs auf der Google Cloud AI Platform ausführen. Black Box Hyperparameter Tuning auf der AI Platform. Übungen. Vielen Dank!. 693 694 695 698 700 702 703 705 710 712 715 717 718 719 A Lösungen zu den Übungsaufgaben. 721 В Checkliste für Machine-Learning- Projekte. 759 C Das duale Problem bei SVMs. 765 D Autodiff. 769 E Weitere verbreitete Architekturen neuronaler Netze. 777 F Spezielle Datenstrukturen. 787 G TensorFlow-Graphen. 795 Index. 805 Inhalt I XV
any_adam_object	1
author	Géron, Aurélien
author2	Rother, Kristian 1977- Demmig, Thomas
author2_role	trl trl
author2_variant	k r kr t d td
author_GND	(DE-588)1131560930 (DE-588)133397068 (DE-588)128548568
author_facet	Géron, Aurélien Rother, Kristian 1977- Demmig, Thomas
author_role	aut
author_sort	Géron, Aurélien
author_variant	a g ag
building	Verbundindex
bvnumber	BV046785532
classification_rvk	ST 300 ST 302 ST 250
classification_tum	DAT 368 DAT 316 DAT 708
ctrlnum	(OCoLC)1179495551 (DE-599)DNB1205619658
discipline	Informatik
edition	2. Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a22000008c 4500</leader><controlfield tag="001">BV046785532</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20221107</controlfield><controlfield tag="007">t\|</controlfield><controlfield tag="008">200630s2020 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">20,N10</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783960091240</subfield><subfield code="c">pbk. : circa EUR 49.90 (DE), circa EUR 51.30 (AT)</subfield><subfield code="9">978-3-96009-124-0</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783960091240</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1179495551</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1205619658</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-703</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-B768</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-210</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-861</subfield><subfield code="a">DE-945</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-858</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 250</subfield><subfield code="0">(DE-625)143626:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 368</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 316</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 708</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, Keras, and TensorFlow</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow</subfield><subfield code="b">Konzepte, Tools und Techniken für intelligente Systeme</subfield><subfield code="c">Aurélien Géron ; deutsche Übersetzung von Kristian Rother und Thomas Demmig</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">2. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">O'Reilly</subfield><subfield code="c">[2020]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">© 2020</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XXVII, 822 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 16.5 cm</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="500" ind1=" " ind2=" "><subfield code="a">Auf dem Cover: Aktuell zu TensorFlow 2</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">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Python 3.0</subfield><subfield code="0">(DE-588)7624871-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</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">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">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="650" ind1="0" ind2="7"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</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">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="5"><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="689" ind1="1" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><subfield code="a">Programmbibliothek</subfield><subfield code="0">(DE-588)4121521-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="4"><subfield code="a">Python 3.0</subfield><subfield code="0">(DE-588)7624871-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="5"><subfield code="a">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="6"><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="1" 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="700" ind1="1" ind2=" "><subfield code="a">Demmig, Thomas</subfield><subfield code="0">(DE-588)128548568</subfield><subfield code="4">trl</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">978-3-96010-339-4</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">978-3-96010-340-0</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">978-3-96010-341-7</subfield></datafield><datafield tag="780" ind1="0" ind2="0"><subfield code="i">Vorangegangen ist</subfield><subfield code="a">Géron, Aurélien</subfield><subfield code="t">Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow</subfield><subfield code="d">2018</subfield><subfield code="z">978-3-96009-061-8</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=1d0915e87f43442d97d2af08bc868ce1&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">Digitalisierung UB Passau - ADAM Catalogue Enrichment</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=032194597&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:BVB01-032194597</subfield></datafield></record></collection>
id	DE-604.BV046785532
illustrated	Illustrated
indexdate	2025-02-13T07:00:29Z
institution	BVB
isbn	9783960091240
language	German English
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-032194597
oclc_num	1179495551
open_access_boolean
owner	DE-703 DE-706 DE-1043 DE-29T DE-739 DE-860 DE-19 DE-BY-UBM DE-92 DE-859 DE-523 DE-B768 DE-1102 DE-91G DE-BY-TUM DE-573 DE-210 DE-898 DE-BY-UBR DE-M347 DE-20 DE-Aug4 DE-861 DE-945 DE-1050 DE-858
owner_facet	DE-703 DE-706 DE-1043 DE-29T DE-739 DE-860 DE-19 DE-BY-UBM DE-92 DE-859 DE-523 DE-B768 DE-1102 DE-91G DE-BY-TUM DE-573 DE-210 DE-898 DE-BY-UBR DE-M347 DE-20 DE-Aug4 DE-861 DE-945 DE-1050 DE-858
physical	XXVII, 822 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm
publishDate	2020
publishDateSearch	2020
publishDateSort	2020
publisher	O'Reilly
record_format	marc
spellingShingle	Géron, Aurélien Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme Keras Framework, Informatik (DE-588)1160521077 gnd Programmbibliothek (DE-588)4121521-7 gnd Deep Learning (DE-588)1135597375 gnd Python 3.0 (DE-588)7624871-9 gnd TensorFlow (DE-588)1153577011 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Python Programmiersprache (DE-588)4434275-5 gnd Neuronales Netz (DE-588)4226127-2 gnd
subject_GND	(DE-588)1160521077 (DE-588)4121521-7 (DE-588)1135597375 (DE-588)7624871-9 (DE-588)1153577011 (DE-588)4193754-5 (DE-588)4033447-8 (DE-588)4434275-5 (DE-588)4226127-2
title	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme
title_alt	Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow
title_auth	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme
title_exact_search	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme
title_full	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme Aurélien Géron ; deutsche Übersetzung von Kristian Rother und Thomas Demmig
title_fullStr	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme Aurélien Géron ; deutsche Übersetzung von Kristian Rother und Thomas Demmig
title_full_unstemmed	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow Konzepte, Tools und Techniken für intelligente Systeme Aurélien Géron ; deutsche Übersetzung von Kristian Rother und Thomas Demmig
title_old	Géron, Aurélien Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow
title_short	Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow
title_sort	praxiseinstieg machine learning mit scikit learn keras 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 Deep Learning (DE-588)1135597375 gnd Python 3.0 (DE-588)7624871-9 gnd TensorFlow (DE-588)1153577011 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Python Programmiersprache (DE-588)4434275-5 gnd Neuronales Netz (DE-588)4226127-2 gnd
topic_facet	Keras Framework, Informatik Programmbibliothek Deep Learning Python 3.0 TensorFlow Maschinelles Lernen Künstliche Intelligenz Python Programmiersprache Neuronales Netz
url	http://deposit.dnb.de/cgi-bin/dokserv?id=1d0915e87f43442d97d2af08bc868ce1&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=032194597&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT geronaurelien handsonmachinelearningwithscikitlearnkerasandtensorflow AT rotherkristian handsonmachinelearningwithscikitlearnkerasandtensorflow AT demmigthomas handsonmachinelearningwithscikitlearnkerasandtensorflow AT geronaurelien praxiseinstiegmachinelearningmitscikitlearnkerasundtensorflowkonzeptetoolsundtechnikenfurintelligentesysteme AT rotherkristian praxiseinstiegmachinelearningmitscikitlearnkerasundtensorflowkonzeptetoolsundtechnikenfurintelligentesysteme AT demmigthomas praxiseinstiegmachinelearningmitscikitlearnkerasundtensorflowkonzeptetoolsundtechnikenfurintelligentesysteme

Availability

Order (Login required)

Table of Contents
Order paper/chapter scan

Branch Library Chemistry, Textbook Collection

Holdings details from Teilbibliothek Chemie, Lehrbuchsammlung
Call Number:	0303 DAT 708 2018 L 224(2) Floor plan
Copy 1	Available for loan On Shelf
Copy 2	Available for loan On Shelf
Copy 3	Available for loan On Shelf
Copy 4	Available for loan On Shelf
Copy 5	Available for loan On Shelf