Wenn Sie neugierig auf künstliche Intelligenz und maschinelles Lernen sind, aber nicht wissen, wo Sie anfangen sollen, ist dies das Buch, auf das Sie gewartet haben. Es konzentriert sich auf das Teilgebiet des maschinellen Lernens, das als Deep Learning bezeichnet wird, erklärt die grundlegenden Konzepte und vermittelt die Grundlagen, die Sie benötigen, um Ihre eigenen Modelle zu erstellen.

Anstatt nur Rezepte für die Nutzung vorhandener Tools anzugeben, lehrt Practical Deep Learning, 2. Ausgabe Sie das Warum des Deep Learning und wird Sie inspirieren, darüber hinauszugehen. Alles, was Sie brauchen, ist Grundwissen in Programmieren und Mathematik auf Gymnasialniveau – das Buch wird den Rest abdecken.

Nachdem Sie eine Einführung in Python gemacht haben, werden Sie zu grundlegenden Themen vorstoßen, wie z.B. wie man einen guten Trainingsdatensatz erstellt, mit den Bibliotheken scikit-learn und Keras arbeitet und die Leistung Ihrer Modelle bewertet.

Sie werden lernen: wie man klassische Modelle des maschinellen Lernens wie k-Nearest Neighbors, Random Forests und Support Vector Machines verwendet, wie neuronale Netze funktionieren und wie man sie trainiert, wie man konvolutionale neuronale Netze nutzt sowie wie man ein erfolgreiches Deep Learning-Modell von Grund auf entwickelt. Sie werden im Verlauf Experimente durchführen und auf einer Abschlussstudie aufbauen, die alles enthält, was Sie gelernt haben.

Diese zweite Auflage ist vollständig überarbeitet und aktualisiert und fügt sechs neue Kapitel hinzu, um Ihre Erforschung des Deep Learning von den grundlegenden CNNs bis zu fortgeschrittenen Modellen voranzutreiben. Die neuen Kapitel behandeln detailliertes Fine-Tuning, Transferlernen, Objekterkennung, semantische Segmentierung, Multi-Labeling, unüberwachtes Lernen, generative adversarielle Netzwerke und große Sprachmodelle.

Ideal für den Einstieg in dieses dynamische und ständig wachsende Gebiet, wird Practical Deep Learning, 2. Edition Ihnen die Fähigkeiten und das Selbstvertrauen geben, um mit Ihren eigenen Projekten im Bereich des maschinellen Lernens zu starten.

Seiten: 624, Maße: 17,7x17,7cm