Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow

Use scikit-learn to track an example ML project end to end

Through a recent series of breakthroughs, deep learning has boosted the entire field of machine learning. Now, even programmers who know close to nothing about this technology can use simple, efficient tools to implement programs capable of learning from data. This bestselling book uses concrete examples, minimal theory, and production-ready Python frameworks (Scikit-Learn, Keras, and TensorFlow) to help you gain an intuitive understanding of the concepts and tools for building intelligent systems. With this updated third edition, author Aurélien Géron explores a range of techniques, starting with simple linear regression and progressing to deep neural networks. Numerous code examples and exercises throughout the book help you apply what you've learned. Programming experience is all you need to get started. Use Scikit-learn to track an example ML project end to end Explore several models, including support vector machines, decision trees, random forests, and ensemble methods Exploit unsupervised learning techniques such as dimensionality reduction, clustering, and anomaly detection Dive into neural net architectures, including convolutional nets, recurrent nets, generative adversarial networks, autoencoders, diffusion models, and transformers Use TensorFlow and Keras to build and train neural nets for computer vision, natural language processing, generative models, and deep reinforcement learning

Durch eine Reihe von jüngsten Durchbrüchen hat das Deep Learning das gesamte Feld des maschinellen Lernens vorangebracht. Jetzt können selbst Programmierer, die kaum etwas über diese Technologie wissen, einfache, effiziente Werkzeuge nutzen, um Programme zu implementieren, die aus Daten lernen können. Dieses Bestsellerbuch verwendet konkrete Beispiele, minimale Theorie und produktionsbereite Python-Frameworks (Scikit-Learn, Keras und TensorFlow), um Ihnen ein intuitives Verständnis der Konzepte und Werkzeuge zum Aufbau intelligenter Systeme zu vermitteln. In dieser aktualisierten dritten Auflage erkundet der Autor Aurélien Géron eine Vielzahl von Techniken, beginnend mit einfacher linearer Regression und fortschreitend zu tiefen neuronalen Netzen. Zahlreiche Codebeispiele und Übungen im gesamten Buch helfen Ihnen, das Gelernte anzuwenden. Programmiererfahrung ist alles, was Sie benötigen, um zu beginnen. - Verwenden Sie Scikit-learn, um ein Beispielprojekt für maschinelles Lernen von Anfang bis Ende zu verfolgen. - Erkunden Sie verschiedene Modelle, einschliesslich Support-Vektor-Maschinen, Entscheidungsbäume, Zufallswälder und Ensemble-Methoden. - Nutzen Sie unüberwachtes Lernen mit Techniken wie Dimensionsreduktion, Clustering und Anomalieerkennung. - Tauchen Sie ein in Architekturen neuronaler Netze, einschliesslich konvolutionaler Netze, rekurrenter Netze, generativer gegnerischer Netze, Autoencoder, Diffusionsmodelle und Transformer. - Verwenden Sie TensorFlow und Keras, um neuronale Netze für Computer Vision, natürliche Sprachverarbeitung, generative Modelle und tiefes Verstärkungslernen zu erstellen und zu trainieren.

Through a recent series of breakthroughs, deep learning has boosted the entire field of machine learning. Now, even programmers who know close to nothing about this technology can use simple, efficient tools to implement programs capable of learning from data. This bestselling book uses concrete examples, minimal theory, and production-ready Python frameworks (Scikit-Learn, Keras, and TensorFlow) to help you gain an intuitive understanding of the concepts and tools for building intelligent systems. With this updated third edition, author Aurélien Géron explores a range of techniques, starting with simple linear regression and progressing to deep neural networks. Numerous code examples and exercises throughout the book help you apply what you've learned. Programming experience is all you need to get started. Use Scikit-learn to track an example ML project end to end Explore several models, including support vector machines, decision trees, random forests, and ensemble methods Exploit unsupervised learning techniques such as dimensionality reduction, clustering, and anomaly detection Dive into neural net architectures, including convolutional nets, recurrent nets, generative adversarial networks, autoencoders, diffusion models, and transformers Use TensorFlow and Keras to build and train neural nets for computer vision, natural language processing, generative models, and deep reinforcement learning