Maschinelles Lernen
Grundlagen und Algorithmen in Python
- ISBN: 978-3-446-46355-4
- Buchangaben: 3. Edition, 11/2020
616 Pages, PDF, s/w
- Algorithmen des maschinellen Lernens verwenden und verstehen, wie und warum sie funktionieren.
- Kickstart zur Verwendung von Python 3 und seinem Ökosystem im Umfeld des maschinellen Lernens.
- Verschiedene Methoden des überwachten, unüberwachten und bestärkenden Lernens, u.a. Random Forest, DBSCAN und Q-Learning.
Die Algorithmen werden zum besseren Verständnis und praktischen Einsatz anschaulich mittels NumPy und SciPy umgesetzt. Für die Support Vector Machines und das Deep Learning wird auf scikit-learn bzw. Keras zurückgegriffen.
Die dritte Auflage wurde für die Keras/Tensorflow-Version 2 sowie Python 3.7 überarbeitet, mehrere Kapitel insbesondere zum bestärkten Lernen wurde aktualisiert und folgende Themen wurden unter anderem neu aufgenommen:
- Deep Q-Learning
- Class Activation Maps und Grad-CAM
- Pandas-Integration und -Einführung
- OpenAI Gym integriert
Das Buch ist ideal für Studierende der Informatik, Mechatronik, Elektrotechnik und der angewandten Statistik/Data Science sowie für Ingenieure und Informatiker in der Praxis. Vorausgesetzt werden Kenntnisse in objektorientierter Programmierung und Basiswissen der Hochschulmathematik. Die nötige Mathematik wird eingebettet im Buch präsentiert und die Theorie direkt in Python-Code umgesetzt.
- Algorithmen des maschinellen Lernens verwenden und verstehen, wie und warum sie funktionieren.
- Kickstart zur Verwendung von Python 3 und seinem Ökosystem im Umfeld des maschinellen Lernens.
- Verschiedene Methoden des überwachten, unüberwachten und bestärkenden Lernens, u.a. Random Forest, DBSCAN und Q-Learning.
Die Algorithmen werden zum besseren Verständnis und praktischen Einsatz anschaulich mittels NumPy und SciPy umgesetzt. Für die Support Vector Machines und das Deep Learning wird auf scikit-learn bzw. Keras zurückgegriffen.
Die dritte Auflage wurde für die Keras/Tensorflow-Version 2 sowie Python 3.7 überarbeitet, mehrere Kapitel insbesondere zum bestärkten Lernen wurde aktualisiert und folgende Themen wurden unter anderem neu aufgenommen:
- Deep Q-Learning
- Class Activation Maps und Grad-CAM
- Pandas-Integration und -Einführung
- OpenAI Gym integriert
Das Buch ist ideal für Studierende der Informatik, Mechatronik, Elektrotechnik und der angewandten Statistik/Data Science sowie für Ingenieure und Informatiker in der Praxis. Vorausgesetzt werden Kenntnisse in objektorientierter Programmierung und Basiswissen der Hochschulmathematik. Die nötige Mathematik wird eingebettet im Buch präsentiert und die Theorie direkt in Python-Code umgesetzt.
Dr. rer. nat. Jörg Frochte ist seit 2010 Professor für Angewandte Informatik an der Hochschule Bochum. Seine Interessen in Forschung und Lehre liegen im Bereich des maschinellen Lernens und Data Mining. Seit 2024 ist er Vizepräsident der HS für Forschung, Digitalisierung&Internationalisierung.
Dr. rer. nat. Jörg Frochte ist seit 2010 Professor für Angewandte Informatik an der Hochschule Bochum. Seine Interessen in Forschung und Lehre liegen im Bereich des maschinellen Lernens und Data Mining. Seit 2024 ist er Vizepräsident der HS für Forschung, Digitalisierung&Internationalisierung.
Print Cover Carl Hanser Verlag GmbH & Co KG
Vilshofener Str. 10
81679 München
E-Mail: info@hanser.de
Sicherheitshinweis entsprechend Art.9 Abs. 7 Satz 2 GPSR entbehrlich
Carl Hanser Verlag GmbH & Co KG
Vilshofener Str. 10
81679 München
E-Mail: info@hanser.de
Sicherheitshinweis entsprechend Art.9 Abs. 7 Satz 2 GPSR entbehrlich
