Machine Learning mit PyTorch und Scikit-Learn: Entwicklung von Machine-Learning- und Deep-Learning-Modellen mit Python

Dieses Buch aus der Bestseller- und weithin gefeierten Python Machine Learning-Reihe ist ein umfassender Leitfaden für maschinelles und tiefes Lernen unter Verwendung von PyTorchs einfach zu codierendem Framework.

Der Kauf des gedruckten Buches oder Kindle-Buchs beinhaltet ein kostenloses E-Book im PDF-Format.

Hauptmerkmale Erlernen Sie angewandtes maschinelles Lernen mit einer soliden theoretischen Grundlage. Klare, intuitive Erklärungen führen Sie tief in die Theorie und Praxis des maschinellen Lernens mit Python ein. Vollständig aktualisiert und erweitert, um PyTorch, Transformatoren, XGBoost, Graphen-Neuronale Netze und Best Practices abzudecken. Buchbeschreibung Machine Learning mit PyTorch und Scikit-Learn ist ein umfassender Leitfaden für maschinelles Lernen und tiefes Lernen mit PyTorch. Es dient sowohl als Schritt-für-Schritt-Anleitung als auch als Nachschlagewerk, auf das Sie immer wieder zurückgreifen werden, während Sie Ihre maschinellen Lernsysteme aufbauen.

Vollgepackt mit klaren Erklärungen, Visualisierungen und Beispielen behandelt das Buch alle wesentlichen Techniken des maschinellen Lernens ausführlich. Während einige Bücher Ihnen nur beibringen, Anweisungen zu befolgen, lehrt dieses Buch über maschinelles Lernen die Prinzipien, die es Ihnen ermöglichen, Modelle und Anwendungen selbst zu erstellen.

Warum PyTorch?

PyTorch ist der pythonische Weg, maschinelles Lernen zu lernen, was das Lernen einfacher und das Codieren unkomplizierter macht. Dieses Buch erklärt die wesentlichen Teile von PyTorch und wie man Modelle mit beliebten Bibliotheken wie PyTorch Lightning und PyTorch Geometric erstellt.

Sie lernen auch generative adversarielle Netze (GANs) zur Generierung neuer Daten und das Training intelligenter Agenten mit Reinforcement Learning kennen. Schließlich wird diese neue Ausgabe erweitert, um die neuesten Trends im Deep Learning abzudecken, einschließlich Graph Neural Networks und großskaliger Transformatoren, die für die Verarbeitung natürlicher Sprache (NLP) verwendet werden.

Dieses PyTorch-Buch ist Ihr Begleiter für maschinelles Lernen mit Python, egal ob Sie ein Python-Entwickler sind, der neu im maschinellen Lernen ist, oder Ihr Wissen über die neuesten Entwicklungen vertiefen möchten.

Was Sie lernen werden: Erkunden Sie Frameworks, Modelle und Techniken, damit Maschinen aus Daten "lernen" können. Verwenden Sie scikit-learn für maschinelles Lernen und PyTorch für Deep Learning. Trainieren Sie Klassifikatoren für maschinelles Lernen auf Bildern, Texten und mehr. Erstellen und trainieren Sie neuronale Netze, Transformatoren und Boosting-Algorithmen. Entdecken Sie Best Practices für die Bewertung und Abstimmung von Modellen. Prognostizieren Sie kontinuierliche Zielergebnisse mithilfe von Regressionsanalysen. Tauchen Sie tiefer in Text- und Social-Media-Daten ein mithilfe von Sentiment-Analyse. Für wen dieses Buch ist: Wenn Sie die Grundlagen von Python gut beherrschen und mit dem maschinellen Lernen und Deep Learning beginnen möchten, dann ist dies das richtige Buch für Sie. Dies ist eine unverzichtbare Ressource für Entwickler und Datenwissenschaftler, die praktische Anwendungen für maschinelles Lernen und Deep Learning mit scikit-learn und PyTorch erstellen möchten.

Bevor Sie mit diesem Buch beginnen, benötigen Sie ein gutes Verständnis der Differential- und Integralrechnung sowie der linearen Algebra.

Inhaltsverzeichnis: Computern die Fähigkeit geben, aus Daten zu lernen. Einfache Algorithmen für maschinelles Lernen zur Klassifizierung trainieren. Eine Tour durch Machine Learning Klassifikatoren mit Scikit-Learn. Gute Trainingsdatensätze erstellen – Datenvorverarbeitung. Datenkomprimierung durch Dimensionsreduktion. Best Practices für Modellbewertung und Hyperparameter-Tuning lernen. Verschiedene Modelle für Ensemble Learning kombinieren. Maschinelles Lernen auf Sentiment-Analyse anwenden. Kontinuierliche Zielvariablen mit Regressionsanalyse vorhersagen. Mit unbeschrifteten Daten arbeiten – Clusteranalyse. Ein mehrschichtiges künstliches neuronales Netz von Grund auf implementieren (Hinweis: Bitte nutzen Sie die "Blick ins Buch"-Option, um weitere Kapitel zu sehen)