Maschinelles Lernen mit PyTorch und Scikit-Learn: Ein umfassender Leitfaden für ML und DL mit Python

Maschinelles Lernen mit PyTorch und Scikit-Learn: Entwickeln von Machine-Learning- und Deep-Learning-Modellen mit Python (Sebastian Raschka)

Leserbewertungen

Zusammenfassung:

Das Buch wird als umfassender Leitfaden für maschinelles Lernen mit einem starken Fokus auf praktische Anwendungen mit PyTorch und Scikit-Learn hoch geschätzt. Rezensenten schätzen die Gründlichkeit, den praktischen Ansatz und die Integration mathematischer Konzepte in einem verständlichen Format. Kritik gibt es jedoch an der Darstellung, insbesondere an der Verwendung von Schwarz-Weiß-Grafiken, die manche Leser weniger ansprechend finden.

Vorteile:

⬤ Vertiefung der Konzepte des maschinellen Lernens
⬤ Praktische Code-Beispiele
⬤ Praktischer Lernansatz
⬤ Gründliche Grundlagen sowohl in der Theorie als auch in der Anwendung
⬤ Gut zitierte Referenzen für weiterführende Studien
⬤ Geeignet für verschiedene Kenntnisstufen vom Anfänger bis zum fortgeschrittenen Praktiker.

Nachteile:

⬤ Probleme bei der Darstellung mit Schwarz-Weiß-Grafiken
⬤ einige Leser erwarteten mehr Tiefe bei bestimmten Themen
⬤ gelegentliche Kritik am Layout des Buches oder an fehlenden einleitenden Abschnitten
⬤ einige technische Kenntnisse für das vollständige Verständnis erforderlich.

(basierend auf 87 Leserbewertungen)

Originaltitel:

Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python

Inhalt des Buches:

PyTorch-Buch der meistverkauften und weithin gelobten Python Machine Learning-Reihe, erweitert um Transformers, XGBoost und Graph Neural Networks

Key Features:

⬤ Lernen Sie angewandtes maschinelles Lernen mit einer soliden Grundlage in der Theorie.

⬤ Klare, intuitive Erklärungen führen Sie tief in die Theorie und Praxis des maschinellen Lernens in Python ein.

⬤ Vollständig aktualisiert und erweitert, um PyTorch, Transformers, XGBoost, graphische neuronale Netze und Best Practices abzudecken.

Buchbeschreibung:

Machine Learning with PyTorch and Scikit-Learn ist ein umfassender Leitfaden für maschinelles Lernen und Deep Learning mit PyTorch. Es dient sowohl als Schritt-für-Schritt-Tutorial als auch als Nachschlagewerk, auf das Sie immer wieder zurückkommen werden, wenn Sie Ihre maschinellen Lernsysteme aufbauen.

Dieses Buch ist vollgepackt mit klaren Erklärungen, Visualisierungen und Beispielen und deckt alle wesentlichen Techniken des maschinellen Lernens in der Tiefe ab. Während Sie in anderen Büchern nur lernen, Anweisungen zu befolgen, vermitteln wir Ihnen in diesem Buch über maschinelles Lernen die Grundlagen, um Modelle und Anwendungen selbst zu erstellen.

Dieses Buch wurde aktualisiert, um Deep Learning mit PyTorch abzudecken, und stellt dem Leser die neuesten Ergänzungen zu scikit-learn vor. Darüber hinaus behandelt dieses Buch verschiedene Techniken des maschinellen Lernens und des Deep Learning für die Klassifizierung von Texten und Bildern. Sie werden auch etwas über generative adversarische Netzwerke (GANs) zur Generierung neuer Daten und zum Training intelligenter Agenten mit Reinforcement Learning erfahren. Schließlich wurde diese neue Ausgabe auch erweitert, um die neuesten Trends im Deep Learning abzudecken, einschließlich Einführungen in graphische neuronale Netze und groß angelegte 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 Bereich des maschinellen Lernens ist, oder ob Sie Ihr Wissen über die neuesten Entwicklungen vertiefen möchten.

Was Sie lernen werden:

⬤ Erforschen Sie Frameworks, Modelle und Techniken, mit denen 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, Text und mehr.

⬤ Erstellen und trainieren Sie neuronale Netze, Transformatoren und graphische neuronale Netze.

⬤ Entdecken Sie bewährte Verfahren zur Bewertung und Abstimmung von Modellen.

⬤ Vorhersage von kontinuierlichen Zielergebnissen mithilfe von Regressionsanalysen.

⬤ Vertiefen Sie Ihre Kenntnisse über Text- und Social-Media-Daten mithilfe der Sentimentanalyse.

Für wen dieses Buch geeignet ist:

Wenn Sie Python beherrschen und sich mit maschinellem Lernen und Deep Learning beschäftigen möchten, sollten Sie dieses Buch in die Hand nehmen. Egal, ob Sie bei Null anfangen oder Ihr Wissen über maschinelles Lernen erweitern wollen, dieses Buch ist eine unverzichtbare Ressource.

Geschrieben für Entwickler und Datenwissenschaftler, die mit Python und PyTorch Deep-Learning-Code für maschinelles Lernen erstellen wollen. Dieses Python-Buch ist ideal für alle, die Computern beibringen wollen, wie sie aus Daten lernen können.

Kenntnisse der Programmiersprache Python sowie ein gutes Verständnis von Kalkül und linearer Algebra sind ein Muss.