Bewertung:
Das Buch wird für seine praktische Herangehensweise an maschinelles Lernen und TensorFlow, mit klaren Erklärungen und gut kommentiertem Code, geschätzt. Viele Rezensenten empfehlen es als nützliche Einstiegsressource für Neulinge auf dem Gebiet. Es wurde jedoch kritisiert, dass es zu einfach ist, mathematische Grundlagen vermissen lässt und veraltete Beispiele enthält, die nicht mit den neuesten TensorFlow-Versionen funktionieren. Einige Benutzer fanden den Text unzusammenhängend und waren der Meinung, dass bessere Informationen online gefunden werden können.
Vorteile:⬤ Praktische Einführung
⬤ gut organisiert
⬤ klare Erklärungen
⬤ tolle Beispiele mit kommentiertem Code
⬤ für Anfänger geeignet
⬤ bodenständiger Lehrstil
⬤ gut zum Zusammensetzen von bestehendem Wissen.
⬤ Zu grundlegend für erfahrene Benutzer
⬤ Es fehlt an mathematischer Strenge
⬤ Veraltete und kaputte Beispiele
⬤ Manche finden den Schreibstil schlecht und umständlich
⬤ Die zweite Hälfte konzentriert sich zu sehr auf einfachere Themen statt auf TensorFlow-Spezifika.
(basierend auf 22 Leserbewertungen)
Machine Learning with Tensorflow
Zusammenfassung
Machine Learning with TensorFlow vermittelt den Lesern eine solide Grundlage in Machine-Learning-Konzepten sowie praktische Erfahrung in der Programmierung von TensorFlow mit Python.
Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.
Über die Technologie
TensorFlow, Googles Bibliothek für maschinelles Lernen in großem Maßstab, vereinfacht oft komplexe Berechnungen, indem es sie als Graphen darstellt und Teile der Graphen effizient auf Maschinen in einem Cluster oder auf die Prozessoren einer einzelnen Maschine abbildet.
Über das Buch
Machine Learning with TensorFlow vermittelt den Lesern ein solides Fundament an Konzepten des maschinellen Lernens sowie praktische Erfahrung in der Programmierung von TensorFlow mit Python. Sie werden die Grundlagen lernen, indem Sie mit klassischen Vorhersage-, Klassifizierungs- und Clustering-Algorithmen arbeiten. Dann gehen Sie zu den wertvollen Kapiteln über: die Erforschung von Deep-Learning-Konzepten wie Auto-Codern, rekurrenten neuronalen Netzen und Reinforcement Learning. Nach der Lektüre dieses Buches werden Sie bereit sein, TensorFlow für Ihre eigenen Machine-Learning- und Deep-Learning-Anwendungen zu nutzen.
Was ist drin?
⬤ Anpassung Ihrer Aufgaben an die richtigen Machine-Learning- und Deep-Learning-Ansätze.
⬤ Visualisierung von Algorithmen mit TensorBoard.
⬤ Neuronale Netze verstehen und nutzen.
(Über den Leser)
Geschrieben für Entwickler mit Erfahrung in Python und algebraischen Konzepten wie Vektoren und Matrizen.
Über den Autor
Der Autor Nishant Shukla ist ein Forscher im Bereich Computer Vision, der sich auf die Anwendung von Techniken des maschinellen Lernens in der Robotik konzentriert.
Der leitende technische Redakteur Kenneth Fricklas ist ein erfahrener Entwickler, Autor und Praktiker des maschinellen Lernens.
Inhaltsverzeichnis
TEIL 1 - IHRE MACHINE-LEARNING-ANLAGE.
⬤ Eine Odyssee des maschinellen Lernens.
⬤ TensorFlow Grundlagen.
TEIL 2 - KERNLERNALGORITHMEN.
⬤ Lineare Regression und mehr.
⬤ Eine sanfte Einführung in die Klassifizierung.
⬤ Automatisches Clustern von Daten.
⬤ Versteckte Markov-Modelle.
TEIL 3 - DAS PARADIGMA DER NEURONALEN NETZE.
⬤ Ein Blick auf Autoencoder.
⬤ Verstärkungslernen.
⬤ Konvolutionäre neuronale Netze.
⬤ Rekurrente neuronale Netze.
⬤ Sequenz-zu-Sequenz-Modelle für Chatbots.
⬤ Nutzungslandschaft.
| ISBN: | 9781617293870 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
