François Chollet Bücher

Dieses Buch bietet eine praxisorientierte Einführung in die grundlegenden Konzepte von Machine Learning und Deep Learning. Es behandelt zahlreiche Anwendungsbeispiele zur Lösung konkreter Aufgaben wie maschinelles Sehen, Sprachverarbeitung, Bildklassifizierung, Zeitreihenprognose und Stimmungsanalyse. Der Autor konzentriert sich auf die praktische Anwendung und verzichtet weitgehend auf mathematische Formeln. Anhand von Beispielen lernen die Leser, wie sie Deep Learning effektiv einsetzen können, wobei die Programmiersprache R und die Deep-Learning-Bibliothek Keras verwendet werden, die sich ideal für den Einstieg eignen. Das Buch gliedert sich in zwei Teile: Teil I bietet eine allgemeine Einführung in Deep Learning, erklärt grundlegende Begriffe und Konzepte, die für den Einstieg in neuronale Netze wichtig sind. Teil II widmet sich ausführlich den praktischen Anwendungen in Computer Vision und der Verarbeitung natürlicher Sprache. Viele Beispiele dienen als Vorlage zur Lösung von Problemen, die in der Praxis des Deep Learnings auftreten können. Es richtet sich an Leser mit Programmiererfahrung in R, die in das Machine Learning und Deep Learning einsteigen möchten. Grundkenntnisse in R sind für die Nutzung von Keras erforderlich.

Deep Learning with Python introduces the field of deep learning using the Python language and the powerful Keras library. Written by Keras creator and Google AI researcher François Chollet, this book builds your understanding through intuitive explanations and practical examples. You'll explore challenging concepts and practice with applications in computer vision, natural-language processing, and generative models. By the time you finish, you'll have the knowledge and hands-on skills to apply deep learning in your own projects. -- Provided by publisher

Learn to build advanced machine and deep learning systems for various environments with this comprehensive guide. It covers neural networks and deep learning techniques using TensorFlow and Keras, focusing on writing applications within the powerful and scalable machine learning framework. The latest version, TensorFlow 2.x, emphasizes simplicity and user-friendliness, featuring updates like eager execution, intuitive APIs based on Keras, and flexible model building across platforms. The content provides an overview of supervised and unsupervised machine learning models, along with an in-depth analysis of deep learning and reinforcement learning through practical examples applicable to cloud, mobile, and large-scale production settings. The book details the creation of neural networks with TensorFlow and explores popular algorithms, including regression, convolutional neural networks (CNNs), transformers, generative adversarial networks (GANs), recurrent neural networks (RNNs), natural language processing (NLP), and graph neural networks (GNNs). Additionally, it includes working example applications and discusses TensorFlow in production, mobile, and AutoML contexts. Aimed at Python developers and data scientists, this hands-on resource equips readers with both the theoretical knowledge and practical skills necessary to develop machine learning systems using Keras, TensorFlow, and AutoML, with some prior machine learning k