Machine Learning und KI kompakt

• Verfasst von: Raschka, Sebastian [VerfasserIn]
• Titel: Machine Learning und KI kompakt
• Titelzusatz: zentrale Konzepte verstehen und anwenden
• Mitwirkende: Langenau, Frank [ÜbersetzerIn]
• Institutionen: Dpunkt.Verlag (Heidelberg) [Verlag]
• Verf.angabe: Sebastian Raschka
• Ausgabe: 1. Auflage
• Verlagsort: Heidelberg
• Verlag: dpunkt.verlag
• Jahr: 2025
• Umfang: xxii, 240 Seiten
• Illustrationen: Illustrationen, Diagramme
• Format: 24 cm x 16.5 cm
• Fussnoten: Literaturangaben
• ISBN: 978-3-98889-031-3
• ISBN: 3-98889-031-6
• Schlagwörter: (s)Maschinelles Lernen / (s)Künstliche Intelligenz / (s)Generative KI
• Sprache: ger
• Bibliogr. Hinweis: Parallele Sprachausgabe
• Bibliogr. Hinweis: Erscheint auch als : Online-Ausgabe: Raschka, Sebastian: Machine Learning und KI Kompakt. - 1. Auflage. - Heidelberg : dpunkt.verlag, 2025. - 1 Online-Ressource (262 Seiten)
• Bibliogr. Hinweis: Erscheint auch als : Online-Ausgabe: Raschka, Sebastian: Machine Learning und KI kompakt. - 1. Auflage. - Heidelberg : dpunkt.verlag, 2025. - 1 Online-Ressource (xxii, 240 Seiten)
• RVK-Notation: ST 300
• Sach-SW: COMPUTERS / Computer Vision & Pattern Recognition
• Sach-SW: COMPUTERS / Database Management / Data Mining
• Sach-SW: Maschinelles Lernen
• K10plus-PPN: 1907810153

Abstract

Schließt die Lücke zwischen Grundlagen und Profiwissen Einfache, prägnante Erklärungen zu wichtigen und aktuellen Themen Mit Übungsaufgaben sowie Codebeispielen auf GitHub Sie verfügen bereits über Grundkenntnisse zu maschinellem Lernen und künstlicher Intelligenz, haben aber viele Fragen und wollen tiefer in wesentliche und aktuelle Konzepte eintauchen? ML- und KI-Experte Sebastian Raschka greift in diesem Buch die wichtigsten Schlüsselfragen auf und liefert sowohl prägnante als auch einfach verständliche Erklärungen zu komplexen und fortgeschrittenen Themen wie Deep Learning, Überanpassung, Self-Supervised Learning, generative KI, Computer Vision, Natural Language Processing und Modellevaluierung. Viele Beispiele, anschauliche Illustrationen und praktische Übungsaufgaben helfen Ihnen dabei, das Erlernte nicht nur schnell zu verstehen, sondern auch praktisch umzusetzen. Dabei werden weder fortgeschrittene Mathematik- noch Programmierkenntnisse vorausgesetzt - wer tiefer in den Code eintauchen will, findet jedoch im kostenlosen Zusatzmaterial einige Codebeispiele. Aus dem Inhalt: Umgang mit verschiedenen Zufallsquellen beim Training neuronaler Netze Unterscheidung zwischen Encoder- und Decoder-Architekturen in großen Sprachmodellen (LLMs) Verringerung von Überanpassung durch Daten- und Modellmodifikationen Konstruktion von Konfidenzintervallen für Klassifizierer und Optimierung von Modellen mit begrenzten gelabelten Daten Wählen zwischen verschiedenen Multi-GPU-Trainingsparadigmen und verschiedenen Arten von generativen KI-Modellen Verstehen von Performancemetriken für die Verarbeitung natürlicher Sprache