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]
• Verf.angabe: Sebastian Raschka
• Verlagsort: [Erscheinungsort nicht ermittelbar]
• Verlag: dpunkt.verlag
• Jahr: 2025
• Umfang: 1 online resource (262 p.)
• Fussnoten: Electronic book. - Online resource; title from digital title page (cloudLibrary, viewed January 29, 2025)
• ISBN: 978-3-98890-215-3
• ISBN: 3-98890-215-2
• Datenträger: Online-Ressource
• Sprache: ger
• Bibliogr. Hinweis: Erscheint auch als : Druck-Ausgabe
• Sach-SW: Databases
• Sach-SW: COMPUTERS
• K10plus-PPN: 1921171227
• K10plus-PPN:
  Universitätsbibliothek
• Lokale URL UB: Zum Volltext
• Lokale URL UB: Bibliothek der Medizinischen Fakultät Mannheim der Universität Heidelberg
• Bibliothek/Idn: UW / m4696551253
• Lokale URL Inst.: Zum Volltext

Abstract

Vertiefendes Wissen von Deep Learning über Computer Vision bis Natural Language Processing - 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.