Machine Learning und KI kompakt – Gut Blitzverkauf

Raschka, Sebastian
Machine Learning und KI kompakt

ISBN: 9783988890313

Zentrale Konzepte verstehen und anwenden
Übersetzung:Langenau, Frank
Kartoniert, dpunkt (2025)

Herstelleradresse

Dpunkt

Wieblinger Weg 17

69123 – DE Heidelberg

E-Mail: [email protected]

Kartoniert, XXII, 240 S.

Sprache: Deutsch

240 mm

Gewicht: 486 g

Neue Ware, Mängelexemplar, Zustand: gut

Retourware: wegen minimaler Lagerspuren und Transportschäden
(wie leichte Kratzer) als Mängelexemplar gekennzeichnet.

Text vom Verlag

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