Mehr lesen
- 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
Über den Autor / die Autorin
Sebastian Raschka, PhD, ist Forscher für maschinelles Lernen und KI mit einer großen Leidenschaft für Wissensvermittlung. Als Lead AI Educator bei Lightning AI brennt er dafür, KI und Deep Learning verständlich darzustellen und Menschen beizubringen, wie sie diese Technologien in großem Umfang nutzen können. Bevor er voll und ganz in Lightning AI eingestiegen ist, hatte Sebastian Raschka eine Position als Assistenzprofessor für Statistik an der University of Wisconsin-Madison inne, wo er sich auf die Erforschung von Deep Learning und maschinellem Lernen spezialisierte. Auf seiner Website (https://sebastianraschka.com) erfahren Sie mehr über seine Forschung. Außerdem liebt Sebastian Raschka Open-Source-Software und leistet seit über einem Jahrzehnt leidenschaftlich Beiträge dazu. Neben dem Programmieren schreibt er auch gern und ist Autor der Beststeller Python Machine Learning und Machine Learning with PyTorch and Scikit-Learn (beide bei Packt Publishing veröffentlicht).
Zusammenfassung
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
