Maschinelles Lernen und C++: Ein praktischer Leitfaden

Das Buch „Maschinelles Lernen und C++“ ist der erste praktische Leitfaden seiner Art, der zeigt, wie man Algorithmen des maschinellen Lernens in reinem C++ ohne Verwendung von Python implementiert. Im Gegensatz zu den meisten ML-Büchern, die sich auf Python und seine Bibliotheken konzentrieren, legt diese Ausgabe den Schwerpunkt auf hohe Leistung, Low-Level-Kontrolle und die Einbettung von Modellen in bestehende C++-Projekte.

Worum geht es in diesem Buch?

Der Autor führt den Leser Schritt für Schritt von den grundlegenden Konzepten des maschinellen Lernens bis zur Erstellung eigener neuronaler Netze. Sie erfahren, wie Sie:

• Lineare und logistische Regression mit der Bibliothek Eigen für die Matrixarbeit implementieren;
• Entscheidungsbäume und Random Forests ohne externe Abhängigkeiten erstellen;
• OpenCV zur Bildvorverarbeitung und Merkmalsextraktion verwenden;
• Die TensorFlow C++ API zum Laden und Ausführen vortrainierter Modelle integrieren;
• Code mit Multithreading (OpenMP) und SIMD-Instruktionen optimieren;
• Trainierte Modelle in der Produktion einsetzen – von Embedded-Systemen bis hin zu hochbelasteten Servern.

Für wen ist dieses Buch?

• C++-Entwickler, die ML zu ihrem Werkzeugkasten hinzufügen möchten;
• Ingenieure, die an leistungsstarken Systemen arbeiten (Robotik, Finanzen, Spiele, IoT);
• Studenten und Forscher, die das Innenleben von ML-Algorithmen ohne „Black Boxes“ verstehen möchten;
• Alle, die Python leid sind und schnellere, vorhersagbarere Lösungen für maschinelles Lernen suchen.

Was werden Sie nach der Lektüre wissen?

• Wie Sie Ihre eigene Bibliothek für maschinelles Lernen von Grund auf schreiben;
• Wie Sie effizient mit großen Datenmengen unter Nutzung von C++-Besonderheiten (Smart Pointer, Move-Semantik, STL-Container) arbeiten;
• Wie Sie ML-Algorithmen profilieren und beschleunigen: von Cache-Optimierung bis zu GPU-Berechnungen mit CUDA;
• Wie Sie C++ ML-Modelle in Webanwendungen (über REST API) oder mobile Anwendungen (über JNI) integrieren;
• Reale Beispiele: Anomalieerkennung in Logs, Aktienkursvorhersage, Bildklassifikation auf dem Raspberry Pi.

Das Buch enthält über 50 fertige Codebeispiele, die zum Download bereitstehen. Alle Beispiele wurden unter GCC und Clang auf Linux, macOS und Windows getestet. Der Autor verwendet den modernen Standard C++17/20, was den Code aktuell und sicher macht.

Wenn Sie über Python hinausgehen und lernen möchten, wirklich schnelle und kompakte ML-Lösungen zu erstellen, ist dieses Buch genau das Richtige für Sie.