Scikit-Learn und TensorFlow. Maschinelles Lernen mit Python

Einleitung

Das Buch „Scikit-Learn und TensorFlow. Maschinelles Lernen mit Python“ (Originaltitel Hands-On Machine Learning with Scikit-Learn and TensorFlow) ist einer der maßgeblichsten und praxisorientiertesten Leitfäden für maschinelles Lernen (ML) und Deep Learning (DL) in der Programmiersprache Python. Der Autor, Aurélien Géron, ein ehemaliger Google-Ingenieur, hat es geschafft, ein Lehrbuch zu erstellen, das sowohl für Anfänger, die ihre ersten Schritte in Data Science machen, als auch für erfahrene Entwickler, die ihr Wissen vertiefen möchten, gleichermaßen nützlich ist. Die dritte Ausgabe (2022) wurde vollständig überarbeitet und an die modernen Versionen der Bibliotheken, einschließlich TensorFlow 2.x und Scikit-Learn 1.x, angepasst.

Worum geht es in diesem Buch

Das Buch deckt den gesamten Datenarbeitszyklus ab: von der Problemdefinition und Datenvorverarbeitung bis hin zum Bau, zur Bewertung und zum Einsatz von Modellen. Das gesamte Material ist in zwei große Teile gegliedert:

• Teil I. Grundlagen des maschinellen Lernens – widmet sich klassischen Algorithmen: Lineare und logistische Regression, SVM, Entscheidungsbäume, Ensemble-Methoden (Random Forest, Gradient Boosting), Clustering (K-Means, DBSCAN) und Methoden zur Dimensionsreduktion (PCA). Alle Beispiele werden mit der Bibliothek Scikit-Learn implementiert.
• Teil II. Deep Learning und neuronale Netze – behandelt die Theorie und Praxis neuronaler Netze: vom einfachen Perzeptron über Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN) bis hin zu Transformatoren und Generative Adversarial Networks (GAN). Der zweite Teil basiert vollständig auf TensorFlow 2.x und Keras.

Besonderes Augenmerk wird auf praktische Aspekte gelegt: die Arbeit mit realen Datensätzen, Hyperparameter-Tuning, Regularisierung, Datenaugmentation und der Einsatz von Modellen mit TensorFlow Serving und TF Lite.

Für wen ist dieses Buch

Das Buch richtet sich an ein breites Publikum:

• Angehende Data-Science-Spezialisten – diejenigen, die bereits mit den Grundlagen von Python vertraut sind und maschinelles Lernen systematisch erlernen möchten.
• Programmierer, die zu ML wechseln – Python-Entwickler, die ihre Fähigkeiten im Bereich der künstlichen Intelligenz anwenden möchten.
• Studenten technischer Fachrichtungen – für ein vertieftes Studium der Theorie und Praxis des ML.
• Erfahrene ML-Ingenieure – als Nachschlagewerk und Quelle für Best Practices, insbesondere im Bereich Deep Learning.

Was der Leser lernen wird

Nach der Lektüre des Buches werden Sie in der Lage sein:

• Die wichtigsten Algorithmen des maschinellen Lernens mit Scikit-Learn zu verstehen und zu implementieren.
• Neuronale Netze beliebiger Komplexität mit TensorFlow und Keras zu erstellen und zu trainieren.
• Die Qualität von Modellen korrekt zu bewerten (Cross-Validation, Metriken, Confusion Matrix).
• Regularisierungsmethoden zur Bekämpfung von Overfitting anzuwenden.
• Mit Bildern, Text und Zeitreihen zu arbeiten.
• Modelle mit TensorFlow Serving in der Produktion einzusetzen.
• Moderne Architekturen (Transformatoren, GANs) zur Lösung komplexer Probleme zu nutzen.

Stärken des Buches

Das Buch hebt sich aus mehreren Gründen von anderen Lehrbüchern ab:

• Praxisorientierung – jedes Kapitel enthält sofort ausführbare Codebeispiele, die direkt auf Ihre eigenen Daten angewendet werden können.
• Aktualität – die dritte Ausgabe erschien 2022 und deckt die neuesten Versionen der Bibliotheken ab, einschließlich TensorFlow 2.9 und Scikit-Learn 1.1.
• Verständlicher Schreibstil – komplexe Konzepte werden in einfacher Sprache mit vielen Abbildungen und Analogien erklärt.
• Tiefe – der Autor zeigt nicht nur, wie man eine Funktion aufruft, sondern erklärt auch, warum der Algorithmus genau so funktioniert, mit mathematischem Hintergrund.
• Strukturiertheit – logischer Aufbau des Materials: vom Einfachen zum Komplexen, mit klaren Zusammenfassungen und Übungen am Ende jedes Kapitels.

Wem empfehlen