- Von der logistischen Regression über Feed-Forward-Netze zu Encoder-Decoder-Modellen<br />- Leicht verständlich mit textbasierten Erklärungen und wenigen Formeln<br />- Mit Fokus auf der Verarbeitung deutschsprachiger Texte<br />- Ausführliche Python-Code-Erläuterungen im Buch und Jupyter Notebooks auf GitHub<br />- Ihr exklusiver Vorteil: E-Book inside beim Kauf des gedruckten Buches<br /><br />Das Buch bietet eine leicht verständliche Einführung in Machine-Learning-Algorithmen im Allgemeinen und in die Verarbeitung von Textdaten mit Deep-Learning-Verfahren im Besonderen. Es veranschaulicht die theoretischen Konzepte bewährter und neuerer NLP-Ansätze und führt in die praktische Umsetzung ein. <br /><br />Im Fokus stehen insbesondere folgende Verfahren:<br />• Vektorisierung von Wörtern mit Word Embedding.<br />• Verarbeitung von Texten mit rekurrenten und konvolutionalen neuronalen Netzen.<br />• Aufbau von Sequence-to-Sequence-Modellen zur Übersetzung und für Textzusammenfassungen.<br />• Arbeit mit der Transformers-Bibliothek und Hugging Face.<br /><br />Anhand praktischer Anwendungen (Klassizierung von Texten, Rechtschreibkorrektur, Übersetzung, Frage-Antwort-System) wird gezeigt, wie sich Textdaten vorbereiten und effektive Lernmodelle mit Bibliotheken wie Transformers, TensorFlow/Keras und Scikit-Learn aufbauen, trainieren und produktiv einsetzen lassen.