Books

Maschinelles Lernen — Grundlagen und Algorithmen in Python

Unten ist ein Link zu einem ZIP-Archiv das alle Quellcodes aus dem Buch enthält zzgl. einiger aufbereiteter Datenquellen. Die Listings sind getestet auf für die unten angegeben Versionen der Python-Libs.

Der Hanser-Verlag hat das Buch 2018 (grüner Einband) herausgebracht und 2019 (roter Einband) nachgedruckt. Beide Bücher haben den gleichen Inhalt, nur dass der 2019er Nachdruck um einige Fehler ärmer ist. Ich pflege für beide Auflagen ein Erratum; wer also den 2018er Druck hat, braucht nur in das etwas umfangreichere Fehlerverzeichnis zu blicken. Die Source-Codes sind für beide gleich.
Der erste neue Inhalt ist für Mitte 2020 geplant, nämlich den Bereich der Netzwerke um LTSM zu erweitern und das jetzige Kapitel 12 umzuarbeiten, sodass es mit OpenAI und Torcs zusammenarbeitet. Anregungen und Wünsche nehme ich gerne per eMail entgegen.


Sourcecode + some Data: zip (ca. 3.5 MB)

Carl Hanser Verlag (01/2019); ISBN-13: 978-3-446-45996-0
Erratum 2019: PDF
Carl Hanser Verlag (08/2018); ISBN-13: 978-3-446-45291-6
Erratum 2018: PDF
-- Hinweise auf weitere Fehler gerne per eMail --

Verwendete Software:

  • Python 3.6.3
  • NumPy 1.12.1
  • SciPy 1.0.0
  • Matplotlib 2.1.0
  • scikit-learn 0.19.1 (Kapitel 10)
  • Keras 2.0.8 (Kapitel 8 und 12)


Installation:

Der Link oben enthält die Befehle, die ich unter Linux (apt & pip) verwendet habe als Tipp. Bei Problemen kann ich keinen Support leisten oder Fragen beantworten. Ich hoffe auf Ihr Verständnis. Bei Problemen mit Anaconda beachten Sie bitte die dortigen Foren und Supportmöglichkeiten.

Finite-Elemente-Methode — Eine praxisbezogene Einführung mit GNU Octave/MATLAB



Carl Hanser Verlag (10/2016); ISBN-10: 3446446656; ISBN-13: 978-3446446656
Erratum: PDF -- Hinweise auf weitere Fehler gerne per eMail.
Sourcecode: FEMBookCode.zip. Some code is continuously improved within the FFEP project.
Software: