Inhalt: - Von der logistischen Regression über Feed-Forward-Netze zu Encoder-Decoder-Modellen - Leicht verständlich mit textbasierten Erklärungen und wenigen Formeln - Mit Fokus auf der Verarbeitung deutschsprachiger Texte - Ausführliche Python-Code-Erläuterungen im Buch und Jupyter Notebooks auf GitHub - Ihr exklusiver Vorteil: E-Book inside beim Kauf des gedruckten Buches 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. Im Fokus stehen insbesondere folgende Verfahren: • Vektorisierung von Wörtern mit Word Embedding. • Verarbeitung von Texten mit rekurrenten und konvolutionalen neuronalen Netzen. • Aufbau von Sequence-to-Sequence-Modellen zur Übersetzung und für Textzusammenfassungen. • Arbeit mit der Transformers-Bibliothek und Hugging Face. 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.