In Teil I des Buches stellt der Autor wesentliche Ideen, Werkzeuge und Konzepte des supervised Learning vor. Er entwickelt und verbessert einfache maschinelle Lernprogramme Schritt für Schritt und deckt dabei Methoden wie lineare Regression, Gradientenabstieg und Perceptron ab. Das Perceptron wird zum Erlernen der Bilderkennung von handgeschriebenen Ziffern auf der Grundlage des MNIST-Standarddatensatzes verwendet. Der Autor erläutert die den entsprechenden Algorithmen zugrunde liegenden Konzepte entlang des Codes. Teil II des Buches befasst sich mit neuronalen Netzen. Es werden die Ideen der neuronalen Netze wie Schichten, Gewichte, Rückpropagation, Gradientenabstieg, Epochenlernen etc. vorgestellt. In Teil III des Buches werden die Ideen des Deep Learning diskutiert. Darüber hinaus stellt der Autor neben den klassischen Strukturen tiefer neuronaler Netze auch die Konzepte und Techniken von Faltungsnetzen vor. Python-Programmierkenntnisse werden auf einem elementaren Niveau gehalten. Weitere Python-Techniken und Sprachkonstrukte sowie ein Glossar zum maschinellen Lernen werden im Anhang zur Verfügung gestellt. Das Buch eignet sich für Entwickler, die eine gute und sanfte Einführung in das maschinelle Lernen erhalten wollen. Der Autor liefert im Ausblick Themen zur weiteren Lektüre. Ein Glossar mit Begriffen aus dem Bereich des maschinellen Lernens wird zur Verfügung gestellt. Alles in allem ist dieses Buch ein empfehlenswerter praktischer Einstieg in das Gebiet des ML.weiterlesen