Kostenlos testen
Beliebt Neu Genres Autoren
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Suche läuft...
SoBrief
Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow

Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow

Originaltitel: Hands-On Machine Learning with Scikit-Learn and TensorFlow
Ein Modell kann im Training glänzen und im Produktivbetrieb trotzdem versagen. Finden Sie heraus, was zuerst getestet werden muss.
von Aurélien Géron 2017 566 Seiten
4.55
2.000+ Bewertungen
Anhören
Immersiv
V2.3
Amazon Kindle Audible
3 Tage Vollzugriff testen
Schalten Sie Audioinhalte & mehr frei!
Weiter

Wichtigste Erkenntnisse

Lassen Sie Beispiele an die Stelle brüchiger Regeln treten, wenn sich die Welt ständig verändert.

Aus Beispielen lernen. Maschinelles Lernen verbessert die Leistung eines Computers bei einer Aufgabe, indem es Erfahrungen – meist in Form von Daten – nutzt, statt sich ausschließlich auf Regeln zu verlassen, die ein Programmierer festgelegt hat. Ein Spamfilter veranschaulicht den Unterschied: Statt eine ständig wachsende Liste verdächtiger Formulierungen zu pflegen, lernt er Muster aus E-Mails, die als Spam oder als unbedenklich gekennzeichnet sind, und kann sich dann anpassen, wenn Spammer ihre Wortwahl ändern. Lernen ist hilfreich, wenn Regeln unübersichtlich werden, ein Problem zu komplex ist, um es direkt zu spezifizieren, oder sich Muster im Lauf der Zeit verschieben. Es kann außerdem Korrelationen in großen Datensätzen aufdecken, die Menschen möglicherweise nicht aufgefallen wären.

Wählen Sie das passende Lernverfahren. Gekennzeichnete Beispiele eignen sich für überwachte Aufgaben wie Klassifikation und Regression. Nicht gekennzeichnete Daten können für Clustering, Anomalieerkennung und Dimensionsreduktion genutzt werden. Halbüberwachte Verfahren kombinieren wenige gekennzeichnete Daten mit einer größeren Menge nicht gekennzeichneter Beispiele. Beim bestärkenden Lernen wird dagegen ein Agent anhand seiner Handlungen und der dafür erhaltenen Belohnungen trainiert. Stapelverarbeitungssysteme werden mit angesammelten Daten neu trainiert, während Online-Systeme ihre Modelle schrittweise aktualisieren.

Analyse

Das Beispiel mit dem Spamfilter macht das praktische Versprechen des maschinellen Lernens greifbar: Es ersetzt die manuelle Pflege von Regeln durch ein Verfahren, das neue Erkenntnisse aufnehmen kann. Dabei geht es weniger darum, dass Computer allgemein intelligent werden, als darum, für eine bestimmte Aufgabe eine nützliche Rückkopplungsschleife zu wählen. Diese Sichtweise wirkt auch der Vorstellung entgegen, jedes Datenproblem sei ein Problem für neuronale Netze. Für eine stabile, gut verstandene Aufgabe ist möglicherweise überhaupt kein Lernsystem nötig, und ein anpassungsfähiges Modell ist nur dann wertvoll, wenn neue Beobachtungen zuverlässig sind und das System sicher darauf reagieren kann.

Betrachten Sie repräsentative, saubere Daten als Teil des Modells selbst.

Die Daten bestimmen, was gelernt werden kann. Ein Modell kann nur aus Mustern verallgemeinern, die in seinen Trainingsdaten vorkommen. Auch eine große Stichprobe kann irreführend sein, wenn die Datenerhebung verzerrt ist. Bei der Umfrage des Literary Digest von 1936 wurden wohlhabendere Wähler überproportional berücksichtigt, weil die Namen unter anderem aus Telefonbüchern stammten und weniger als ein Viertel der Angeschriebenen antwortete. Die daraus abgeleitete Prognose verfehlte Roosevelts Wahlsieg. Mehr Daten hätten die Stichprobenmethode nicht korrigiert. Rauschbehaftete Messwerte, fehlende Werte, gekappte Zielwerte und irrelevante Merkmale können das Lernen ebenfalls verzerren.

Bereiten Sie Merkmale mit Bedacht auf. Im Beispiel mit den kalifornischen Wohnungsdaten hing das mittlere Einkommen stark mit den Preisen zusammen, während Verhältniszahlen wie die Anzahl der Schlafzimmer pro Zimmer mehr aussagten als bloße Gesamtwerte. Merkmalskonstruktion bedeutet, nützliche Eingaben auszuwählen, zu kombinieren oder neu zu erstellen. Fehlende Werte lassen sich entfernen oder imputieren, Kategorien kodieren und numerische Merkmale skalieren. Passen Sie solche Transformationen ausschließlich an den Trainingsdaten an und wenden Sie die dabei ermittelten Transformationen anschließend unverändert auf Validierungs-, Test- und neu eingehende Daten an.

Analyse

Das ist eine nützliche Korrektur des verbreiteten Bildes vom maschinellen Lernen als Wettstreit der Algorithmen. Die Datenerhebung ist ein Messvorgang, und ihre blinden Flecken werden zu den blinden Flecken des Modells. Die Geschichte des Literary Digest zeigt, dass eine verzerrte Stichprobe selbst durch ein enormes Datenvolumen nicht ausgeglichen wird; das Wohnungsbeispiel veranschaulicht, wie eine bessere Repräsentation ein bereits in den Daten vorhandenes Signal sichtbar machen kann. Eine weitere Einschränkung: Eine Korrelation, selbst eine starke, belegt keine Ursache. Die Bedeutung von Merkmalen kann die Untersuchung leiten, sollte aber nicht mit einer Erklärung dafür verwechselt werden, warum sich Preise ändern.

Beginnen Sie mit der Entscheidung, die das Modell unterstützen soll, und bauen Sie dann die Pipeline auf.

Klären Sie zuerst die eigentliche Aufgabe. Im Wohnungsprojekt sollte der Medianpreis eines Bezirks vorhergesagt werden, doch die Ausgabe sollte in ein Immobilieninvestitionssystem einfließen. Dieser geschäftliche Verwendungszweck bestimmte, welche Fehler relevant waren und ob ein Preisschätzwert statt einer Preiskategorie gebraucht wurde. Bevor Sie einen Algorithmus auswählen, klären Sie das Ziel, die bestehende Lösung, die erforderliche Leistung, die Datenbeschränkungen und die Annahmen. Ein Modell ist eine Komponente in einem Entscheidungsprozess, nicht das Endprodukt.

Sorgen Sie für Wiederholbarkeit. Ein praxisnahes Projekt umfasst das Sammeln und Erkunden der Daten, ihre Bereinigung und Transformation, das Training und die Bewertung des Modells sowie Präsentation und Wartung. Das Pipeline-Konzept des Buches verknüpft Datentransformationen zu einer reproduzierbaren Abfolge. Im Wohnungsbeispiel übernahmen wiederverwendbare Schritte den Umgang mit fehlenden Schlafzimmerangaben, der kategorialen Variable „Nähe zum Meer“, kombinierten Merkmalen und der Skalierung. Kreuzvalidierung diente dem Vergleich möglicher Modelle; nachdem die Entscheidungen getroffen waren, schätzte ein abschließender, zuvor unangetasteter Testsatz die Leistung. Werden Transformationen und Modelle gespeichert, lässt sich das Verfahren leichter mit neuen Daten wiederholen.

Analyse

Die geschäftliche Einordnung verknüpft maschinelles Lernen mit Systemtechnik: Eine Vorhersage ist nur dann wertvoll, wenn sie die Entscheidung verbessert. Das erinnert auch an die Versuchsplanung, bei der Fragestellung und Messplan festgelegt werden sollten, bevor man die Ergebnisse betrachtet. Eine saubere Pipeline macht die Arbeit überprüfbar und wiederholbar, doch Automatisierung ersetzt kein Urteilsvermögen. Sind Ziel, Annahmen oder nachgelagerte Verwendung falsch, kann ein einwandfrei reproduzierbarer Arbeitsablauf das falsche Problem besonders effizient lösen.

Wählen Sie die Komplexität nach der Leistung bei unbekannten Fällen, nicht nach perfekter Anpassung an die Trainingsdaten.

Unterscheiden Sie zwischen Anpassung und Verallgemeinerung. Unteranpassung liegt vor, wenn ein Modell zu einfach ist, um wichtige Strukturen zu erfassen. Überanpassung (Overfitting) entsteht, wenn das Modell die Trainingsbeispiele einschließlich des Rauschens abbildet, bei neuen Fällen aber schlecht abschneidet. Im Wohnungsprojekt erzielte ein Entscheidungsbaum einen Trainingsfehler von null – ein Warnsignal, kein Grund zum Triumph. Eine zehnfache Kreuzvalidierung ergab einen durchschnittlichen Fehler von rund 71.200 Dollar und lag damit etwas über dem Fehler der linearen Regression von etwa 69.000 Dollar. Ein Random Forest senkte den Kreuzvalidierungsfehler auf rund 52.600 Dollar; durch eine Hyperparametersuche wurde der RMSE auf dem zurückgehaltenen Testsatz schließlich auf ungefähr 48.200 Dollar verbessert.

Begrenzen Sie den Spielraum des Modells. Regularisierung schränkt ein Modell ein, um Überanpassung zu verringern. Ridge verkleinert die Gewichte, Lasso kann weniger nützliche Gewichte auf null setzen, und Early Stopping beendet das Training, wenn sich die Validierungsleistung nicht weiter verbessert. Lernkurven helfen dabei, hohen Bias von hoher Varianz zu unterscheiden: Sind Trainings- und Validierungsfehler beide hoch, kann ein leistungsfähigeres Modell oder eine bessere Merkmalsauswahl helfen; liegen sie weit auseinander, sollte man das Modell vereinfachen, regularisieren oder mehr Daten erheben.

Analyse

Der perfekte Trainingswert des Entscheidungsbaums zeigt eindrücklich, warum Anpassung nicht dasselbe ist wie Lernen. Die Kreuzvalidierung liefert eine bessere Schätzung, indem jedes Beispiel in einem Durchlauf anhand eines Folds getestet wird, der beim Training dieses Durchlaufs ausgeschlossen war. Die angegebenen Werte bleiben jedoch Schätzungen, keine Garantien: Daten können sich verschieben, und wiederholte Modellauswahl kann auch zu einer Überanpassung an die Validierungsergebnisse führen. Entscheidend ist ein disziplinierter Vergleich anhand von Belegen. Komplexität ist nur dann gerechtfertigt, wenn sie die Leistung auf Daten verbessert, die die Auswahl nicht beeinflusst haben.

Bewerten Sie Klassifikatoren danach, welche Fehler sich Ihre Anwendung leisten kann.

Genauigkeit kann Versagen verschleiern. Im MNIST-Beispiel war nur etwa jedes zehnte Bild eine handgeschriebene Fünf. Ein Klassifikator, der stets mit „keine Fünf“ antwortete, erreichte deshalb rund 90 Prozent Genauigkeit, erkannte aber überhaupt keine Fünfen. Eine Konfusionsmatrix unterscheidet zwischen richtigen und falschen positiven und negativen Vorhersagen. Die Präzision gibt an, wie oft eine positive Vorhersage zutrifft; der Recall gibt an, wie viele der tatsächlich positiven Fälle das Modell findet. Der F1-Score kombiniert beide Werte, gewichtet sie aber zugunsten eines ausgewogenen Verhältnisses – was nicht unbedingt den Anforderungen einer konkreten Aufgabe entspricht.

Legen Sie den Entscheidungsschwellenwert bewusst fest. Der Score eines Klassifikators wird mit einem Schwellenwert verglichen. Ein höherer Schwellenwert steigert gewöhnlich die Präzision und senkt den Recall; ein niedrigerer bewirkt meist das Gegenteil. Das richtige Verhältnis hängt von den Kosten falscher Alarme und übersehener Fälle ab. ROC-Kurven vergleichen die Richtig-Positiv- und Falsch-Positiv-Raten; Präzisions-Recall-Kurven sind besonders aufschlussreich, wenn positive Beispiele selten sind. Bei Mehrklassenaufgaben lassen sich One-vs-Rest- oder One-vs-One-Klassifikatoren einsetzen, und Mehrfachlabel-Aufgaben können einem Beispiel mehrere Labels zuweisen.

Analyse

Der Klassifikator, der alles als „keine Fünf“ einstuft, macht eine allgemeine Falle sichtbar: Eine beeindruckende Kennzahl kann lediglich den Anteil der Mehrheitsklasse widerspiegeln, statt tatsächlichen Nutzen zu belegen. Präzision und Recall zwingen Entscheidungsträger dazu, die Folgen der verschiedenen Fehlerarten zu benennen. Das ist ein besserer Maßstab, als abstrakt einen hohen Wert zu fordern. Die Wahl des Schwellenwerts macht außerdem deutlich, dass Klassifikation teilweise eine politische Entscheidung ist und nicht bloß eine Eigenschaft des angepassten Modells. Die Kennzahlen des Buches helfen, Zielkonflikte zu quantifizieren; welche Fehler tolerierbar sind, müssen die Beteiligten dennoch selbst entscheiden.

Stimmen Sie klassische Algorithmen auf die Datenstruktur und Ihre Rahmenbedingungen ab.

Verschiedene Modelle setzen auf unterschiedliche Annahmen. Eine lineare Regression passt gewichtete Kombinationen von Merkmalen an; der Gradientenabstieg sucht nach Parametern, indem er sich wiederholt in Richtung geringerer Fehler bewegt. Support-Vektor-Maschinen suchen eine möglichst breite trennende Marge, und Kernel ermöglichen die Darstellung nichtlinearer Grenzen, ohne jedes transformierte Merkmal explizit zu konstruieren. Entscheidungsbäume bilden leicht verständliche Abfolgen von Merkmalsprüfungen, können jedoch instabil sein und überanpassen, wenn sie nicht eingeschränkt werden. Random Forests mitteln viele unterschiedlich aufgebaute Bäume und verbessern dadurch oft die Verallgemeinerungsfähigkeit. Jede Methode bringt Annahmen und Rechenkosten mit sich. Vergleichen Sie daher plausible Kandidaten, statt einen universellen Sieger zu erwarten.

Reduzieren Sie die Dimensionen nur mit einem klaren Zweck. Die Hauptkomponentenanalyse (PCA) projiziert Daten auf Richtungen, die möglichst viel Varianz erhalten. Bei MNIST lässt sich die Zahl der 784 Pixelmerkmale auf etwas mehr als 150 reduzieren, wenn etwa 95 Prozent der Varianz erhalten bleiben. Das kann Rechen- und Speicheraufwand verringern, zugleich aber Informationen verlieren, die für die konkrete Aufgabe wichtig sind. Nichtlineare Verfahren wie Locally Linear Embedding können gekrümmte Datenstrukturen entrollen, sind jedoch möglicherweise schlecht skalierbar. Bewerten Sie die Dimensionsreduktion anhand der nachfolgenden Aufgabe, nicht allein danach, wie ansprechend die Darstellung aussieht.

Analyse

Der Überblick über Algorithmen im Buch ist vor allem als Karte möglicher Zielkonflikte wertvoll, nicht als Rangliste. Bäume sind gut interpretierbar und erfordern wenig Vorverarbeitung; Margenmethoden und Ensembles bieten möglicherweise ein anderes Vorhersageverhalten und bringen andere Rechenkosten mit sich. Das Varianzkriterium der PCA ist elegant, doch Varianz ist nicht dasselbe wie Relevanz für ein Ziel. Auch ein Merkmal mit insgesamt geringer Streuung kann eine seltene, aber wichtige Klasse unterscheiden. Die Modellauswahl profitiert daher sowohl von Fachwissen als auch von Validierung – besonders dann, wenn die scheinbare Struktur eines Datensatzes nicht der zu treffenden Entscheidung entspricht.

Nutzen Sie Deep Learning, wenn Datenstruktur und Umfang spezialisierte Netze begünstigen.

Tiefe ist nützlich, wenn sich Muster zusammensetzen. Ein mehrschichtiges Perzeptron kombiniert gelernte Merkmale über mehrere Schichten hinweg, und die Backpropagation passt seine Verbindungen an, indem sie Fehlergradienten rückwärts durch das Netzwerk weiterleitet. Tiefe Netze können einfache Muster wiederverwenden, um komplexere aufzubauen, benötigen jedoch ausreichend Daten und Rechenleistung. Im MNIST-Beispiel des Buches erreichte ein vollständig verbundenes Netzwerk eine Genauigkeit von etwa 98,18 Prozent. Bei Bildaufgaben verwenden Faltungsneuronale Netzwerke lokale Verbindungen und gemeinsam genutzte Filter. Dadurch kann ein gelerntes visuelles Muster an verschiedenen Stellen eines Bildes erkannt werden, und zwar mit deutlich weniger Parametern als bei einem vollständig verbundenen Aufbau.

Statten Sie Sequenzen mit Gedächtnis aus. Rekurrente neuronale Netze tragen Informationen über Zeitschritte hinweg weiter und eignen sich deshalb für Zeitreihen, Text und Audio. Long-Short-Term-Memory-Zellen (LSTM-Zellen) steuern mithilfe von Gates, welche Informationen erhalten, verworfen oder ausgegeben werden. So können Informationen über längere Zeiträume bewahrt werden. Autoencoder lernen komprimierte Repräsentationen, indem sie ihre Eingaben rekonstruieren; Einschränkungen wie eine schmale Kodierungsschicht oder verrauschte Eingaben machen daraus mehr als bloßes Kopieren. Sie können zum Erlernen von Merkmalen, zur Dimensionsreduktion und zur Generierung eingesetzt werden.

Analyse

Architekturen kodieren Annahmen über die Daten. Faltungen setzen voraus, dass benachbarte Pixel gemeinsam relevant sind und nützliche Muster sich im Bild wiederholen können; rekurrente Netze gehen davon aus, dass die Reihenfolge einer Sequenz und ein mitgeführter Zustand wichtig sind. Diese Annahmen sind induktive Biases – nützliche Vorannahmen, die das Lernen verbessern können, wenn sie zur Aufgabe passen. Sie können aber auch in die Irre führen, wenn die Daten ihnen widersprechen. Die praktische Frage lautet nicht, ob Deep Learning leistungsfähig ist, sondern ob seine Struktur, sein Datenbedarf und sein Rechenaufwand für das Problem gerechtfertigt sind.

Stabilisieren Sie das Training tiefer Netze, bevor Sie weitere Schichten oder Daten hinzufügen.

Sorgen Sie dafür, dass Gradienten nutzbar bleiben. In tiefen Netzen können Gradienten beim Durchlaufen der Schichten gegen null schrumpfen oder unkontrolliert anwachsen. Xavier- und He-Initialisierung legen die anfänglichen Gewichte so fest, dass Signale und Gradienten in einem nützlichen Wertebereich bleiben. ReLU-Varianten verringern die Sättigung, während Batch Normalization Eingaben in den Schichten neu zentriert und skaliert. Gradient Clipping begrenzt übermäßig große Aktualisierungen. Adam kombiniert adaptive Schrittweiten mit einer laufenden Erfassung vergangener Gradienten und trainiert oft schneller als der einfache Gradientenabstieg.

Beugen Sie Überanpassung vor und verwenden Sie Bewährtes wieder. Dropout deaktiviert während des Trainings vorübergehend einzelne Einheiten und soll das Netzwerk dazu anregen, sich nicht auf eine kleine Auswahl von Verbindungen zu verlassen. Early Stopping, Gewichtsregularisierung und Datenaugmentation bieten weitere Möglichkeiten zur Kontrolle. Beim Transferlernen werden untere Schichten eines Modells wiederverwendet, das für eine verwandte Aufgabe trainiert wurde; dadurch sinken oft der Bedarf an gekennzeichneten Daten und die Trainingszeit. Diese Verfahren beheben unterschiedliche Fehlerquellen. Es sind Werkzeuge, die man erproben sollte, keine bloßen Verzierungen, die Verbesserungen garantieren.

Analyse

Diese Sammlung von Verfahren spiegelt eine allgemeinere Erkenntnis aus der numerischen Optimierung wider: Der Weg zu einer guten Lösung hängt von Maßstab, Rauschen und Geometrie der Zielfunktion ab, nicht allein von der Modellgröße. Initialisierung, Normalisierung, Optimierer und Regularisierung prägen diesen Weg jeweils auf eigene Weise. Auch ihr Zusammenspiel ist wichtig, weshalb ein Rezept, das bei einem Datensatz funktioniert, bei einem anderen scheitern kann. Die praktischen Standardwerte des Buches sind nützliche Ausgangspunkte, doch letztlich entscheidet die Validierung. Ein kompliziertes Trainingssystem kann die Fehlersuche erschweren, wenn alle Komponenten gleichzeitig geändert werden.

Trainieren Sie Agenten anhand der Folgen, wenn Handlungen künftige Belohnungen verändern.

Lernen durch Handeln unterscheidet sich vom Lernen anhand von Labels. Beim bestärkenden Lernen beobachtet ein Agent eine Umgebung, wählt Handlungen und erhält Belohnungen oder Strafen. Er lernt eine Policy – eine Regel dafür, welche Handlung in einem Zustand zu wählen ist –, indem er zwischen Erkunden und der Nutzung seines bisherigen Wissens abwägt. Bei CartPole entscheidet ein neuronales Netz, ob es nach links oder rechts stoßen soll, um einen Stab aufrecht zu halten. Da Belohnungen möglicherweise erst nach vielen Handlungen eintreffen, muss der Agent das Problem der Kreditzuweisung lösen: Er muss einschätzen, welche früheren Entscheidungen zu einem Ergebnis beigetragen haben. Bei diskontierten Belohnungen zählen nähere Ergebnisse stärker als weiter entfernte.

Lernen Sie aus Erfahrungen, Werte abzuschätzen. Policy-Gradienten passen die Wahrscheinlichkeiten für Handlungen so an, dass Handlungen mit besseren Erträgen wahrscheinlicher werden. Q-Learning schätzt den künftigen Wert von Handlungen. Bei großen Problemen wie Ms. Pac-Man schätzt ein Deep-Q-Netzwerk (DQN) diese Werte anhand von Bildschirmbildern. Ein Wiedergabespeicher (Replay Memory) speichert frühere Erfahrungen aus Zustand, Handlung, Belohnung und Folgezustand und zieht daraus Stichproben für das Training. So wird die Abhängigkeit von stark miteinander korrelierten, aufeinanderfolgenden Beobachtungen verringert.

Analyse

Bestärkendes Lernen ist reizvoll, weil es Wahrnehmung, Entscheidung und Folgen in einer einzigen Lernschleife verbindet. Gerade diese Eigenschaft macht es schwierig: Die Gestaltung der Belohnung bestimmt, was als „gut“ gilt, und eine schlecht gewählte Belohnung kann Verhalten fördern, das zwar die Kennzahl erfüllt, aber die eigentliche Absicht verfehlt. Auch Erkundung ist kostspielig, wenn Fehler Menschen, Geräte oder Geld schädigen können. Simulierte Umgebungen können Experimente sicherer und schneller machen. Doch eine Policy, die in einer Simulation erfolgreich ist, hängt weiterhin davon ab, ob die simulierte Welt die wichtigen Eigenschaften der Wirklichkeit erfasst.

Ein Modell ist erst fertig, wenn seine Leistung im laufenden Betrieb überwacht wird.

Der Einsatz verändert die Aufgabe. Ein trainiertes Modell muss Eingaben aus dem Produktivbetrieb im erwarteten Format erhalten, Tests bestehen und Ausgaben erzeugen, die nachgelagerte Systeme verwenden können. Eine Datenpipeline kann Komponenten modular gestalten, doch wenn ein vorgelagerter Schritt ausfällt, laufen nachgelagerte Systeme möglicherweise mit veralteten Informationen weiter. Die Überwachung sollte deshalb sowohl Vorhersagen als auch die Qualität der Eingaben umfassen. Die Genauigkeit eines Modells kann sinken, wenn sich die Welt verändert, selbst wenn sein Code unverändert bleibt.

Planen Sie die Wartung ein. Ziehen Sie Vorhersagen stichprobenartig zur Bewertung heran, beziehen Sie menschliche Prüfer ein, wenn Labels oder fachliche Urteile nötig sind, und richten Sie Warnmeldungen ein, sobald die Leistung nachlässt. Automatisieren Sie bei Bedarf das erneute Training mit neuen Daten, bewahren Sie Prüfpunkte auf und halten Sie einen Weg bereit, zu einem zuvor zuverlässigen Modell zurückzukehren. Die praktische Schlussfolgerung des Buches lautet: Datenaufbereitung, Bewertung, Dokumentation, Überwachung und erneutes Training beanspruchen oft ebenso viel Aufmerksamkeit wie die Auswahl des Lernalgorithmus.

Analyse

Das Kapitel zum Produktiveinsatz weist die Vorstellung zurück, ein Modell sei ein fertiges Artefakt. Treffender ist es, das Modell als eine Komponente in einem sich verändernden soziotechnischen System zu verstehen, in dem Datenquellen, Nutzer und nachgelagerte Entscheidungen die Ergebnisse beeinflussen. Die Überwachung der Eingabeverteilungen kann Probleme sichtbar machen, bevor sich eine verzögert messbare Genauigkeit verschlechtert; menschliche Prüfung kann Fehler aufdecken, die Kennzahlen nicht abbilden. Dem steht der betriebliche Aufwand gegenüber: Häufiges erneutes Training ohne sorgfältige Bewertung kann Rückschritte verursachen. Für die Wartung braucht es eine klar zugewiesene Verantwortung, nicht bloß einen zeitgesteuerten Auftrag.

Analyse

Das Buch führt praxisorientiert von der Frage „Was bedeutet es, dass ein System lernt?“ bis zu den Anforderungen, ein lernendes System dauerhaft nützlich zu halten. Sein stärkster roter Faden ist die Erkenntnis, dass Algorithmen nur einen Teil des maschinellen Lernens ausmachen. Die einleitenden Unterscheidungen zwischen überwachtem, unüberwachtem, halbüberwachtem, Online- und bestärkendem Lernen schaffen eine Begriffsbasis, um die passende Problemformulierung zu wählen. Die anschließende Übung mit den kalifornischen Wohnungsdaten überführt diese Begriffe in einen Arbeitsablauf und zeigt, wie geschäftliche Ziele, explorative Datenanalyse, Merkmalsaufbereitung, Kreuzvalidierung, Modellvergleich und Einsatz zusammenwirken.

Der beständigste konzeptuelle rote Faden ist die Verallgemeinerung. Das Buch stellt wiederholt die Leistung eines Modells bei bereits gesehenen Beispielen seinem Verhalten bei neuen Fällen gegenüber. Dadurch verknüpft es die Repräsentativität der Daten, Überanpassung, Regularisierung, Validierung, die Wahl von Kennzahlen und die Überwachung im Produktivbetrieb. Besonders wirkungsvoll ist die Darstellung konkreter Fehlschläge, die eine trügerisch beruhigende Zahl entlarven: ein Baum mit null Trainingsfehlern, ein Klassifikator mit hoher Genauigkeit, der die seltene Klasse nie erkennt, oder eine Umfrage mit Millionen von Einladungen, deren Stichprobe dennoch schlecht gewählt ist.

Der zweite große Themenstrang ist die Struktur. Lineare Modelle, Bäume, SVM-Kernel, Dimensionsreduktion, Faltungsnetze, rekurrente Netze und Autoencoder werden als unterschiedliche Möglichkeiten vorgestellt, Muster darzustellen und das Lernen einzuschränken. Die Lehre lautet nicht, dass immer aufwendigere Modelle grundsätzlich besser seien. Vielmehr können nützliche Annahmen über Merkmalsbeziehungen, räumliche Nähe, Sequenzen oder latente Repräsentationen das Lernen effizienter machen – zugleich bringt jede Annahme Einschränkungen mit sich.

Der praxisorientierte Stil des Buches ist eine Stärke, besonders für Leser, die durch das Ausführen von Code lernen. Die TensorFlow-Beispiele von 2017 hängen jedoch von einer älteren API und Softwareumgebung ab. Wer Code wiederverwenden möchte, sollte die konzeptuellen Erkenntnisse zu Architektur, Optimierung und Bewertung beibehalten und zuvor die aktuellen Schnittstellen der Bibliotheken prüfen. Das Buch eignet sich daher am besten als dauerhaft hilfreicher konzeptueller Wegweiser, nicht als aktuelles Nachschlagewerk oder als Garantie dafür, dass ein bestimmter Benchmarkwert auf einen neuen Datensatz übertragbar ist.

Zusammenfassung in 30 Sekunden
Maschinelles Lernen ist erfolgreich, wenn die Trainingsdaten die Fälle abbilden, mit denen ein Modell umgehen muss; mehr Beispiele können eine verzerrte Stichprobenauswahl nicht beheben. Erstellen Sie eine reproduzierbare Pipeline, vergleichen Sie Modelle anhand zurückgehaltener Daten und wählen Sie die Komplexität mit Blick auf die Generalisierung statt auf perfekte Trainingswerte. Die Genauigkeit eines Klassifikators kann übersehene seltene Fälle verbergen. Legen Sie daher Schwellenwerte entsprechend den Fehlerkosten fest. Spezialisierte Netzwerke nutzen die Struktur von Bildern und Sequenzen, während stabiles Training, Überwachung im Produktivbetrieb und erneutes Training dazu beitragen, dass Modelle auch bei veränderten Bedingungen nützlich bleiben.
Enthält Spoiler

Zuletzt aktualisiert:

Problem melden

Rezensionsübersicht

4.55 von 5
Durchschnitt von 2.000+ Bewertungen von Goodreads und Amazon.

Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow wird weithin als hervorragende Einführung in das maschinelle Lernen gelobt. Leser schätzen die umfassende Themenbehandlung, die praxisnahen Beispiele und das ausgewogene Verhältnis von Theorie und Anwendung. Das Buch wird für seine klaren Erklärungen, praktischen Übungen und den Einsatz beliebter Frameworks gelobt. Viele halten es für die beste Ressource für Anfänger und Lernende mit mittleren Vorkenntnissen im Bereich des maschinellen Lernens. Auch wenn manche die Abschnitte zum Deep Learning anspruchsvoll finden, sind sich die meisten einig, dass es ein unverzichtbares Nachschlagewerk für alle ist, die sich für maschinelles Lernen interessieren.

Ihre Bewertung:
4.74
335 Bewertungen
Möchten Sie das vollständige Buch lesen?

Glossar

Überanpassung (Overfitting)

Auswendiglernen von Eigenheiten der Trainingsdaten

Eine Überanpassung tritt auf, wenn ein Modell seine Trainingsbeispiele sehr genau abbildet, einschließlich Rauschen oder zufälliger Muster, aber bei unbekannten Fällen schlecht abschneidet. Ein Polynom hohen Grades oder ein unbeschränkter Entscheidungsbaum kann einen sehr niedrigen Trainingsfehler erzielen und dennoch schlecht generalisieren. Repräsentativere Daten, einfachere Modelle, Regularisierung und Validierung können helfen, das Problem zu erkennen oder zu verringern.

Kreuzvalidierung

wiederholte Tests mit zurückgehaltenen Daten

Bei der Kreuzvalidierung wird die Modellleistung geschätzt, indem die Trainingsdaten in mehrere Faltungen unterteilt werden. Das Modell wird jeweils auf allen bis auf eine Faltung trainiert und anschließend anhand der zurückgehaltenen Faltung ausgewertet; bei den verschiedenen Durchläufen wird die zurückgehaltene Faltung gewechselt. Die resultierenden Werte helfen dabei, Modelle zu vergleichen und Hyperparameter abzustimmen, ohne wiederholt den abschließenden Testsatz zu verwenden.

Merkmalskonstruktion (Feature Engineering)

Entwurf nützlicher Eingaben

Merkmalskonstruktion ist der Prozess, Eingabevariablen auszuwählen, umzuwandeln, zu kombinieren oder zu erstellen, damit ein Lernalgorithmus Muster leichter erkennen kann. Im Beispiel mit Wohnungsdaten aus Kalifornien waren Verhältnisse wie die Zimmerzahl pro Haushalt und die Schlafzimmerzahl pro Zimmer informativer als einige der Rohzählwerte. Merkmalskonstruktion kann ein Modell verbessern, muss aber auf neue Daten konsistent angewendet werden.

Gradientenabstieg

iterative Minimierung des Fehlers

Der Gradientenabstieg passt Modellparameter in die Richtung an, in der eine Kostenfunktion sinkt. Beim Batch-Gradientenabstieg werden für jede Aktualisierung alle Trainingsbeispiele verwendet, beim stochastischen Gradientenabstieg ein einzelnes Beispiel und beim Mini-Batch-Gradientenabstieg eine kleine Gruppe. Lernrate und Skalierung der Merkmale beeinflussen, ob das Training schnell, langsam oder instabil verläuft.

Support-Vektor-Maschine

Klassifikator mit maximalem Rand

Eine Support-Vektor-Maschine klassifiziert Daten, indem sie eine Entscheidungsgrenze mit einem großen Abstand zwischen den Klassen sucht. Die Trainingsbeispiele, die dieser Grenze am nächsten liegen, sind die Support-Vektoren und bestimmen ihre Lage. Einstellungen mit weichem Rand lassen einige Verletzungen zu, während Kernel-Funktionen nichtlineare Entscheidungsgrenzen ermöglichen, ohne jedes transformierte Merkmal explizit zu erstellen.

Faltungsneuronales Netzwerk

gemeinsam genutzte Filter für räumliche Daten

Ein faltungsneuronales Netzwerk verwendet lokale Verbindungen und gemeinsam genutzte Filter, um Muster in einem Bild oder einer anderen strukturierten Eingabe zu erkennen. Frühe Schichten können einfache lokale Merkmale erkennen, während spätere Schichten diese zu komplexeren Mustern kombinieren. Durch das Teilen von Gewichten sinkt die Parameterzahl, und dasselbe gelernte Merkmal kann an verschiedenen Positionen erkannt werden.

Long-Short-Term-Memory-Zelle (LSTM-Zelle)

Sequenzgedächtnis mit Steuerung durch Tore

Eine Long-Short-Term-Memory-Zelle ist eine Einheit eines rekurrenten neuronalen Netzwerks, die nützliche Informationen über mehrere Sequenzschritte hinweg bewahren soll. Ihre Eingabe-, Vergessens- und Ausgabetore steuern, welche Informationen in den Speicher geschrieben, beibehalten und ausgegeben werden. Diese Steuerung hilft bei der Schwierigkeit, die einfache rekurrente Netzwerke haben, Abhängigkeiten über lange Sequenzen hinweg zu lernen.

Wiedergabespeicher (Replay Memory)

Puffer vergangener Erfahrungen

Ein Wiedergabespeicher enthält die vergangenen Erfahrungen eines Agenten, typischerweise einschließlich des aktuellen Zustands, der Aktion, der Belohnung und des nächsten Zustands. Während des Trainings zieht der Lernalgorithmus eine Stichprobe aus diesem Puffer, statt sich ausschließlich auf die neuesten, aufeinanderfolgenden Erfahrungen zu stützen. So wird der Einfluss stark korrelierter Beobachtungen verringert und das Lernen aus früheren Interaktionen unterstützt.

Deep-Q-Netzwerk (DQN)

Neuronales Netzwerk zur Bewertung von Aktionen

Ein Deep-Q-Netzwerk schätzt anhand eines beobachteten Zustands den zukünftigen Wert möglicher Aktionen und verwendet dafür ein neuronales Netzwerk, um Q-Werte näherungsweise zu bestimmen. Es erweitert Q-Learning auf Probleme mit zu vielen möglichen Zuständen für eine Nachschlagetabelle, etwa ein Atari-Spiel, das durch Bilder dargestellt wird. Im Beispiel des Buchs wird es mit Exploration, einem Wiedergabespeicher und periodisch kopierten Netzwerken kombiniert.

FAQ

Worum geht es in Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow?

  • Praxisnaher Leitfaden: Das Buch bietet einen praxisorientierten Einstieg ins maschinelle Lernen und konzentriert sich auf Anwendungen mit Scikit-Learn und TensorFlow.
  • Umfassende Themenbehandlung: Es behandelt ein breites Themenspektrum, darunter sowohl traditionelles maschinelles Lernen als auch Deep-Learning-Verfahren.
  • Anwendungen in der Praxis: Der Autor Aurélien Géron führt zahlreiche Beispiele und Übungen an, mit denen sich Konzepte auf reale Szenarien anwenden lassen.

Warum sollte ich Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow lesen?

  • Für Anfänger geeignet: Das Buch richtet sich an Leser mit unterschiedlichen Kenntnisständen und ist für Anfänger zugänglich, bietet aber auch fortgeschrittenen Nutzern genügend Tiefe.
  • Aktuelle Inhalte: Es behandelt die neuesten Entwicklungen im maschinellen Lernen und Deep Learning und soll dadurch relevant und aktuell bleiben.
  • Praktische Übungen: Jedes Kapitel enthält Übungen, die das Gelernte festigen und es den Lesern ermöglichen, das Wissen sofort anzuwenden.

Welche zentralen Erkenntnisse vermittelt Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow?

  • Grundlegende Konzepte: Leser lernen wesentliche Konzepte des maschinellen Lernens kennen, darunter überwachtes und unüberwachtes Lernen, Modellbewertung und Merkmalskonstruktion.
  • Praktische Umsetzung: Das Buch zeigt anhand von Codebeispielen und ausführlichen Erklärungen, wie sich Modelle für maschinelles Lernen mit Scikit-Learn und TensorFlow implementieren lassen.
  • Fortgeschrittene Verfahren: Es führt in anspruchsvolle Themen wie Deep Learning, bestärkendes Lernen und Autoencoder ein und vermittelt den Lesern ein breites Kompetenzspektrum.

Welche Zitate aus Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow sind besonders bemerkenswert, und was bedeuten sie?

  • „Maschinelles Lernen ist die Wissenschaft (und Kunst), Computer so zu programmieren, dass sie aus Daten lernen können.“: Das Zitat hebt hervor, dass maschinelles Lernen sowohl eine wissenschaftliche Disziplin als auch ein kreativer Prozess ist.
  • „Stürzen Sie sich nicht zu hastig in tiefe Gewässer.“: Es rät dazu, zuerst die grundlegenden Konzepte zu beherrschen, bevor man sich anspruchsvollen Themen wie Deep Learning zuwendet.
  • „Müll rein, Müll raus.“: Das Zitat unterstreicht die entscheidende Bedeutung der Datenqualität für maschinelles Lernen.

Wie definiert Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow Überanpassung und Unteranpassung?

  • Überanpassung (Overfitting): Tritt auf, wenn ein Modell die Trainingsdaten zu genau lernt und dabei Rauschen und Ausreißer erfasst, was zu einer schlechten Generalisierung auf ungesehenen Daten führt.
  • Unteranpassung: Tritt auf, wenn ein Modell zu einfach ist, um die zugrunde liegenden Muster in den Daten zu erfassen, sodass es sowohl auf dem Trainings- als auch auf dem Testsatz schlecht abschneidet.
  • Das richtige Gleichgewicht: Das Buch stellt Strategien vor, mit denen sich ein angemessenes Gleichgewicht zwischen Über- und Unteranpassung erreichen lässt.

Worin besteht der Unterschied zwischen überwachtem und unüberwachtem Lernen in Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow?

  • Überwachtes Lernen: Dabei wird ein Modell anhand beschrifteter Daten trainiert, bei denen die gewünschten Ausgaben bekannt sind. Es kommt bei Aufgaben wie Klassifikation und Regression zum Einsatz.
  • Unüberwachtes Lernen: Es befasst sich mit unbeschrifteten Daten, in denen das Modell Muster oder Gruppierungen erkennt, ohne die Ergebnisse vorher zu kennen.
  • Anwendungsbereiche: Überwachtes Lernen wird verwendet, wenn Beschriftungen vorliegen; unüberwachtes Lernen dient der explorativen Datenanalyse.

Wie erläutert Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow das Konzept der Merkmalskonstruktion?

  • Definition: Merkmalskonstruktion bezeichnet den Prozess, Merkmale aus Rohdaten auszuwählen, zu verändern oder neu zu erstellen, um die Modellleistung zu verbessern.
  • Bedeutung: Gute Merkmale können die Genauigkeit eines Modells deutlich steigern, während ungeeignete Merkmale zu einer suboptimalen Leistung führen können.
  • Verfahren: Das Buch behandelt Verfahren wie Normalisierung, die Kodierung kategorialer Variablen und das Erstellen von Interaktionsmerkmalen.

Was versteht man laut Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow unter dem Fluch der Dimensionalität?

  • Herausforderungen hochdimensionaler Räume: Gemeint sind Phänomene, die bei der Analyse von Daten in hochdimensionalen Räumen auftreten und dazu führen, dass Datenpunkte dünn verteilt sind.
  • Auswirkungen auf die Modellleistung: Modelle können wegen Überanpassung Schwierigkeiten mit der Generalisierung haben, da Trainingsbeispiele dünn verteilt und weit voneinander entfernt sind.
  • Bedarf an Dimensionsreduktion: Das Buch betont, wie wichtig Verfahren zur Dimensionsreduktion sind, um diesen Problemen entgegenzuwirken.

Wie behandelt Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow neuronale Netzwerke?

  • Einführung in neuronale Netzwerke: Das Buch vermittelt ein grundlegendes Verständnis ihrer Struktur und erklärt, wie sie aus Daten lernen.
  • Frameworks für Deep Learning: Es legt den Schwerpunkt auf den Einsatz von TensorFlow zum Erstellen und Trainieren neuronaler Netzwerke und enthält dazu praxisnahe Beispiele.
  • Trainingsverfahren: Behandelt werden unter anderem Backpropagation und Optimierungsalgorithmen für ein effektives Training.

Welche Haupttypen neuronaler Netzwerke werden in Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow behandelt?

  • Mehrschichtige Perzeptronen (MLPs): Grundlegende Netzwerke mit mehreren Neuronenschichten, die komplexe Funktionen lernen können.
  • Faltungsneuronale Netzwerke (CNNs): Sie sind für die Verarbeitung gitterförmiger Daten wie Bildern ausgelegt und verwenden Faltungsschichten.
  • Rekurrente neuronale Netzwerke (RNNs): Sie eignen sich für Sequenzdaten und ermöglichen es, Informationen über mehrere Zeitschritte hinweg zu bewahren.

Was ist Transferlernen, und wie wird es in Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow umgesetzt?

  • Konzept des Transferlernens: Dabei wird ein vortrainiertes Modell für eine neue, aber verwandte Aufgabe wiederverwendet, wodurch sich Trainingszeit und Datenbedarf verringern.
  • Umsetzungsschritte: Das Buch beschreibt Schritte wie das Einfrieren unterer Schichten und das Ersetzen der Ausgabeschicht, damit sie zur neuen Aufgabe passt.
  • Praxisbeispiele: Es zeigt, wie sich ein anhand eines großen Datensatzes trainiertes Modell zur Klassifikation eines kleineren Datensatzes verwenden lässt.

Wie behandelt Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow das Problem verschwindender und explodierender Gradienten?

  • Das Problem verstehen: Verschwindende Gradienten werden immer kleiner, während explodierende Gradienten übermäßig groß werden.
  • Vorgestellte Lösungen: Das Buch behandelt Lösungen wie eine geeignete Gewichtsinitialisierung und Aktivierungsfunktionen, die nicht sättigen.
  • Batch-Normalisierung: Batch-Normalisierung wird als Verfahren zur Bekämpfung dieser Probleme hervorgehoben, das ein stabiles Training ermöglicht.

Über den Autor

Aurélien Géron ist eine hoch angesehene Persönlichkeit auf dem Gebiet des maschinellen Lernens und der künstlichen Intelligenz. Dank seiner umfangreichen Branchenerfahrung, darunter Tätigkeiten bei Google und anderen namhaften Technologieunternehmen, bringt Géron praxisnahe Einblicke in seine Texte ein. Seine Erfahrung im Produktmanagement und in der KI-Entwicklung zeigt sich im Ansatz des Buchs, der Anwendungen in der Praxis betont. Gérons Fähigkeit, komplexe Konzepte verständlich zu erklären, hat ihn zu einem beliebten Autor in der ML-Community gemacht. Seine Arbeit ist dafür bekannt, ein ausgewogenes Verhältnis zwischen theoretischen Grundlagen und praktischer Umsetzung zu schaffen, und ist daher sowohl für Anfänger als auch für erfahrene Praktiker wertvoll.

PDF herunterladen

Lade das kostenlose PDF herunter, um die Zusammenfassung von Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow für später zu speichern. Du kannst es ausdrucken oder offline lesen, wann immer du möchtest.
Download PDF

EPUB herunterladen

Lade das kostenlose EPUB herunter, um die Zusammenfassung von Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow auf deinem E-Reader oder in einer Lese-App zu lesen. Das digitale Buchformat .epub eignet sich ideal zum Lesen auf Smartphones, Tablets und E-Readern.
Download EPUB
Möchten Sie das vollständige Buch lesen?
Folgen
Anhören
Start
Swipe
Biblio
App
3 Tage Vollzugriff testen
Anhören, speichern und mehr
Funktionen vergleichen Kostenlos Pro
📖 Zusammenfassungen lesen
Unbegrenzt Zusammenfassungen lesen. Kostenlose Nutzer erhalten 3 pro Monat
🎧 Zusammenfassungen anhören
Unbegrenzt Zusammenfassungen in 40 Sprachen anhören
—
❤️ Unbegrenzte Lesezeichen
Kostenlose Nutzer sind auf 4 begrenzt
—
📜 Unbegrenzter Verlauf
Kostenlose Nutzer sind auf 4 begrenzt
—
📥 Unbegrenzte Downloads
Kostenlose Nutzer sind auf 1 begrenzt
—
Risikofreier Zeitplan
Heute: Sofortzugang erhalten
Vollständige Zusammenfassungen von über 26.000 Büchern anhören. Das sind über 12.000 Stunden Audio!
Tag 2: Erinnerung an Testphase
Wir senden Ihnen eine Benachrichtigung, dass Ihre Testphase bald endet.
Tag 3: Ihr Abonnement beginnt
Die Abbuchung erfolgt am 24. Nov.,
vorher jederzeit kündbar.
Consume 2.8× More Books
2.8× weitere Bücher Hören Lesen
Unsere Nutzer lieben uns
1M+ Leser
Trustpilot Rating
TrustPilot
4.6 Hervorragend
Diese Seite ist ein absoluter Gamechanger. Ich habe noch nie so schnell Buchzusammenfassungen gelesen. Sehr, sehr empfehlenswert.
— Dave G
Das Geld und die Zeit absolut wert und wirklich gut gemacht. Eine solche Qualität von Zusammenfassungen habe ich auf anderen Websites noch nie gesehen. Sehr hilfreich!
— Em
Sehr empfehlenswert!! Fantastischer Service. Perfekt für alle, die mehr als einen Teaser möchten, aber nicht alle Details eines vollständigen Hörbuchs brauchen.
— Greg M
62 % sparen
Jährlich
$119.88 $44.99/Jahr/J.
$3.75/Mon.
Monatlich
$9.99/Mon.
3-tägige kostenlose Testphase starten
3 Tage kostenlos, dann $44.99/Jahr. Jederzeit kündbar.
Unlock a world of fiction & nonfiction books
26.000+ Bücher zum Preis von 2 Büchern
Lesen Sie jedes Buch in 10 Minuten
Entdecken Sie neue Bücher wie bei Tinder
Fordern Sie jedes Buch an, das noch nicht zusammengefasst ist
Lesen Sie mehr Bücher als jeder, den Sie kennen
Die Nr. 1 App für Buchliebhaber
Lifelike & immersive summaries
30-Tage-Geld-zurück-Garantie
Zusammenfassungen als EPUB oder PDF herunterladen
Jederzeit mit wenigen Klicks kündbar

Warum nur eine Zusammenfassung?

Scanner
Barcode zum Scannen finden

⭐
⭐
⭐
Wir haben ein besonderes Geschenk für Sie
Öffnen
38% Rabatt
RABATT FÜR DICH
⭐
⭐
⭐
$79.99
$49.99/Jahr
Nur $4.16 pro Monat
Weiter
Mit 2 Taps starten, ganz einfach kündigen
Einstellungen
Allgemein
Widget
Wird geladen...