Hands-On Machine Learning with Scikit-Learn and TensorFlow¶
Das Standardwerk für praktisches Machine Learning. Géron führt von klassischen ML-Algorithmen (Scikit-Learn) bis zu Deep Learning (TensorFlow) — praxisorientiert, mit Python-Code, konzipiert für Hands-On-Implementierung.
Kernthesen¶
- Theorie folgt Praxis: Erst implementieren, dann verstehen — Code-First-Ansatz macht Konzepte greifbar.
- Zwei Welten: Klassisches ML (Regressionn, Random Forests, SVMs) für strukturierte Daten; Deep Learning (CNNs, RNNs) für unstrukturierte Daten (Bilder, Text, Sequenzen).
- Scikit-Learn als Fundament: Vor jedem Neural Net: klassisches ML ausschöpfen. Es ist schneller, erklärbarer und oft ausreichend.
Inhalt¶
| Teil | Thema |
|---|---|
| Teil I | The Fundamentals: Training-Pipelines, Regression, Classification, Support Vector Machines, Decision Trees, Random Forests, Ensemble Methods |
| Teil II | Deep Neural Networks: Backpropagation, Activation Functions, Regularization, Dropout |
| Teil III | Deep Learning in Practice: CNNs, RNNs, LSTM, Autoencoders |
Relevanz für Trading¶
- Time-Series-Vorhersage: RNNs und LSTMs sind Architektur der Wahl für sequentielle Marktdaten
- Feature Engineering: Random Forests und Gradient Boosting auf technische Indikatoren als Features
- Alpha-Suche: Klassifikationsprobleme (Up/Down morgen?) mit Cross-Validation und Out-of-Sample-Tests
Einordnung¶
Für quantitative Trader, die ML-Methoden direkt implementieren wollen. Ergänzt 2026-05-09_lopez_afml (Advances in Financial Machine Learning) — Prado ist theoretischer und finanz-spezifischer; Géron ist praktischer und algorithmisch breiter.
Links¶
- aurelien_geron — Autor
- [[machine_learning]] — Kerntechnologie
- [[quant_trading]] — Topic