Further processing options
Machine Learning mit Python und Scikit-learn und TensorFlow: das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
Saved in:
| Erscheint auch als: | Raschka, Sebastian, Machine Learning mit Python und Scikit-learn und TensorFlow, 2., aktualisierte und erweiterte Auflage, Frechen : mitp, 2018, 577 Seiten |
|---|---|
| Other Editions: | Machine Learning mit Python und Scikit-learn und TensorFlow: das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics |
| Authors and Corporations: | , , |
| Title: | Machine Learning mit Python und Scikit-learn und TensorFlow: das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics/ Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen |
| Title of Work: | Python machine learning |
| Edition: | 2., aktualisierte und erweiterte Auflage |
| published: | |
| Physical Description: | 1 Online-Ressource (577 Seiten); Illustrationen, Diagramme |
| Part of: | mitp Professional |
| ISBN: | 9783958457348 |
| Summary: | Cover -- Titel -- Impressum -- Inhaltsverzeichnis -- Über die Autoren -- Über die Korrektoren -- Einleitung -- Kapitel 1: Wie Computer aus Daten lernen können -- 1.1 Intelligente Maschinen, die Daten in Wissen verwandeln -- 1.2 Die drei Arten des Machine Learnings -- 1.2.1 Mit überwachtem Lernen Vorhersagen treffen -- 1.2.2 Interaktive Aufgaben durch verstärkendes Lernen lösen -- 1.2.3 Durch unüberwachtes Lernen verborgene Strukturen erkennen -- 1.3 Grundlegende Terminologie und Notation -- 1.4 Entwicklung eines Systems für das Machine Learning -- 1.4.1 Vorverarbeitung: Daten in Form bringen -- 1.4.2 Trainieren und Auswählen eines Vorhersagemodells -- 1.4.3 Bewertung von Modellen und Vorhersage anhand unbekannter Dateninstanzen -- 1.5 Machine Learning mit Python -- 1.5.1 Python-Pakete installieren -- 1.5.2 Verwendung der Python-Distribution Anaconda -- 1.5.3 Pakete für wissenschaftliches Rechnen, Data Science und Machine Learning -- 1.6 Zusammenfassung -- Kapitel 2: Lernalgorithmen für die Klassifizierung trainieren -- 2.1 Künstliche Neuronen: Ein kurzer Blick auf die Anfänge des Machine Learnings -- 2.1.1 Formale Definition eines künstlichen Neurons -- 2.1.2 Die Perzeptron-Lernregel -- 2.2 Implementierung eines Perzeptron-Lernalgorithmus in Python -- 2.2.1 Eine objektorientierte Perzeptron-API -- 2.2.2 Trainieren eines Perzeptron-Modells auf die Iris-Datensammlung -- 2.3 Adaptive lineare Neuronen und die Konvergenz des Lernens -- 2.3.1 Straffunktionen mit dem Gradientenabstiegsverfahren minimieren -- 2.3.2 Implementierung eines adaptiven linearen Neurons in Python -- 2.3.3 Verbesserung des Gradientenabstiegsverfahrens durch Merkmalstandardisierung -- 2.3.4 Großmaßstäbliches Machine Learning und stochastisches Gradientenabstiegsverfahren -- 2.4 Zusammenfassung -- Kapitel 3: Machine-Learning-Klassifizierer mit scikit-learn verwenden. |
| Type of Resource: | E-Book |
| Source: | Verbunddaten SWB |
| Language: | German, English |