Vorliegende Sprache |
ger |
Sprache d. Originals |
eng |
Hinweise auf parallele Ausgaben |
496859293 Erscheint auch als (Druck-Ausgabe): ‡Raschka, Sebastian: Machine Learning mit Python und Scikit-learn und TensorFlow |
ISBN |
978-3-95845-733-1 |
Name |
Raschka, Sebastian ¬[VerfasserIn]¬ |
Mirjalili, Vahid ¬[VerfasserIn]¬ |
ANZEIGE DER KETTE |
Mirjalili, Vahid ¬[VerfasserIn]¬ |
Name |
Lorenzen, Knut ¬[ÜbersetzerIn]¬ |
Einheitssachtitel |
Python machine learning |
T I T E L |
Machine Learning mit Python und Scikit-learn und TensorFlow |
Zusatz zum Titel |
das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics |
Auflage |
2., aktualisierte und erweiterte Auflage |
Verlagsort |
Frechen |
Verlag |
mitp |
Erscheinungsjahr |
2018 |
2018 |
Umfang |
1 Online-Ressource (577 Seiten) : Illustrationen, Diagramme |
Reihe |
mitp Professional |
Titelhinweis |
Erscheint auch als (Druck-Ausgabe): ‡Raschka, Sebastian: Machine Learning mit Python und Scikit-learn und TensorFlow |
ISBN |
ISBN 978-3-95845-734-8 |
Klassifikation |
006.31 |
005.133 |
ST 302 |
Kurzbeschreibung |
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. |
1. Schlagwortkette |
Maschinelles Lernen |
Datenanalyse |
Big Data |
Python 3.6 |
1. Schlagwortkette ANZEIGE DER KETTE |
Maschinelles Lernen -- Datenanalyse -- Big Data -- Python 3.6 |
2. Schlagwortkette |
Maschinelles Lernen |
Python <Programmiersprache> |
TensorFlow |
ANZEIGE DER KETTE |
Maschinelles Lernen -- Python -- TensorFlow |
SWB-Titel-Idn |
501690395 |
Signatur |
E-Book ProQuest |
Bemerkungen |
Elektronischer Volltext - Campuslizenz |
Elektronische Adresse |
$uhttps://ebookcentral.proquest.com/lib/fhzwickau/detail.action?docID=5210623&query=9783958457348 |
Internetseite / Link |
Volltext |