Vorliegende Sprache |
ger |
Sprache d. Originals |
eng |
Hinweise auf parallele Ausgaben |
1691592749 Erscheint auch als (Druck-Ausgabe): ‡Géron, Aurélien: Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow |
ISBN |
978-3-96009-124-0 |
Name |
Géron, Aurélien ¬[VerfasserIn]¬ |
Rother, Kristian ¬[ÜbersetzerIn]¬ |
ANZEIGE DER KETTE |
Rother, Kristian ¬[ÜbersetzerIn]¬ |
Name |
Demmig, Thomas ¬[ÜbersetzerIn]¬ |
Einheitssachtitel |
Hands-on machine learning with Scikit-Learn and TensorFlow |
T I T E L |
Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow |
Zusatz zum Titel |
Konzepte, Tools und Techniken für intelligente Systeme |
Weitere Titel |
Aktuell zu TensorFlow 2 |
Auflage |
2. Auflage |
Verlagsort |
Heidelberg |
Verlag |
O'Reilly |
Erscheinungsjahr |
[2020] |
2020 |
Umfang |
1 Online-Ressource (XXVII, 822 Seiten) : Illustrationen, Diagramme |
Titelhinweis |
Erscheint auch als (Druck-Ausgabe): ‡Géron, Aurélien: Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow |
Erscheint auch als (Druck-Ausgabe)ISBN: 978-3-96009-124-0 |
ISBN |
ISBN 978-3-96010-339-4 PDF |
ISBN 978-3-96010-340-0 ePub |
ISBN 978-3-96010-341-7 mobi |
Klassifikation |
006.31 |
004 |
ST 302 |
ST 304 |
Kurzbeschreibung |
Intro -- Inhalt -- Vorwort -- Teil I: Die Grundlagen des Machine Learning -- Kapitel 1: Die Machine-Learning-Umgebung -- Was ist Machine Learning? -- Warum wird Machine Learning verwendet? -- Anwendungsbeispiel -- Unterschiedliche Machine-Learning-Systeme -- Überwachtes/unüberwachtes Lernen -- Batch- und Online-Learning -- Instanzbasiertes versus modellbasiertes Lernen -- Die wichtigsten Herausforderungen beim Machine Learning -- Unzureichende Menge an Trainingsdaten -- Nicht repräsentative Trainingsdaten -- Minderwertige Daten -- Irrelevante Merkmale -- Overfitting der Trainingsdaten -- Underfitting der Trainingsdaten -- Zusammenfassung -- Testen und Validieren -- Hyperparameter anpassen und Modellauswahl -- Datendiskrepanz -- Übungen -- Kapitel 2: Ein Machine-Learning-Projekt von A bis Z -- Der Umgang mit realen Daten -- Betrachte das Gesamtbild -- Die Aufgabe abstecken -- Wähle ein Qualitätsmaß aus -- Überprüfe die Annahmen -- Beschaffe die Daten -- Erstelle eine Arbeitsumgebung -- Die Daten herunterladen -- Wirf einen kurzen Blick auf die Datenstruktur -- Erstelle einen Testdatensatz -- Erkunde und visualisiere die Daten, um Erkenntnisse zu gewinnen -- Visualisieren geografischer Daten -- Suche nach Korrelationen -- Experimentieren mit Kombinationen von Merkmalen -- Bereite die Daten für Machine-Learning- Algorithmen vor -- Aufbereiten der Daten -- Bearbeiten von Text und kategorischen Merkmalen -- Eigene Transformer -- Skalieren von Merkmalen -- Pipelines zur Transformation -- Wähle ein Modell aus und trainiere es -- Trainieren und Auswerten auf dem Trainingsdatensatz -- Bessere Auswertung mittels Kreuzvalidierung -- Optimiere das Modell -- Gittersuche -- Zufällige Suche -- Ensemble-Methoden -- Analysiere die besten Modelle und ihre Fehler -- Evaluiere das System auf dem Testdatensatz -- Nimm das System in Betrieb, überwache und warte es. |
1. Schlagwortkette |
Maschinelles Lernen |
Deep learning |
Neuronales Netz |
Programmbibliothek |
Python 3.0 |
TensorFlow |
Keras <Framework, Informatik> |
ANZEIGE DER KETTE |
Maschinelles Lernen -- Deep learning -- Neuronales Netz -- Programmbibliothek -- Python 3.0 -- TensorFlow -- Keras |
2. Schlagwortkette |
Keras <Framework, Informatik> |
ANZEIGE DER KETTE |
Keras |
3. Schlagwortkette |
TensorFlow |
ANZEIGE DER KETTE |
TensorFlow |
4. Schlagwortkette |
Künstliche Intelligenz |
ANZEIGE DER KETTE |
Künstliche Intelligenz |
SWB-Titel-Idn |
1727205251 |
Signatur |
E-Book ProQuest |
Bemerkungen |
Elektronischer Volltext - Campuslizenz |
Elektronische Adresse |
$uhttps://ebookcentral.proquest.com/lib/fhzwickau/detail.action?docID=6269650 |
Internetseite / Link |
Aggregator |