Machine Learning Kochbuch

Praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning

Chris Albon, Frank Langenau

• Verlag: O'Reilly
• Jahr: 2019
• ISBN:
  9783960103073
• Auflage: 1
• Thema: Informatik
• Thema: Data Mining

Python-Programmierer finden in diesem Kochbuch nahezu 200 wertvolle und jeweils in sich abgeschlossene Anleitungen zu Aufgabenstellungen aus dem Bereich des Machine Learning, wie sie für die tägliche Arbeit typisch sind – von der Vorverarbeitung der Daten bis zum Deep Learning.Entwickler, die mit Python und seinen Bibliotheken einschließlich Pandas und Scikit-Learn vertraut sind, werden spezifische Probleme erfolgreich bewältigen – wie etwa Daten laden, Text und numerische Daten behandeln, Modelle auswählen, Dimensionalität reduzieren und vieles mehr.Jedes Rezept enthält Code, den Sie kopieren, zum Testen in eine kleine Beispieldatenmenge einfügen und dann anpassen können, um Ihre eigenen Anwendungen zu konstruieren. Darüber hinaus werden alle Lösungen diskutiert und wichtige Zusammenhänge hergestellt. Dieses Kochbuch unterstützt Sie dabei, den Schritt von der Theorie und den Konzepten hinein in die Praxis zu machen. Es liefert das praktische Rüstzeug, das Sie benötigen, um funktionierende Machine-Learning-Anwendungen zu entwickeln.In diesem Kochbuch finden Sie Rezepte für: - Vektoren, Matrizen und Arrays- den Umgang mit numerischen und kategorischen Daten, Texten, Bildern sowie Datum und Uhrzeit- das Reduzieren der Dimensionalität durch Merkmalsextraktion oder Merkmalsauswahl- Modellbewertung und -auswahl- lineare und logistische Regression, Bäume und Wälder und k-nächste Nachbarn- Support Vector Machine (SVM), naive Bayes, Clustering und neuronale Netze- das Speichern und Laden von trainierten Modellen

KAPITEL 1

Vektoren, Matrizen und Arrays

1.0Einführung

Die Programmbibliothek NumPy bildet die Grundlage des Python-Stapels für maschinelles Lernen (auch als SciPy-Stapel bezeichnet). NumPy erlaubt effiziente Operationen auf Datenstrukturen, die in Projekten des maschinellen Lernens häufig vorkommen: Vektoren, Matrizen und Tensoren. Auch wenn NumPy nicht im Mittelpunkt dieses Buchs steht, werden Sie in den folgenden Kapiteln häufig auf diese Bibliothek stoßen. Dieses Kapitel behandelt die gebräuchlichsten NumPy-Operationen, mit denen Sie es in Workflows des maschinellen Lernens höchstwahrscheinlich zu tun haben werden.

1.1Einen Vektor erzeugen

Problem

Sie müssen einen Vektor erzeugen.

Lösung

Verwenden Sie NumPy, um ein eindimensionales Array anzulegen:

# Bibliothek laden

import numpy as np

# Einen Vektor als Zeile erstellen

vector_row = np.array([1, 2, 3])

# Einen Vektor als Spalte erstellen

vector_column = np.array([[1],

[2],

[3]])

Diskussion

Die Hauptdatenstruktur von NumPy ist das mehrdimensionale Array. Um einen Vektor zu erzeugen, legen wir einfach ein eindimensionales Array an. Vektoren lassen sich genau wie Arrays horizontal (d.h. als Zeilen) oder vertikal (d.h. als Spalten) darstellen.

Siehe auch

• Vectors, Math Is Fun (http://bit.ly/2FB5q1v)
• Euclidean vector, Wikipedia (http://bit.ly/2FtnRoL, https://de.wikipedia.org/wiki/Vektor)

1.2Eine Matrix erstellen

Problem

Es muss eine Matrix erstellt werden.

Lösung

Verwenden Sie NumPy, um ein zweidimensionales Array einzurichten:

# Bibliothek laden

import numpy as np

# Eine Matrix erstellen

matrix = np.array([[1, 2],

[1, 2],

[1, 2]])

Diskussion

Eine Matrix können Sie mit einem zweidimensionalen NumPy-Array erstellen. In der angegebenen Lösung enthält die Matrix drei Zeilen und zwei Spalten (eine Spalte mit Einsen und eine Spalte mit Zweien). Die Bibliothek NumPy bringt aber auch eine dedizierte matrix-Datenstruktur mit:

matrix_object = np.mat([[1, 2],

[1, 2],

[1, 2]])

matrix([[1, 2],

[1, 2],

[1, 2]])

Die matrix-Datenstruktur empfiehlt sich allerdings aus zwei Gründen nicht. Erstens stellen Arrays die De-facto-Standarddatenstruktur von NumPy dar, und zweitens gibt die große Mehrheit der NumPy-Operationen Arrays zurück und keine matrix-Objekte.

Siehe auch

• Matrix, Wikipedia (http://bit.ly/2Ftnevp)
• Matrix, Wolfram MathWorld (http://bit.ly/2Fut7IJ)

1.3Eine dünn besetzte Matrix erzeugen

Problem

Sie möchten Daten mit wenigen Werten ungleich null effizient darstellen.

Lösung

Erstellen Sie eine dünn besetzte Matrix:

# Bibliotheken laden

import numpy as np

from scipy import sparse

# Eine Matrix erstellen

matrix = np.array([[0, 0],

[0, 1],

[3...

Inhaltsverzeichnis

• Cover
• Titel
• Impressum
• Inhalt
• Einleitung
• 1 Vektoren, Matrizen und Arrays
• 2 Laden von Daten
• 3 Datenaufbereitung
• 4 Numerische Daten verarbeiten
• 5 Kategorische Daten behandeln
• 6 Text verarbeiten
• 7 Datum und Uhrzeit
• 8 Bilder verarbeiten
• 9 Verringerung der Dimensionalität durch Merkmalsextraktion
• 10 Dimensionalität durch Merkmalsauswahl reduzieren
• 11 Modellbewertung
• 12 Modellauswahl
• 13 Lineare Regression
• 14 Bäume und Wälder
• 15 K-nächste Nachbarn
• 16 Logistische Regression
• 17 Support Vector Machines
• 18 Naive Bayes-Klassifikatoren
• 19 Clustering
• 20 Neuronale Netze
• 21 Trainierte Modelle speichern und laden
• Fußnoten
• Index
• Über den Autor
• Kolophon