Machine Learning – Die Referenz
Mit strukturierten Daten in Python arbeiten
- 246 Seiten
- German
- ePUB (handyfreundlich)
- Über iOS und Android verfügbar
Machine Learning – Die Referenz
Mit strukturierten Daten in Python arbeiten
Über dieses Buch
Das praktische Nachschlagewerk zum Machine Learning mit strukturierten DatenKonzentriert sich auf Themen, die für den praktizierenden Machine-Learning-Anwender interessant sindEnthält eine große Anzahl wertvoller Codebeispiele für strukturierte Daten, die in der Praxis konkret weiterhelfen/ul>Zeigt, wie verschiedene Bibliotheken zur Lösung praktischer Fragestellungen eingesetzt werdenDiese praktische Referenz ist eine Sammlung von Methoden, Ressourcen und Codebeispielen zur Lösung gängiger Machine-Learning-Probleme mit strukturierten Daten. Der Autor Matt Harrison hat einen wertvollen Leitfaden zusammengestellt, den Sie als zusätzliche Unterstützung während eines Machine-Learning-Kurses nutzen können oder als Nachschlagewerk, wenn Sie Ihr nächstes ML-Projekt mit Python starten.Das Buch ist ideal für Data Scientists, Softwareentwickler und Datenanalysten, die Machine Learning praktisch anwenden. Es bietet einen Überblick über den kompletten Machine-Learning-Prozess und führt Sie durch die Klassifizierung strukturierter Daten. Sie lernen dann unter anderem Methoden zur Modellauswahl, zur Regression, zur Reduzierung der Dimensionalität und zum Clustering kennen. Die Codebeispiele sind so kompakt angelegt, dass Sie sie für Ihre eigenen Projekte verwenden und auch gut anpassen können.
Häufig gestellte Fragen
Information
KAPITEL 1
Einleitung
Verwendete Bibliotheken
Inhaltsverzeichnis
- Cover
- Titel
- Impressum
- Inhalt
- Vorwort
- 1 Einleitung
- 2 Der Vorgang des maschinellen Lernens: Überblick
- 3 Klassifikation Schritt für Schritt: der Titanic-Datensatz
- 4 Fehlende Daten
- 5 Daten säubern
- 6 Erkunden
- 7 Daten vorverarbeiten
- 8 Merkmalsauswahl
- 9 Unausgeglichene Klassen
- 10 Klassifikation
- 11 Modellauswahl
- 12 Metriken und Beurteilung der Klassifikation
- 13 Interpretation von Modellen
- 14 Regression
- 15 Metriken und Bewertung der Regression
- 16 Interpretation von Regressionsmodellen
- 17 Dimensionsreduktion
- 18 Clustern
- 19 Pipelines
- Fußnoten
- Index