Machine Learning kompakt : Alles, was Sie wissen müssen /

Alles, was Sie über Machine Learning wissen müssen, auf nur 200 Seiten Von Support Vector Machines über Gradient Boosting und tiefe neuronale Netze bis hin zu unüberwachten Lernmethoden Zahlreiche Tipps und Empfehlungen für den praktischen Einsatz Sie möchten Machine Learning verstehen und daf...

Descripción completa

Detalles Bibliográficos
Clasificación:Libro Electrónico
Autor principal: Burkov, Andriy (Autor)
Formato: Electrónico eBook
Idioma:Alemán
Inglés
Publicado: Frechen : MITP Verlags GmbH & Co. KG, 2019.
Edición:1. Auflage.
Temas:
Machine learning.
Materials science > Data processing.
Apprentissage automatique.
Science des matériaux > Informatique.
Acceso en línea:Texto completo (Requiere registro previo con correo institucional)

MARC

LEADER 00000cam a2200000 i 4500
001 OR_on1107041958
003 OCoLC
005 20231017213018.0
006 m o d
007 cr cnu|||unuuu
008 190702s2019 gw o 000 0 ger d
040 |a N$T  |b eng  |e rda  |e pn  |c N$T  |d N$T  |d EBLCP  |d OCLCF  |d UMI  |d YDX  |d OCLCQ  |d CZL  |d OCLCQ  |d OCLCO  |d OCLCQ 
019 |a 1107447169  |a 1109957510 
020 |a 9783958459960  |q (electronic bk.) 
020 |a 395845996X  |q (electronic bk.) 
020 |a 9783958459977 
020 |a 3958459978 
020 |z 9783958459953 
029 1 |a AU@  |b 000071520016 
035 |a (OCoLC)1107041958  |z (OCoLC)1107447169  |z (OCoLC)1109957510 
037 |a CL0501000061  |b Safari Books Online 
041 1 |a ger  |h eng 
050 4 |a Q325.5 
082 0 4 |a 006.31  |2 23 
049 |a UAMI 
100 1 |a Burkov, Andriy,  |e author. 
245 1 0 |a Machine Learning kompakt :  |b Alles, was Sie wissen müssen /  |c Andriy Burkov. 
250 |a 1. Auflage. 
264 1 |a Frechen :  |b MITP Verlags GmbH & Co. KG,  |c 2019. 
300 |a 1 online resource 
336 |a text  |b txt  |2 rdacontent 
337 |a computer  |b c  |2 rdamedia 
338 |a online resource  |b cr  |2 rdacarrier 
588 0 |a Online resource; title from PDF title page (EBSCO, viewed July 11, 2019). 
505 0 |a Cover; Titel; Impressum; Vorwort zur deutschen Ausgabe; Vorwort; Einleitung; Wer sollte dieses Buch lesen?; Verwendung des Buchs; Einführung; Was ist Machine Learning?; Arten des Lernens; Überwachtes Lernen; Unüberwachtes Lernen; Teilüberwachtes Lernen; Reinforcement Learning; Funktionsweise des überwachten Lernens; Weshalb das Modell mit neuen Daten umgehen kann; Notation und Definitionen; Notation; Datenstrukturen; Summenschreibweise; Produktschreibweise; Mengenoperationen; Vektoroperationen; Funktionen; Max und Arg Max; Zuweisungsoperator; Ableitung und Gradient; Zufallsvariable 
505 8 |a Erwartungstreue SchätzerSatz von Bayes; Parameterschätzung; Parameter und Hyperparameter; Klassifikation und Regression; Modellbasiertes und instanzbasiertes Lernen; Shallow Learning und Deep Learning; Grundlegende Algorithmen; Lineare Regression; Problemstellung; Lösung; Logistische Regression; Problemstellung; Lösung; Entscheidungsbaum-Lernen; Problemstellung; Lösung; Support Vector Machine; Handhabung von Rauschen; Handhabung inhärenter Nichtlinearität; k-Nearest-Neighbors; Aufbau eines Lernalgorithmus; Bausteine eines Lernalgorithmus; Gradientenabstieg 
505 8 |a Wie Machine-Learning-Entwickler vorgehenBesonderheiten von Lernalgorithmen; Grundlegende Techniken; Merkmalserstellung; One-hot-Codierung; Binning; Normalisierung; Standardisierung; Handhabung fehlender Merkmale; Datenimputationsverfahren; Auswahl von Lernalgorithmen; Drei Mengen; Unteranpassung und Überanpassung; Regularisierung; Beurteilung der Leistung eines Modells; Wahrheitsmatrix; Genauigkeit und Trefferquote; Korrektklassifikationsrate; Kostensensitive Korrektklassifikationsrate; Fläche unter der ROC-Kurve; Abstimmung der Hyperparameter; Kreuzvalidierung 
505 8 |a Neuronale Netze und Deep LearningNeuronale Netze; Beispiel: mehrschichtiges Perzeptron; Neuronale Feedforward-Netzarchitektur; Deep Learning; Convolutional Neural Networks (CNNs); Rekurrente neuronale Netze (RNNs); Aufgaben und Lösungen; Kernel-Regression; Multi-Class-Klassifikation; One-Class-Klassifikation; Multi-Label-Klassifikation; Ensemble Learning; Boosting und Bagging; Random Forest; Gradient Boosting; Kennzeichnung von Sequenzen erlernen; Sequenz-zu-Sequenz-Lernen; Aktives Lernen; Teilüberwachtes Lernen; One-Shot Learning; Zero-Shot Learning; Fortgeschrittene Techniken 
505 8 |a Handhabung unausgewogener DatenmengenModelle kombinieren; Trainieren neuronaler Netze; Erweiterte Regularisierung; Handhabung mehrerer Eingaben; Handhabung mehrerer Ausgaben; Transfer Learning; Effizienz von Algorithmen; Unüberwachtes Lernen; Dichteschätzung; Clustering; k-Means-Clustering; DBSCAN und HDBSCAN; Anzahl der Cluster festlegen; Weitere Clustering-Algorithmen; Dimensionsreduktion; Hauptkomponentenanalyse; UMAP; Erkennung von Ausreißern; Weitere Formen des Lernens; Metric Learning; Ranking; Empfehlungen; Faktorisierungsmaschinen; Denoising Autoencoder 
520 |a Alles, was Sie über Machine Learning wissen müssen, auf nur 200 Seiten Von Support Vector Machines über Gradient Boosting und tiefe neuronale Netze bis hin zu unüberwachten Lernmethoden Zahlreiche Tipps und Empfehlungen für den praktischen Einsatz Sie möchten Machine Learning verstehen und dafür nicht unendlich viel Zeit aufwenden und Hunderte von Seiten lesen? Dann ist dieses Buch das richtige für Sie. Auf 200 Seiten bringt Andriy Burkov die wichtigsten Begriffe, Konzepte und Algorithmen des Machine Learnings auf den Punkt. Dabei vermittelt er nicht nur alle notwendigen theoretischen Grundlagen, sondern geht auch auf die praktische Anwendung der einzelnen Verfahren ein, ohne dabei die zugrundeliegenden mathematischen Gleichungen außer Acht zu lassen. Dieses Buch bietet einen leicht zugänglichen, programmiersprachenunabhängigen und trotz seiner Kürze umfassenden Einstieg ins Machine Learning. Aus dem Inhalt: Notation und mathematische Grundlagen Überwachtes, teilüberwachtes und unüberwachtes Lernen Grundlegende Lernalgorithmen: Lineare und logistische Regression Entscheidungsbäume Support Vector Machines k-Nearest-Neighbors Optimierung mittels Gradientenabstieg Merkmalserstellung und Handhabung fehlender Merkmale Auswahl des passenden Lernalgorithmus Bias, Varianz und das Problem der Unter- und Überanpassung Regularisierung, Bewertung eines Modells und Abstimmung der Hyperparameter Deep Learning mit CNNs, RNNs und Autoencodern Multi-Class-, One-Class- und Multi-Label-Klassifikation Ensemble Learning Clustering, Dimensionsreduktion und Erkennen von Ausreißern Selbstüberwachtes Lernen Wort-Embeddings, One-Shot und Zero-Shot Learning Stimmen zum Buch: »Burkov hat sich der äußerst nützlichen, aber unglaublich schwierigen Aufgabe angenommen, fast das gesamte Machine Learning auf 200 Seiten zusammenzufassen. Die Auswahl der Themen aus Theorie und Praxis ist gelungen und wird sich für Praktiker als nützlich erweisen. Das Buch bietet Lesern eine solide Einführung in das Fachgebiet.« -- Peter Norvig, Forschungsdirektor bei Google »Der Umfang der Themen, die das Buch auf 200 Seiten behandelt, ist verblüffend. [...] Wie der Autor die Kernkonzepte mit einigen wenigen Worten erklärt, gefällt mir ausnehmend gut. Das Buch wird nicht nur für Einsteiger sehr nützlich sein, sondern auch für alte Hasen, die von einer so breiten Sicht auf das Fachgebiet nur profitieren können.« -- Aurélien Géron, Senior Artificial Intelligence Engineer »Ich wünschte, es hätte ein s... 
590 |a O'Reilly  |b O'Reilly Online Learning: Academic/Public Library Edition 
650 0 |a Machine learning. 
650 0 |a Materials science  |x Data processing. 
650 6 |a Apprentissage automatique. 
650 6 |a Science des matériaux  |x Informatique. 
650 7 |a Machine learning.  |2 fast  |0 (OCoLC)fst01004795 
650 7 |a Materials science  |x Data processing.  |2 fast  |0 (OCoLC)fst01011960 
856 4 0 |u https://learning.oreilly.com/library/view/~/9783958459977/?ar  |z Texto completo (Requiere registro previo con correo institucional) 
938 |a ProQuest Ebook Central  |b EBLB  |n EBL6947733 
938 |a EBSCOhost  |b EBSC  |n 2179640 
938 |a YBP Library Services  |b YANK  |n 300675196 
994 |a 92  |b IZTAP 

Ejemplares similares