Machine Learning - Die Referenz /

Das praktische Nachschlagewerk zum Machine Learning mit strukturierten Daten.

Detalles Bibliográficos
Autor principal: Harrison, Matt (Autor)
Autor Corporativo: Safari, an O'Reilly Media Company
Formato: Electrónico eBook
Idioma:Alemán
Publicado: [Place of publication not identified] : dpunkt, 2020.
Edición:1st edition.
Acceso en línea:Texto completo (Requiere registro previo con correo institucional)

MARC

LEADER 00000cam a2200000Mi 4500
001 OR_on1228512870
003 OCoLC
005 20231017213018.0
006 m o d
007 cr cn|||||||||
008 021120s2020 xx eo 000 0 ger d
040 |a TOH  |b eng  |c TOH  |d OCLCO  |d VT2  |d CZL  |d OCLCQ 
019 |a 1228618795  |a 1240520373  |a 1262686839 
020 |a 9781098128258 
020 |a 1098128257 
020 |a 9783960091356 
020 |a 3960091354 
024 8 |a 9781098128258 
035 |a (OCoLC)1228512870  |z (OCoLC)1228618795  |z (OCoLC)1240520373  |z (OCoLC)1262686839 
049 |a UAMI 
100 1 |a Harrison, Matt,  |e author. 
245 1 0 |a Machine Learning - Die Referenz /  |c Harrison, Matt. 
250 |a 1st edition. 
264 1 |a [Place of publication not identified] :  |b dpunkt,  |c 2020. 
300 |a 1 online resource (246 pages) 
336 |a text  |b txt  |2 rdacontent 
337 |a computer  |b c  |2 rdamedia 
338 |a online resource  |b cr  |2 rdacarrier 
347 |a text file 
365 |b 38.87 
520 |a Das praktische Nachschlagewerk zum Machine Learning mit strukturierten Daten. 
542 |f Copyright © dpunkt 
550 |a Made available through: Safari, an O'Reilly Media Company. 
588 0 |a Online resource; Title from title page (viewed October 2, 2020). 
505 0 |a Intro -- Inhalt -- Vorwort -- Kapitel 1: Einleitung -- Verwendete Bibliotheken -- Installation mit pip -- Installation mit conda -- Kapitel 2: Der Vorgang des maschinellen Lernens: Überblick -- Kapitel 3: Klassifikation Schritt für Schritt: der Titanic-Datensatz -- Vorschlag für das Projektlayout -- Importe -- Eine Frage stellen -- Begriffe und Bezeichnungen für die Daten -- Daten sammeln -- Daten säubern -- Merkmale gewinnen -- Stichproben von Daten nehmen -- Daten auffüllen -- Daten normalisieren -- Refaktorieren -- Vergleichsmodell -- Verschiedene Algorithmenfamilien -- Stacking -- Ein Modell erstellen -- Das Modell auswerten -- Das Modell optimieren -- Wahrheitsmatrix -- Grenzwertoptimierungskurve (ROC-Kurve) -- Trainingskurve -- Das Modell einsetzen -- Kapitel 4: Fehlende Daten -- Fehlende Daten untersuchen -- Fehlende Daten entfernen -- Daten auffüllen -- Indikatorspalten hinzufügen -- Kapitel 5: Daten säubern -- Spaltennamen -- Fehlende Werte ersetzen -- Kapitel 6: Erkunden -- Datenmenge -- Zusammenfassende Statistiken -- Histogramm -- Streudiagramm -- Kombidiagramm -- Paarmatrix -- Kasten- und Violinendiagramme -- Vergleich zweier Ordinalwerte -- Korrelation -- RadViz -- Parallele Koordinaten -- Kapitel 7: Daten vorverarbeiten -- Standardisieren -- Den Wertebereich skalieren -- Dummy-Variablen -- Markierungen codieren -- Häufigkeitscodierung -- Kategorien aus Text gewinnen -- Weitere kategoriale Codierungen -- Datumsmerkmale konstruieren -- Ein Merkmal col_na hinzufügen -- Manuelle Merkmalskonstruktion -- Kapitel 8: Merkmalsauswahl -- Kollineare Spalten -- Lasso-Regression -- Rekursiver Ausschluss von Merkmalen -- Wechselseitige Aussagekraft -- Hauptkomponentenverfahren -- Merkmalsgewichtung -- Kapitel 9: Unausgeglichene Klassen -- Eine andere Metrik anwenden -- Baumalgorithmen und Ensembles -- Modelle mit Strafpunkten. 
505 8 |a Minderheiten erweitern -- Minderheitsdaten erzeugen -- Mehrheiten verkleinern -- Erweitern und danach verkleinern -- Kapitel 10: Klassifikation -- Logistische Regression -- Naiver Bayes-Klassifikator -- Supportvektormaschine -- K-nächste Nachbarn -- Entscheidungsbaum -- Random-Forest -- XGBoost -- Gradientenverstärkung mit LightGBM -- TPOT -- Kapitel 11: Modellauswahl -- Validierungskurve -- Lernkurve -- Kapitel 12: Metriken und Beurteilung der Klassifikation -- Wahrheitsmatrix -- Metriken -- Vertrauenswahrscheinlichkeit -- Trefferquote -- Genauigkeit -- F1 (F-Maß) -- Klassifikationstafel -- ROC-Kurve (Grenzwertoptimierungskurve) -- Kurve der Genauigkeit über der Trefferquote -- Kumulatives Gain-Diagramm -- Lift-Kurve -- Ausgeglichenheit der Klassen -- Klassenvorhersagefehler -- Ansprechschwelle -- Kapitel 13: Interpretation von Modellen -- Regressionskoeffizienten -- Merkmalsgewichtung -- LIME -- Interpretation von Bäumen -- Partielle Abhängigkeitsdiagramme -- Stellvertretermodelle -- Shapley -- Kapitel 14: Regression -- Vergleichsmodell -- Lineare Regression -- Supportvektormaschinen (SVM) -- K-nächste Nachbarn -- Entscheidungsbaum -- Random-Forest -- XGBoost-Regression -- Regression mit LightGBM -- Kapitel 15: Metriken und Bewertung der Regression -- Metriken -- Residuendiagramm -- Varianzheterogenität -- Normalverteilte Residuen -- Diagramm des Vorhersagefehlers -- Kapitel 16: Interpretation von Regressionsmodellen -- Shapley -- Kapitel 17: Dimensionsreduktion -- Hauptkomponentenverfahren (PCA) -- UMAP -- t-SNE -- PHATE -- Kapitel 18: Clustern -- K-Means-Algorithmus -- Agglomeratives (hierarchisches) Clustern -- Cluster verstehen -- Kapitel 19: Pipelines -- Klassifikationspipeline -- Regressionspipeline -- Pipeline für das Hauptkomponentenverfahren -- Index. 
590 |a O'Reilly  |b O'Reilly Online Learning: Academic/Public Library Edition 
710 2 |a O'Reilly for Higher Education (Firm),  |e distributor. 
710 2 |a Safari, an O'Reilly Media Company. 
856 4 0 |u https://learning.oreilly.com/library/view/~/9781098128258/?ar  |z Texto completo (Requiere registro previo con correo institucional) 
994 |a 92  |b IZTAP 

Ejemplares similares