Machine Learning - kurz & gut Eine Einführung mit Python, Pandas und Scikit-Learn.

Detalles Bibliográficos
Clasificación:Libro Electrónico
Autor principal: Nguyen, Chi Nhan
Otros Autores: Zeigermann, Oliver
Formato: Electrónico eBook
Idioma:Alemán
Publicado: Heidelberg : o'Reilly, 2021.
Edición:2nd ed.
Colección:kurz & gut.
Temas:
Machine learning.
Python (Computer program language)
Statistics.
Apprentissage automatique.
Python (Langage de programmation)
Statistique.
statistics.
Machine learning
Statistics
Acceso en línea:Texto completo (Requiere registro previo con correo institucional)
Tabla de Contenidos:
  • Intro
  • Inhalt
  • Kapitel 1: Einführung
  • Wie du dieses Buch lesen kannst
  • Arten von Machine Learning
  • ein Überblick
  • Kapitel 2: Quick-Start
  • Unser erstes Python-Notebook
  • Unser Beispiel: Irisblüten
  • Wir bringen dem Computer bei, Irisblüten zu unterscheiden
  • Nearest Neighbors Classification
  • Overfitting
  • Underfitting
  • Eine bessere Feature-Auswahl
  • Weiterführende Links
  • Kapitel 3: Datenimport und -vorbereitung
  • Datenimport
  • Das vorbereitete Projekt
  • Preprocessing
  • Weiterführende Links
  • Kapitel 4: Supervised Learning
  • Lineare Regression
  • Logistische Regression
  • Support Vector Machine
  • Decision-Tree-Klassifikator
  • Random-Forest-Klassifikator
  • Boosted Decision Trees
  • Weiterführende Links
  • Kapitel 5: Feature-Auswahl
  • Reduzierung der Features
  • Auswahl der Features
  • Principal-Component-Analyse
  • Feature-Selektion
  • Weiterführende Links
  • Kapitel 6: Modellvalidierung
  • Metrik für Klassifikation
  • Metrik für Regression
  • Evaluierung
  • Hyperparameter-Suche
  • Weiterführende Links
  • Kapitel 7: Neuronale Netze und Deep Learning
  • Iris mit neuronalen Netzen
  • Feed Forward Networks
  • Deep Neural Networks
  • Anwendungsbeispiel: Erkennung von Verkehrsschildern
  • Data Augmentation
  • Neuere Ansätze im Bereich CNN
  • Weiterführende Links
  • Kapitel 8: Unsupervised Learning mit Autoencodern
  • Das Szenario: Visuelle Regressionstests mit Autoencodern
  • eingeschlichene Fehler erkennen
  • Die Idee von Autoencodern
  • Aufbau unseres Autoencoders
  • Training und Ergebnisse
  • Was passiert im Autoencoder?
  • Fazit
  • Weiterführende Links
  • Kapitel 9: Deep Reinforcement Learning
  • Grundkonzepte und Terminologie
  • Ein Beispiel: der hungrige Bär
  • Optimierung als Herausforderung
  • Technische Modellierung als OpenAI Environment
  • Training mit PPO
  • Training als Supervised-Deep-Learning- Problemstellung formulieren
  • Der Policy-Loss
  • Actor-Critic über das Value Network
  • Sample-Effizienz und katastrophale Updates
  • Exploration vs. Exploitation
  • Fazit
  • Weiterführende Links
  • Index

Ejemplares similares