Verfügbarkeit: Maschinelles Lernen mit Python und R für Dummies

Maschinelles Lernen mit Python und R für Dummies:

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mueller, John Paul 1958- (VerfasserIn), Massaron, Luca (VerfasserIn)
Weitere Verfasser:	Linke, Simone (ÜbersetzerIn)
Format:	Buch
Sprache:	German
Veröffentlicht:	Weinheim Wiley [2017]
Schriftenreihe:	... für Dummies Lernen leichter gemacht
Schlagworte:	Python 2.7 Datenanalyse Python 3.0 Big Data Python > Programmiersprache R > Programm Maschinelles Lernen Algorithmen u. Datenstrukturen Data Mining u. Knowledge Discovery Informatik Populäre Themen i. d. Informatik
Online-Zugang:	Inhaltsverzeichnis
Beschreibung:	Auf dem Cover: "Den unschätzbaren Wert des maschinellen Lernens erkennen; Algorithmen in Python und R implementieren; Anwendungsprobleme lösen"
Beschreibung:	405 Seiten Illustrationen, Diagramme
ISBN:	9783527713639 3527713638

Internformat

MARC


LEADER	00000nam a2200000 c 4500
001	BV044426736
003	DE-604
005	20191004
007	t
008	170726s2017 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
016	7		\|a 1120433371 \|2 DE-101
020			\|a 9783527713639 \|c Broschur : EUR 26.99 (DE) \|9 978-3-527-71363-9
020			\|a 3527713638 \|9 3-527-71363-8
035			\|a (OCoLC)965627614
035			\|a (DE-599)DNB1120433371
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-BW
049			\|a DE-20 \|a DE-1102 \|a DE-91G \|a DE-706 \|a DE-526 \|a DE-523 \|a DE-860 \|a DE-1046 \|a DE-29T \|a DE-M347 \|a DE-11 \|a DE-B768 \|a DE-862 \|a DE-1043 \|a DE-1049 \|a DE-92 \|a DE-522 \|a DE-N2 \|a DE-384 \|a DE-859 \|a DE-573 \|a DE-703 \|a DE-898 \|a DE-634 \|a DE-1050
082	0		\|a 519.50285 \|2 22/ger
082	0		\|a 004 \|2 23
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a 510 \|2 sdnb
084			\|a DAT 307f \|2 stub
084			\|a DAT 366f \|2 stub
084			\|a DAT 708f \|2 stub
084			\|a 004 \|2 sdnb
100	1		\|a Mueller, John Paul \|d 1958- \|e Verfasser \|0 (DE-588)137976984 \|4 aut
240	1	0	\|a Machine learning for dummies
245	1	0	\|a Maschinelles Lernen mit Python und R für Dummies \|c John Paul Mueller und Luca Massaron ; Übersetzung aus dem Amerikanischen von Simone Linke
264		1	\|a Weinheim \|b Wiley \|c [2017]
264		4	\|c © 2017
300			\|a 405 Seiten \|b Illustrationen, Diagramme
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
490	0		\|a ... für Dummies
490	0		\|a Lernen leichter gemacht
500			\|a Auf dem Cover: "Den unschätzbaren Wert des maschinellen Lernens erkennen; Algorithmen in Python und R implementieren; Anwendungsprobleme lösen"
650	0	7	\|a Python 2.7 \|0 (DE-588)7741095-6 \|2 gnd \|9 rswk-swf
650	0	7	\|a Datenanalyse \|0 (DE-588)4123037-1 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python 3.0 \|0 (DE-588)7624871-9 \|2 gnd \|9 rswk-swf
650	0	7	\|a Big Data \|0 (DE-588)4802620-7 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a R \|g Programm \|0 (DE-588)4705956-4 \|2 gnd \|9 rswk-swf
650	0	7	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd \|9 rswk-swf
653			\|a Algorithmen u. Datenstrukturen
653			\|a Data Mining u. Knowledge Discovery
653			\|a Informatik
653			\|a Maschinelles Lernen
653			\|a Populäre Themen i. d. Informatik
689	0	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0	1	\|a Python 2.7 \|0 (DE-588)7741095-6 \|D s
689	0	2	\|a R \|g Programm \|0 (DE-588)4705956-4 \|D s
689	0		\|5 DE-604
689	1	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	1	1	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	1	2	\|a R \|g Programm \|0 (DE-588)4705956-4 \|D s
689	1		\|5 DE-604
689	2	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	2	1	\|a Datenanalyse \|0 (DE-588)4123037-1 \|D s
689	2	2	\|a Big Data \|0 (DE-588)4802620-7 \|D s
689	2	3	\|a Python 2.7 \|0 (DE-588)7741095-6 \|D s
689	2	4	\|a Python 3.0 \|0 (DE-588)7624871-9 \|D s
689	2		\|8 1\p \|5 DE-604
700	1		\|a Massaron, Luca \|e Verfasser \|0 (DE-588)1104968622 \|4 aut
700	1		\|a Linke, Simone \|0 (DE-588)1140737058 \|4 trl
710	2		\|a Wiley-VCH \|0 (DE-588)16179388-5 \|4 pbl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, ePub \|z 978-3-527-80901-1
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, Mobi \|z 978-3-527-80900-4
856	4	2	\|m DNB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029828213&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-029828213
883	1		\|8 1\p \|a cgwrk \|d 20201028 \|q DE-101 \|u https://d-nb.info/provenance/plan#cgwrk

Datensatz im Suchindex

DE-BY-862_location	2000
DE-BY-FWS_call_number	2000/ST 300 M946 M3
DE-BY-FWS_katkey	662861
DE-BY-FWS_media_number	083000518325
_version_	1806176947634438144
adam_text	INHALTSVERZEICHNIS UEBER DIE AUTOREN.................................................................................. 13 EINFUEHRUNG ............................................................................................ 25 UEBER DIESES BUCH.......................................................................................................... 25 GRUNDVORAUSSETZUNGEN.............................................................................................. 26 SYMBOLE, DIE IN DIESEM BUCH VERWENDET WERDEN .................................................... 27 WEITERE RESSOURCEN.................................................................................................... 27 UND N U N ? ...................................................................................................................... 27 TEIL I EINFUEHRUNG IN DAS MASCHINELLE LERNEN ............................ 29 KAPITEL 1 KUENSTLICHE INTELLIGENZ IN FIKTION UND R E A LITAE T .......................... 31 EINE REALISTISCHE BETRACHTUNG VON KL.......................................................................... 32 TRAEUME VON ELEKTRISCHEN SCHAFEN.............................................................................. 33 DIE ENTSTEHUNGSGESCHICHTE VON KL UND MASCHINELLEM LERNEN .................... 33 DER BEITRAG VON MASCHINELLEM LERNEN ZUR KL.................................................. 34 DIE ZIELE DES MASCHINELLEN LERNENS................................................................ 35 EINSCHRAENKUNGEN BEIM MASCHINELLEN LERNEN DURCH HARDW ARE .................. 35 DIE GRENZEN ZWISCHEN FIKTION UND REALITAET.............................................................. 36 VISIONAERE IDEEN FUER KL UND MASCHINELLES LERNEN ............................................ 37 REALISTISCHE ANWENDUNGSFAELLE FUER KL UND MASCHINELLES LERNEN .................. 37 BANAL UND TROTZDEM NUETZLICH............................................................................ 38 DIE BEZIEHUNG ZWISCHEN KL UND MASCHINELLEM LERNEN .......................................... 39 DIE TECHNISCHEN SPEZIFIKATIONEN VON KL UND MASCHINELLEM LERNEN ...................... 40 TECHNISCHE UND KREATIVE VORGEHENSWEISEN.............................................................. 41 KAPITEL 2 LERNEN IM Z E ITALTER VON BIG D ATA................................................... 43 DEFINITION VON BIG DATA................................................................................................ 44 MOEGLICHE QUELLEN FUER BIG DATA.................................................................................... 45 ERZEUGUNG EINER NEUEN DATENQUELLE................................................................ 45 NUTZUNG VORHANDENER DATENQUELLEN.............................................................. 47 QUELLEN FUER TESTDATEN FINDEN............................................................................ 47 DIE STATISTIK UND DAS MASCHINELLE LERNEN................................................................ 48 DIE ROLLE VON ALGORITHMEN.......................................................................................... 49 FUNKTIONSWEISE VON ALGORITHM EN.................................................................... 49 FUENF WESENTLICHE TECHNIKEN.............................................................................. 49 DAS TRAINING VON ALGORITHMEN.................................................................................... 51 KAPITEL 3 EIN AUSBLICK A U F DIE Z U K U N FT........................................................... 53 NUETZLICHE TECHNOLOGIEN FUER DIE ZUKUNFT .................................................................... 54 MASCHINELLES LERNEN UND ROBOTER .................................................................... 54 MASCHINELLES LERNEN IM GESUNDHEITSWESEN .................................................. 55 INTELLIGENTE SYSTEME FUER UNTERSCHIEDLICHSTE ANFORDERUNGEN ........................ 55 MASCHINELLES LERNEN IN INDUSTRIELLEN ANWENDUNGSBEREICHEN ...................... 56 DIE WICHTIGKEIT AKTUELLER PROZESSOREN UND H ARDW ARE .................................. 57 NEUE ARBEITSFELDER DURCH MASCHINELLES LERNEN ...................................................... 57 EINE MASCHINE ALS C H EF ...................................................................................... 57 MASCHINELLE SYSTEME IM ALLTAG .......................................................................... 58 REPARATUR VON MASCHINEN .................................................................................. 58 ERZEUGUNG NEUER AUFGABEN FUER MASCHINELLES LERNEN .................................... 59 GESTALTUNG NEUER MASCHINELLER LERNUMGEBUNGEN ........................................ 59 POTENZIELLE TUECKEN ZUKUENFTIGER TECHNOLOGIEN .......................................................... 60 TEIL II EINRICHTUNG IHRER PROGRAMMIERUMGEBUNG .................... 63 KAPITEL 4 INSTALLATION EINER R -D ISTRIB U TIO N ................................................... 65 AUSWAHL EINER R-DISTRIBUTION FUER MASCHINELLES LERNEN .......................................... 66 INSTALLATION VON R UNTER WINDOWS .............................................................................. 67 INSTALLATION VON R UNTER LINUX..................................................................................... 74 INSTALLATION VON R UNTER MAC OS X .............................................................................. 76 HERUNTERLADEN DER QUELLTEXTE UND DATENSAETZE ........................................................ 77 VERWENDETE DATENSAETZE IN DIESEM BUCH ........................................................ 78 ZENTRALER SPEICHERORT FUER DEN PROGRAMMCODE .............................................. 79 KAPITEL 5 PROGRAM M IERUNG M IT R UND RSTUDIO............................................. 83 WICHTIGE DATENTYPEN..................................................................................................... 83 VERWENDUNG VON VEKTOREN .......................................................................................... 86 DATENORGANISATION MIT L ISTEN .................................................................................... 86 VERWENDUNG VON MATRIZEN.......................................................................................... 87 ERZEUGUNG EINER EINFACHEN MATRIX .................................................................... 88 AENDERUNG DER VEKTORANORDNUNG ...................................................................... 89 ZUGRIFF AUF INDIVIDUELLE ELEMENTE ...................................................................... 89 NAMEN FUER ZEILEN UND SPALTEN .......................................................................... 90 NUTZUNG MEHRERER DIMENSIONEN MIT ARRAYS ............................................................ 91 ERZEUGUNG EINES EINFACHEN A RRAYS .................................................................. 91 NAMEN FUER ZEILEN UND SPALTEN .......................................................................... 92 NUTZUNG VON DATA-FRAMES .......................................................................................... 93 FUNKTIONSWEISE VON FAKTOREN ............................................................................ 93 ERZEUGUNG VON EINFACHEN DATA-FRAMES .......................................................... 95 INTERAKTION MIT DATA-FRAMES ............................................................................ 96 ERWEITERUNG EINES DATA-FRAMES ........................................................................ 97 DURCHFUEHRUNG EINFACHER STATISTISCHER AUFGABEN ...................................................... 99 ENTSCHEIDUNGSFINDUNG........................................................................................ 99 NUTZUNG VON SCHLEIFEN.......................................................................................... 101 AUSFUEHRUNG SCHLEIFENARTIGER AUFGABEN OHNE SCHLEIFEN ................................. 102 VERWENDUNG VON FUNKTIONEN ............................................................................. 103 ARITHMETISCHES MITTEL UND M ED IA N .................................................................... 103 DIAGRAMMDARSTELLUNG IHRER D A TE N ................................................................... 105 KAPITEL 6 INSTALLATION EINER P YTHON-D ISTRIBUTION ......................................... 107 AUSWAHL EINER PYTHON-DISTRIBUTION FUER MASCHINELLES LERNEN ................................. 107 ANACONDA VON CONTINUUM ANALYTICS ................................................................. 109 CANOPY EXPRESS VON ENTHOUGHT.......................................................................... 109 PYTHON(X,Y)............................................................................................................. 110 WINPYTHON............................................................................................................. 110 INSTALLATION VON PYTHON UNTER LINUX............................................................................ 111 INSTALLATION VON PYTHON UNTER MAC OSX...................................................................... 112 INSTALLATION VON PYTHON UNTER WINDOWS...................................................................... 113 HERUNTERLADEN DER QUELLTEXTE UND DATENSAETZE.......................................................... 117 VERWENDUNG VON JUPYTER NOTEBOOK.................................................................. 117 ZENTRALER SPEICHERORT FUER DEN PROGRAMMCODE................................................ 118 VERWENDETE DATENSAETZE IN DIESEM BUCH.......................................................... 124 KAPITEL 7 PROGRAM M IERUNG M IT PYTHON UND A N A C O N D A ............................. 127 ZAHLEN UND LOGISCHE AUSDRUECKE IN PYTHON.................................................................. 128 VARIABLENZUWEISUNG.............................................................................................. 129 ARITHMETISCHE OPERATOREN.................................................................................. 130 VERGLEICH VON DATEN MIT BOOLESCHEN AUSDRUECKEN ............................................ 131 ERZEUGUNG UND VERWENDUNG VON ZEICHENKETTEN...................................................... 133 INTERAKTION MIT DATUMS-UND ZEITANGABEN................................................................ 134 ERZEUGUNG UND VERWENDUNG VON FUNKTIONEN............................................................ 135 ERZEUGUNG WIEDERVERWENDBARER FUNKTIONEN.................................................. 135 FUNKTIONSAUFRUF.................................................................................................... 137 GLOBALE UND LOKALE VARIABLEN.............................................................................. 139 BEDINGUNGEN UND SCHLEIFEN.......................................................................................... 139 ENTSCHEIDUNGSFINDUNG MIT DER IF-ANWEISUNG................................................ 139 AUSWAHL ZWISCHEN MEHREREN OPTIONEN DURCH VERSCHACHTELUNG .................. 141 WIEDERHOLUNG VON AUFGABEN MIT DER FOR-SCHLEIFE ........................................ 141 VERWENDUNG DER WHILE-ANWEISUNG................................................................ 142 DATENSPEICHERUNG MIT MENGEN, LISTEN UND TUPELN.................................................. 143 ERZEUGUNG VON MENGEN........................................................................................ 143 MENGENOPERATIONEN............................................................................................ 144 ERZEUGUNG VON LISTEN.......................................................................................... 145 ERZEUGUNG UND VERWENDUNG VON TUPELN.......................................................... 146 DEFINITION NUETZLICHER ITERATOREN.................................................................................... 147 DATENINDIZIERUNG MIT W OERTERBUECHERN........................................................................ 148 CODESPEICHERUNG IN M ODULEN...................................................................................... 149 KAPITEL 8 W EITERE SOFTW AREPROGRAM M E FUE R MASCHINELLES L E RN E N ......... 151 DIE VORGAENGER: SAS, STATA UND SPSS............................................................................ 152 LERNEN IM AKADEMISCHEN SEKTOR MIT W EKA................................................................ 154 EINFACHER ZUGRIFF AUF KOMPLEXE ALGORITHMEN MIT LIBSVM........................................ 155 HOECHSTGESCHWINDIGKEIT MIT VOWPAL WABBIT................................................................ 155 VISUALISIERUNG MIT KNIME UND RAPIDMINER.................................................................. 156 VERWALTUNG RIESIGER DATENMENGEN MIT SPARK............................................................ 157 TEIL III MATHEMATISCHE GRUNDLAGEN.....................................................159 KAPITEL 9 M ATHEM ATISCHE GRUNDLAGEN DES MASCHINELLEN LERNENS ........ 161 DIE ARBEIT MIT D ATEN ...................................................................................................... 162 ERZEUGUNG EINER MATRIX........................................................................................ 163 GRUNDLEGENDE OPERATIONEN................................................................................ 165 MATRIXMULTIPLIKATION............................................................................................ 166 EIN BLICK AUF FORTGESCHRITTENE MATRIXOPERATIONEN............................................ 168 EFFEKTIVE NUTZUNG VON VEKTORISIERUNG.................................................... 169 DIE WELT DER WAHRSCHEINLICHKEITEN.............................................................................. 171 OPERATIONEN MIT WAHRSCHEINLICHKEITEN............................................................ 172 BEDINGTE WAHRSCHEINLICHKEITEN UND SATZ VON B AYES...................................... 173 NUTZUNG DER STATISTIK FUER MASCHINELLES LERNEN.......................................................... 176 KAPITEL 10 FEHLERFUNKTIONEN UND IHRE M IN IM IE RU N G .....................................179 DER LERNPROZESS ALS OPTIMIERUNG................................................................................ 180 UEBERWACHTES LERNEN............................................................................................ 180 UNUEBERWACHTES LERNEN........................................................................................ 180 VERSTAERKENDES LERNEN.......................................................................................... 181 DER LERNPROZESS.................................................................................................... 181 KOSTENFUNKTIONEN.......................................................................................................... 184 MINIMIERUNG DER FEHLERFUNKTION.................................................................................. 186 AKTUALISIERUNG PER MINI-BATCH- UND ONLINE-LERNEN.................................................. 188 KAPITEL 11 VAIIDIERUNG VON M ASCHINELLEM LERNEN ...................................... 191 FEHLER DURCH INKORREKTE STICHPROBENERHEBUNG........................................................ 192 SUCHE NACH GENERALISIERUNGEN.......................................................................... 193 DER EINFLUSS VON BIAS...................................................................................................... 194 BEACHTUNG DER KOMPLEXITAET DES MODELLS.................................................................... 196 AUSGEGLICHENE LOESUNGEN.............................................................................................. 197 DARSTELLUNG VON LERNKURVEN................................................................................ 198 TRAINING, VALIDIERUNG UND TEST...................................................................................... 200 KREUZVALIDIERUNG............................................................................................................ 201 ALTERNATIVEN BEI DER VALIDIERUNG.................................................................................. 202 OPTIMIERUNG VON KREUZVALIDIERUNGSVERFAHREN ......................................................... 203 ERKUNDUNG DES HYPERPARAMETERRAUMS ........................................................... 204 VERMEIDUNG VON DATENLECKS UND BIAS IN STICHPROBEN.............................................. 206 PROBLEME DURCH SNOOPING.................................................................................. 207 KAPITEL 12 EINFACHE LERNER.....................................................................................209 DAS FASZINIERENDE PERZEPTRON...................................................................................... 210 EINE CLEVERE FORMEL.............................................................................................. 210 DIE GRENZEN DER TRENNBARKEIT............................................................................ 212 KLASSIFIKATIONSBAEUME UND DER GREEDY-ANSATZ.......................................................... 214 VORHERSAGE VON ERGEBNISSEN DURCH DATENZERLEGUNG ..................................... 214 STUTZEN VON GROSSEN BAEUMEN.............................................................................. 217 WAHRSCHEINLICHKEITSBASIERTE ALGORITHMEN.................................................................. 219 FUNKTIONSWEISE DES NAIVEN BAYES-KLASSIFIKATORS.............................................. 219 SCHAETZUNG MIT DEM NAIVEN BAYES-KLASSIFIKATOR................................................ 222 TEIL IV AUFBEREITUNG UND VERWENDUNG VON DATEN ZUM LERNEN.......................................................................................... 225 KAPITEL 13 VORVERARBEITUNG VON D A TE N ..............................................................227 ERFASSUNG UND BEREINIGUNG VON DATEN........................................................................ 228 KORREKTUR VON FEHLENDEN D A TE N .................................................................................. 229 IDENTIFIZIERUNG VON FEHLENDEN D A TE N ................................................................ 229 AUSWAHL EINER GEEIGNETEN ERSETZUNGSSTRATEGIE................................................ 230 TRANSFORMATION VON VERTEILUNGEN................................................................................ 233 ERZEUGUNG IHRER EIGENEN MERKMALE............................................................................ 235 DIE NOTWENDIGKEIT NEUER MERKMALE.................................................................. 235 AUTOMATISCHE ERZEUGUNG VON MERKMALEN........................................................ 235 KOMPRIMIERUNG VON DATEN............................................................................................ 237 ABGRENZUNG ANOMALER DATEN........................................................................................ 239 KAPITEL 14 AUSNUTZUNG VON AEHNLICHKEITEN IN D A TE N ..................................... 245 MESSUNG DER AEHNLICHKEIT ZWISCHEN VEKTOREN............................................................ 246 DEFINITION VON AEHNLICHKEIT................................................................................ 246 BERECHNUNG VON ABSTAENDEN BEIM MASCHINELLEN LERNEN ................................ 247 SUCHE NACH CLUSTERN DURCH BERECHNUNG VON ABSTAENDEN ........................................ 248 UEBERPRUEFUNG VON ANNAHMEN UND ERWARTUNGEN.............................................. 249 FUNKTIONSWEISE DES K-MEANS-ALGORITHMUS........................................................ 250 FEINANPASSUNG DES K-MEANS-ALGORITHMUS.................................................................. 252 EXPERIMENTE ZUR ZUVERLAESSIGKEIT VON K-M EANS................................................ 253 EXPERIMENTE ZUR KONVERGENZ VON ZENTROIDEN.................................................. 255 KLASSIFIKATION MIT K-NEAREST NEIGHBORS .................................................................... 258 AUSWAHL DES KORREKTEN PARAMETERS K ........................................................................ 259 DIE ROLLE DES PARAMETERS K................................................................................. 259 EXPERIMENTE MIT EINEM FLEXIBLEN ALGORITHMUS .............................................. 260 KAPITEL 15 EINFACHE ANWENDUNG VON LINEAREN M O D ELLEN ............................. 265 KOMBINATION VON VARIABLEN......................................................................................... 266 VERMISCHUNG VON VARIABLEN UNTERSCHIEDLICHEN TYPS .............................................. 271 NUTZUNG VON WAHRSCHEINLICHKEITEN........................................................................... 274 SPEZIFIKATION EINER BINAEREN REAKTION .............................................................. 275 VERFAHRENSWEISE BEI MEHR ALS ZWEI KLASSEN .................................................... 277 SCHAETZUNG DER RICHTIGEN MERKMALE ............................................................................ 278 VERMEIDUNG IRREFUEHRENDER ERGEBNISSE DURCH INKOMPATIBLE MERKMALE ___ 278 MERKMALSAUSWAHL ZUR VERMEIDUNG EINER UEBERANPASSUNG .......................... 279 LERNEN AUS EINZELNEN BEISPIELEN................................................................................. 281 VERWENDUNG DES GRADIENTENABSTIEGS .............................................................. 281 STOCHASTISCHE GRADIENTENABSTIEGSVERFAHREN .................................................. 282 KAPITEL 16 KOM PLEXERE LERNVERFAHREN UND NEURONALE N E TZ E ....................287 IMITATION DER NATUR BEIM LERNEN .............................................................................. 288 VORWAERTSAUSRICHTUNG IN FEEDFORWARD-NETZEN ................................................ 289 SCHICHTEN UND NOCH MEHR SCHICHTEN ................................................................ 291 FEHLERKORREKTUR MIT RUECKPROPAGIERUNG .......................................................... 294 VERMEIDUNG VON UEBERANPASSUNG .............................................................................. 296 URSACHE EINER UEBERANPASSUNG .......................................................................... 297 EIN BLICK HINTER DIE KULISSEN .............................................................................. 297 EINFUEHRUNG IN DEEP LEARNING....................................................................................... 300 KAPITEL 17 SUPPORT VECTOR MACHINES UND K ERNEL-FUNKTIONEN....................303 EIN NEUER ANSATZ FUER DAS PROBLEM DER SEPARIERBARKEIT .......................................... 304 DIE FUNKTIONSWEISE DES ALGORITHMUS ........................................................................ 305 MATHEMATISCHE GRUNDLAGEN DER SVM .............................................................. 307 VERMEIDUNG VON PROBLEMEN DURCH NICHTSEPARIERBARKEIT ............................ 308 NICHTLINEARITAET................................................................................................................. 309 BEISPIEL FUER DEN KERNEL-TRICK ............................................................................ 311 UNTERSCHIEDLICHE K ERNEL .................................................................................... 312 IMPLEMENTIERUNG UND HYPERPARAM ETER .................................................................. 313 KLASSIFIKATION UND SCHAETZUNG MIT EINER SVM ............................................................ 315 KAPITEL 18 KOM BINATION VON LERNALGORITHM EN IN E NSEM BLES....................321 KOMBINATION VON ENTSCHEIDUNGSBAEUMEN ................................................................ 322 EIN GANZER WALD AUS ENTSCHEIDUNGSBAEUMEN .................................................. 323 WICHTIGKEITSMASSE ................................................................................................ 327 VERWENDUNG BEINAHE ZUFAELLIGER SCHAETZUNGEN........................................................... 330 BAGGING VON PRAEDIKTOREN MIT ADABOOST ........................................................... 331 BOOSTINGVON INTELLIGENTEN PRAEDIKTOREN..................................................................... 333 NUTZUNG EINES GRADIENTENABSTIEGSVERFAHRENS............................................... 334 DURCHSCHNITT VERSCHIEDENER PRAEDIKTOREN................................................................... 335 TEIL V PRAKTISCHE ANWENDUNG VON MASCHINELLEM LERNEN ... 337 KAPITEL 19 KLASSIFIKATION VON B ILDERN ............................................ 339 DIE ARBEIT MIT BILDERN................................................................................................... 340 EXTRAKTION VISUELLER MERKMALE..................................................................................... 344 GESICHTSERKENNUNG MIT EIGENGESICHTERN................................................................... 345 KLASSIFIKATION VON BILDERN............................................................................................. 348 KAPITEL 20 BEWERTUNG VON MEINUNGEN UND STIM M UNGSLAGEN ................... 353 EINFUEHRUNG IN DIE VERARBEITUNG NATUERLICHER SPRACHE ............................................... 353 LESENDE MASCHINEN....................................................................................................... 354 VERARBEITUNG UND AUFBEREITUNG VON TEXT ......................................................... 356 AUSLESEN VON TEXTDATEN AUS DEM INTERNET ....................................................... 360 PROBLEME MIT REINEN TEXTDATEN......................................................................... 363 BEWERTUNG UND KLASSIFIKATION VON TEXTEN ................................................................. 365 DURCHFUEHRUNG VON KLASSIFIKATIONSAUFGABEN ..................................................... 365 ANALYSE VON PRODUKTREZENSIONEN ..................................................................... 367 KAPITEL 21 PRODUKT- UND FILM EM P FEH LU N G EN .................................................. 373 REVOLUTIONAERE SYSTEME................................................................................................. 374 BEWERTUNGSDATEN AUS DEM INTERNET ........................................................................... 375 DER MOVIELENS-DATENSATZ................................................................................... 375 EIN ANONYMISIERTER WEBDATENSATZ ..................................................................... 377 BEWERTUNGSDATEN UND IHRE GRENZEN ................................................................. 378 NUTZUNG DER SINGULAERWERTZERLEGUNG ........................................................................... 380 URSPRUENGE DER SWZ .............................................................. 380 ERKENNTNISSE DANK SWZ........................................................................................ 381 DIE SWZ IN AKTION................................................................................................. 382 TEIL VI DER TOP-TEN-TEIL................................................................................387 KAPITEL 22 ZEHN W ICHTIGE PAKETE FUE R MASCHINELLES L E RN E N ........................ 389 ORYX 2 .............................................................................................................................. 390 CUDA-CONVNET............................................................................................................... 390 CONVNETJS....................................................................................................................... 390 E1071................................................................................................................................ 391 G B M ................................................................................................................................. 391 G ENSIM ........................................................................................................................... 392 GLM NET............................................................................................................................. 392 RANDOMFOREST............................................................................................................... 392 SCIPY................................................................................................................................. 393 XGBOOST........................................................................................................................... 393 KAPITEL 23 ZEHN M ETHODEN ZUR VERBESSERUNG IHRER M ASCHINELLEN LERNM ODELLE...........................................................................................395 AUSWERTUNG VON LERNKURVEN....................................................................................... 396 KORREKTE VERWENDUNG DER KREUZVALIDIERUNG ............................................................ 397 AUSWAHL DER GEEIGNETEN FEHLER- ODER BEWERTUNGSMASSE ...................................... 398 SUCHE NACH DEN BESTEN HYPERPARAMETERN .............................................................. 398 TEST VON MEHREREN MODELLEN ...................................................................................... 399 BILDUNG DES DURCHSCHNITTS VERSCHIEDENER M ODELLE ................................................ 399 MEHRSTUFIGE KOMBINATION VON MODELLEN .................................................................. 400 ERZEUGUNG NEUER MERKMALE......................................................................................... 401 AUSWAHL VON MERKMALEN UND BEISPIELEN .................................................................. 401 SUCHE NACH MEHR DATEN............................................................................................... 402 STICHWORTVERZEICHNIS........................................................................... 403
any_adam_object	1
author	Mueller, John Paul 1958- Massaron, Luca
author2	Linke, Simone
author2_role	trl
author2_variant	s l sl
author_GND	(DE-588)137976984 (DE-588)1104968622 (DE-588)1140737058
author_facet	Mueller, John Paul 1958- Massaron, Luca Linke, Simone
author_role	aut aut
author_sort	Mueller, John Paul 1958-
author_variant	j p m jp jpm l m lm
building	Verbundindex
bvnumber	BV044426736
classification_rvk	ST 300 ST 302
classification_tum	DAT 307f DAT 366f DAT 708f
ctrlnum	(OCoLC)965627614 (DE-599)DNB1120433371
dewey-full	519.50285 004
dewey-hundreds	500 - Natural sciences and mathematics 000 - Computer science, information, general works
dewey-ones	519 - Probabilities and applied mathematics 004 - Computer science
dewey-raw	519.50285 004
dewey-search	519.50285 004
dewey-sort	3519.50285
dewey-tens	510 - Mathematics 000 - Computer science, information, general works
discipline	Informatik Mathematik
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03738nam a2200853 c 4500</leader><controlfield tag="001">BV044426736</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20191004 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">170726s2017 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1120433371</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783527713639</subfield><subfield code="c">Broschur : EUR 26.99 (DE)</subfield><subfield code="9">978-3-527-71363-9</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3527713638</subfield><subfield code="9">3-527-71363-8</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)965627614</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1120433371</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-20</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-526</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-B768</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-522</subfield><subfield code="a">DE-N2</subfield><subfield code="a">DE-384</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-1050</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">519.50285</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">004</subfield><subfield code="2">23</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">510</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 307f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 366f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 708f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Mueller, John Paul</subfield><subfield code="d">1958-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)137976984</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Machine learning for dummies</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Maschinelles Lernen mit Python und R für Dummies</subfield><subfield code="c">John Paul Mueller und Luca Massaron ; Übersetzung aus dem Amerikanischen von Simone Linke</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Weinheim</subfield><subfield code="b">Wiley</subfield><subfield code="c">[2017]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">© 2017</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">405 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">... für Dummies</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">Lernen leichter gemacht</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Auf dem Cover: "Den unschätzbaren Wert des maschinellen Lernens erkennen; Algorithmen in Python und R implementieren; Anwendungsprobleme lösen"</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Python 2.7</subfield><subfield code="0">(DE-588)7741095-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Python 3.0</subfield><subfield code="0">(DE-588)7624871-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">R</subfield><subfield code="g">Programm</subfield><subfield code="0">(DE-588)4705956-4</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Algorithmen u. Datenstrukturen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Mining u. Knowledge Discovery</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Informatik</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maschinelles Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Populäre Themen i. d. Informatik</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Python 2.7</subfield><subfield code="0">(DE-588)7741095-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">R</subfield><subfield code="g">Programm</subfield><subfield code="0">(DE-588)4705956-4</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">R</subfield><subfield code="g">Programm</subfield><subfield code="0">(DE-588)4705956-4</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="2" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2="1"><subfield code="a">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2="2"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2="3"><subfield code="a">Python 2.7</subfield><subfield code="0">(DE-588)7741095-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2="4"><subfield code="a">Python 3.0</subfield><subfield code="0">(DE-588)7624871-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2=" "><subfield code="8">1\p</subfield><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Massaron, Luca</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1104968622</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Linke, Simone</subfield><subfield code="0">(DE-588)1140737058</subfield><subfield code="4">trl</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Wiley-VCH</subfield><subfield code="0">(DE-588)16179388-5</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, ePub</subfield><subfield code="z">978-3-527-80901-1</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, Mobi</subfield><subfield code="z">978-3-527-80900-4</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029828213&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-029828213</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">cgwrk</subfield><subfield code="d">20201028</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#cgwrk</subfield></datafield></record></collection>
id	DE-604.BV044426736
illustrated	Illustrated
indexdate	2024-08-01T11:29:25Z
institution	BVB
institution_GND	(DE-588)16179388-5
isbn	9783527713639 3527713638
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-029828213
oclc_num	965627614
open_access_boolean
owner	DE-20 DE-1102 DE-91G DE-BY-TUM DE-706 DE-526 DE-523 DE-860 DE-1046 DE-29T DE-M347 DE-11 DE-B768 DE-862 DE-BY-FWS DE-1043 DE-1049 DE-92 DE-522 DE-N2 DE-384 DE-859 DE-573 DE-703 DE-898 DE-BY-UBR DE-634 DE-1050
owner_facet	DE-20 DE-1102 DE-91G DE-BY-TUM DE-706 DE-526 DE-523 DE-860 DE-1046 DE-29T DE-M347 DE-11 DE-B768 DE-862 DE-BY-FWS DE-1043 DE-1049 DE-92 DE-522 DE-N2 DE-384 DE-859 DE-573 DE-703 DE-898 DE-BY-UBR DE-634 DE-1050
physical	405 Seiten Illustrationen, Diagramme
publishDate	2017
publishDateSearch	2017
publishDateSort	2017
publisher	Wiley
record_format	marc
series2	... für Dummies Lernen leichter gemacht
spellingShingle	Mueller, John Paul 1958- Massaron, Luca Maschinelles Lernen mit Python und R für Dummies Python 2.7 (DE-588)7741095-6 gnd Datenanalyse (DE-588)4123037-1 gnd Python 3.0 (DE-588)7624871-9 gnd Big Data (DE-588)4802620-7 gnd Python Programmiersprache (DE-588)4434275-5 gnd R Programm (DE-588)4705956-4 gnd Maschinelles Lernen (DE-588)4193754-5 gnd
subject_GND	(DE-588)7741095-6 (DE-588)4123037-1 (DE-588)7624871-9 (DE-588)4802620-7 (DE-588)4434275-5 (DE-588)4705956-4 (DE-588)4193754-5
title	Maschinelles Lernen mit Python und R für Dummies
title_alt	Machine learning for dummies
title_auth	Maschinelles Lernen mit Python und R für Dummies
title_exact_search	Maschinelles Lernen mit Python und R für Dummies
title_full	Maschinelles Lernen mit Python und R für Dummies John Paul Mueller und Luca Massaron ; Übersetzung aus dem Amerikanischen von Simone Linke
title_fullStr	Maschinelles Lernen mit Python und R für Dummies John Paul Mueller und Luca Massaron ; Übersetzung aus dem Amerikanischen von Simone Linke
title_full_unstemmed	Maschinelles Lernen mit Python und R für Dummies John Paul Mueller und Luca Massaron ; Übersetzung aus dem Amerikanischen von Simone Linke
title_short	Maschinelles Lernen mit Python und R für Dummies
title_sort	maschinelles lernen mit python und r fur dummies
topic	Python 2.7 (DE-588)7741095-6 gnd Datenanalyse (DE-588)4123037-1 gnd Python 3.0 (DE-588)7624871-9 gnd Big Data (DE-588)4802620-7 gnd Python Programmiersprache (DE-588)4434275-5 gnd R Programm (DE-588)4705956-4 gnd Maschinelles Lernen (DE-588)4193754-5 gnd
topic_facet	Python 2.7 Datenanalyse Python 3.0 Big Data Python Programmiersprache R Programm Maschinelles Lernen
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029828213&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT muellerjohnpaul machinelearningfordummies AT massaronluca machinelearningfordummies AT linkesimone machinelearningfordummies AT wileyvch machinelearningfordummies AT muellerjohnpaul maschinelleslernenmitpythonundrfurdummies AT massaronluca maschinelleslernenmitpythonundrfurdummies AT linkesimone maschinelleslernenmitpythonundrfurdummies AT wileyvch maschinelleslernenmitpythonundrfurdummies

Verfügbarkeit

Inhaltsverzeichnis

THWS Schweinfurt Zentralbibliothek Lesesaal

Bestandesangaben von THWS Schweinfurt Zentralbibliothek Lesesaal
Signatur:	2000 ST 300 M946 M3
Exemplar 1	ausleihbar Checked out – Rückgabe bis: 10.01.2025 Vormerken

MARC

Datensatz im Suchindex

THWS Schweinfurt Zentralbibliothek Lesesaal

Ähnliche Einträge