Machine learning mit Python und Scikit-learn und TensorFlow: das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
Gespeichert in:
| Vorheriger Titel: | Raschka, Sebastian Machine learning mit Python |
|---|---|
| Hauptverfasser: | , |
| Weitere Verfasser: | |
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
Frechen
mitp
2018
|
| Ausgabe: | 2., aktualisierte und erweiterte Auflage |
| Schlagworte: | |
| Online-Zugang: | Inhaltsverzeichnis |
| Beschreibung: | 577 Seiten Diagramme 24 cm x 17 cm |
| ISBN: | 9783958457331 3958457339 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV044694981 | ||
| 003 | DE-604 | ||
| 005 | 20190408 | ||
| 007 | t | ||
| 008 | 171221s2018 gw |||| |||| 00||| ger d | ||
| 015 | |a 17,N50 |2 dnb | ||
| 015 | |a 18,A10 |2 dnb | ||
| 016 | 7 | |a 1147881359 |2 DE-101 | |
| 020 | |a 9783958457331 |c Broschur : EUR 49.99 (DE), circa EUR 49.99 (AT) |9 978-3-95845-733-1 | ||
| 020 | |a 3958457339 |9 3-95845-733-9 | ||
| 024 | 3 | |a 9783958457331 | |
| 028 | 5 | 2 | |a Bestellnummer: 95845733 |
| 035 | |a (OCoLC)1018470551 | ||
| 035 | |a (DE-599)DNB1147881359 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-NW | ||
| 049 | |a DE-M49 |a DE-703 |a DE-29T |a DE-1102 |a DE-739 |a DE-20 |a DE-706 |a DE-11 |a DE-523 |a DE-91G |a DE-860 |a DE-19 |a DE-1043 |a DE-573 |a DE-634 |a DE-858 |a DE-M347 |a DE-83 |a DE-898 |a DE-92 |a DE-1049 |a DE-861 |a DE-473 |a DE-1046 |a DE-1051 |a DE-384 |a DE-1047 | ||
| 082 | 0 | |a 004 |2 23 | |
| 082 | 0 | |a 005.133 |2 22/ger | |
| 082 | 0 | |a 006.31 |2 22/ger | |
| 084 | |a ST 250 |0 (DE-625)143626: |2 rvk | ||
| 084 | |a ST 300 |0 (DE-625)143650: |2 rvk | ||
| 084 | |a ST 302 |0 (DE-625)143652: |2 rvk | ||
| 084 | |a ST 530 |0 (DE-625)143679: |2 rvk | ||
| 084 | |a 004 |2 sdnb | ||
| 084 | |a DAT 708f |2 stub | ||
| 084 | |a DAT 368f |2 stub | ||
| 084 | |a DAT 316f |2 stub | ||
| 100 | 1 | |a Raschka, Sebastian |e Verfasser |0 (DE-588)1080537872 |4 aut | |
| 240 | 1 | 0 | |a Python machine learning |
| 245 | 1 | 0 | |a Machine learning mit Python und Scikit-learn und TensorFlow |b das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics |c Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen |
| 250 | |a 2., aktualisierte und erweiterte Auflage | ||
| 264 | 1 | |a Frechen |b mitp |c 2018 | |
| 300 | |a 577 Seiten |b Diagramme |c 24 cm x 17 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 650 | 0 | 7 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |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 Python 3.4 |0 (DE-588)1053433689 |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 3.5 |0 (DE-588)1113598565 |2 gnd |9 rswk-swf |
| 653 | |a NumPy | ||
| 653 | |a SciPy | ||
| 653 | |a pandas | ||
| 653 | |a Big Data | ||
| 653 | |a Algorithmen | ||
| 653 | |a Datenanalyse | ||
| 653 | |a Data Scientist | ||
| 653 | |a Sentiment Analyse | ||
| 653 | |a Sentiment Analysis | ||
| 689 | 0 | 0 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |D s |
| 689 | 0 | 1 | |a Datenanalyse |0 (DE-588)4123037-1 |D s |
| 689 | 0 | 2 | |a Big Data |0 (DE-588)4802620-7 |D s |
| 689 | 0 | 3 | |a Python 3.4 |0 (DE-588)1053433689 |D s |
| 689 | 0 | 4 | |a Python 3.5 |0 (DE-588)1113598565 |D s |
| 689 | 0 | |5 DE-604 | |
| 689 | 1 | 0 | |a Python |g Programmiersprache |0 (DE-588)4434275-5 |D s |
| 689 | 1 | 1 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |D s |
| 689 | 1 | |5 DE-604 | |
| 700 | 1 | |a Mirjalili, Vahid |0 (DE-588)1147615993 |4 aut | |
| 700 | 1 | |a Lorenzen, Knut |0 (DE-588)1020241446 |4 trl | |
| 710 | 2 | |a mitp Verlags GmbH & Co. KG |0 (DE-588)1065362072 |4 pbl | |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, PDF |z 978-3-95845-734-8 |w (DE-604)BV044795341 |
| 780 | 0 | 0 | |a Raschka, Sebastian |
| 780 | 0 | 0 | |t Machine learning mit Python |
| 780 | 0 | 0 | |i Vorangegangen ist |z 9783958454224 |w (DE-604)BV043799643 |
| 856 | 4 | 2 | |m Digitalisierung UB Passau - ADAM Catalogue Enrichment |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030091852&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 999 | |a oai:aleph.bib-bvb.de:BVB01-030091852 | ||
Datensatz im Suchindex
| _version_ | 1804178160099524608 |
|---|---|
| adam_text | I n haltsverzeich n is
Über die Autoren................................................ 15
Über die Korrektoren............................................ 17
Einleitung...................................................... 19
1 Wie Computer aus Daten lernen können............................ 25
1.1 Intelligente Maschinen, die Daten in Wissen verwandeln.......... 25
1.2 Die drei Arten des Machine Learnings............................ 26
1.2.1 Mit überwachtem Lernen Vorhersagen treffen............... 26
1.2.2 Interaktive Aufgaben durch verstärkendes Lernen lösen ... 29
1.2.3 Durch unüberwachtes Lernen verborgene Strukturen
erkennen................................................. 31
1.3 Grundlegende Terminologie und Notation.......................... 32
1.4 Entwicklung eines Systems für das Machine Learning.............. 34
1.4.1 Vorverarbeitung: Daten in Form bringen................... 35
1.4.2 Trainieren und Auswahlen eines Vorhersagemodells...... 36
1.4.3 Bewertung von Modellen und Vorhersage anhand
unbekannter Dateninstanzen............................... 37
1.5 Machine Leaming mit Python...................................... 37
1.5.1 Python-Pakete installieren............................... 37
1.5.2 Verwendung der Python-Distribution Anaconda.............. 38
1.5.3 Pakete für wissenschaftliches Rechnen, Data Science und
Machine Learning......................................... 38
1.6 Zusammenfassung................................................. 39
2 Lemalgorithmen für die Klassifizierung trainieren............... 41
2.1 Künstliche Neuronen: Ein kurzer Blick auf die Anfänge des
Machine Learnings............................................... 41
2.1.1 Formale Definition eines künstlichen Neurons............. 42
2.1.2 Die Perzeptron-Lernregel................................. 44
2.2 Implementierung eines Perzeptron-Lernalgorithmus in Python ... 47
2.2.1 Eine objektorientierte Perzeptron-API.................... 47
2.2.2 Trainieren eines Perzeptron-Modells auf die
Iris-Datensammlung....................................... 51
2.3 Adaptive lineare Neuronen und die Konvergenz des Lernens.... 56
2.3.1 Straffunktionen mit dem Gradientenabstiegsverfahren
minimieren............................................... 57
2.3.2 Implementierung eines adaptiven linearen Neurons in
Python................................................... 59
2.3.3 Verbesserung des Gradientenabstiegsverfahrens durch
Merkmalstandardisierung................................. 64
2.3.4 Großmaßstäbliches Machine Learning und stochastisches
Gradientenabstiegs verfahren............................. 66
2.4 Zusammenfassung................................................. 71
3 Machine-Learning-Klassifizierer mit scikit-leam verwenden....... 73
3.1 Auswahl eines Klassifizierungsalgorithmus....................... 73
3.2 Erste Schritte mit scikit-learn: Trainieren eines Perzeptrons... 74
3.3 Klassenwahrscheinlichkeiten durch logistische Regression
modellieren..................................................... 80
3.3.1 Logistische Regression und bedingte Wahrscheinlichkeiten 81
3.3.2 Gewichtungen der logistischen Straffunktion ermitteln.... 84
3.3.3 Konvertieren einer Adaline-Implementierung in einen
Algorithmus für eine logistische Regression.............. 87
3.3.4 Trainieren eines logistischen Regressionsmodells mit
scikit-learn............................................. 91
3.3.5 Überanpassung durch Regularisierung verhindern........... 93
3.4 Maximum-Margin-Klassifizierung mit Support Vector Machines. .. 96
3.4.1 Maximierung des Randbereichs............................. 97
3.4.2 Handhabung des nicht linear trennbaren Falls mit
Schlupfvariablen......................................... 98
3.4.3 Alternative Implementierungen in scikit-learn........... 100
3.5 Nichtlineare Aufgaben mit einer Kernel-SVM lösen............... 101
3.5.1 Kernel-Methoden für linear nicht trennbare Daten........ 101
3.5.2 Mit dem Kemel-Trick Hyperebenen in höherdimensionalen
Räumen finden........................................... 103
3.6 Lernen mit Entscheidungsbäumen................................. 107
3.6.1 Maximierung des Informationsgewinns: Daten ausreizen.. 108
3.6.2 Konstruktion eines Entscheidungsbaums................... 112
3.6.3 Mehrere Entscheidungsbäume zu einem Random Forest
kombinieren............................................. 116
3.7 k-Nearest-Neighbor: Ein Lazy-Learning-Algorithmus.............. 119
3.8 Zusammenfassung................................................ 123
4 Gut geeignete Trainingsdatenmengen: Datenvorverarbeitung... 125
4.1 Umgang mit fehlenden Daten..................................... 125
4.1.1 Fehlende Werte in Tabellendaten......................... 126
4.1.2 Exemplare oder Merkmale mit fehlenden Daten
entfernen............................................... 127
4.1.3 Fehlende Werte ergänzen................................. 128
4.1.4 Die Schätzer-API von scikit-learn....................... 129
4.2 Handhabung kategorialer Daten.................................. 130
4.2.1 Nominale und ordinale Merkmale.......................... 130
4.2.2 Erstellen einer Beispieldatenmenge...................... 130
4.2.3 Zuweisung von ordinalen Merkmalen....................... 131
4.2.4 Codierung der Klassenbezeichnungen...................... 132
4.2.5 One-hot-Codierung der nominalen Merkmale................ 133
4.3 Aufteilung einer Datensammlung in Trainings- und Testdaten .... 136
4.4 Anpassung der Merkmale......................................... 138
4.5 Auswahl aussagekräftiger Merkmale.............................. 140
4.5.1 LÍ- und L2-Regularisierung als Straffunktionen.......... 141
4.5.2 Geometrische Interpretation der L2-Regularisierung.. 141
4.5.3 Dünnbesetzte Lösungen mit Ll-Regularisierung............ 143
4.5.4 Algorithmen zur sequenziellen Auswahl von
Merkmalen............................................... 147
4.6 Beurteilung der Bedeutung von Merkmalen mit Random
Forests........................................................ 154
4.7 Zusammenfassung................................................ 156
5 Datenkomprimierung durch Dimensionsreduktion................... 159
5.1 Unüberwachte Dimensionsreduktion durch
Hauptkomponentenanalyse........................................ 159
5.1.1 Schritte bei der Hauptkomponentenanalyse................ 160
5.1.2 Schrittweise Extraktion der Hauptkomponenten............ 161
5.1.3 Totale Varianz und Varianzaufklärung.................... 164
5.1.4 Merkmalstransformation.................................. 165
5.1.5 Hauptkomponentenanalyse mit scikit-learn................ 168
5.2 Überwachte Datenkomprimierung durch lineare
Diskriminanzanalyse............................................ 171
5.2.1 Hauptkomponentenanalyse vs. lineare
Diskriminanzanalyse..................................... 172
5.2.2 Die interne Funktionsweise der linearen
Diskriminanzanalyse..................................... 173
5.2.3 Berechnung der Streumatrizen.. ....................... 174
5.2.4 Auswahl linearer Diskriminanten für den neuen
Merkmalsunterraum..................................... 176
5.2.5 Projektion in den neuen Merkmalsraum.................. 179
5.2.6 LDA mit scikit-learn.................................. 180
5.3 Kemel-Hauptkomponentenanalyse für nichtlineare Zuordnungen
verwenden.................................................... 181
5.3.1 Kernel-Funktionen und der Kernel-Trick................ 182
5.3.2 Implementierung einer Kemel-Hauptkomponentenanalyse
in Python............................................. 186
5.3.3 Projizieren neuer Datenpunkte......................... 193
5.3.4 Kemel-Hauptkomponentenanalyse mit scikit-learn........ 197
5.4 Zusammenfassung.............................................. 198
6 Best Practices zur Modellbewertung und
Hyperparameter-Abstimmung.................................... 201
6.1 Arbeitsabläufe mit Pipelines optimieren...................... 201
6.1.1 Die Wisconsin-Brustkrebs-Datensammlung................ 201
6.1.2 Transformer und Schätzer in einer Pipeline
kombinieren......................................... 203
6.2 Beurteilung des Modells durch k-fache Kreuzvalidierung....... 205
6.2.1 2-fache Kreuzvalidierung.............................. 205
6.2.2 k-fache Kreuzvalidierung............................ 206
6.3 Algorithmen mit Lern- und Validierungskurven debuggen........ 211
6.3.1 Probleme mit Bias und Varianz anhand von Lernkurven
erkennen.............................................. 211
6.3.2 Überanpassung und Unteranpassung anhand von
Validierungskurven erkennen........................... 214
6.4 Feinabstimmung eines Lernmodells durch Rastersuche........... 216
6.4.1 Hyperparameter-Abstimmung durch Rastersuche........... 216
6.4.2 Algorithmenauswahl durch verschachtelte
Kreuzvalidierung...................................... 218
6.5 Verschiedene Kriterien zur Leistungsbewertung................ 220
6.5.1 Interpretation einer Wahrheitsmatrix.................. 220
6.5.2 Optimierung der Genauigkeit und der Trefferquote eines
Klassifizierungsmodells............................... 222
6.5.3 Receiver-Operating-Characteristic-Diagramme........... 224
6.5.4 Bewertungskriterien für Mehrfachklassifizierungen..... 227
228
231
233
233
237
237
244
247
253
254
255
258
259
263
266
267
267
268
268
270
270
272
275
277
279
282
285
286
286
290
Handhabung unausgewogener Klassenverteilung.................
Zusammenfassung.............................................
Kombination verschiedener Modelle für das Ensemble Leaming...
Ensemble Leaming............................................
Klassifizierer durch Mehrheitsentscheidung kombinieren......
7.2.1 Implementierung eines einfachen
Mehrheitsentscheidungs-Klassifizierers...............
7.2.2 Vorhersagen nach dem Prinzip der
Mehrheitsentscheidung treffen........................
Bewertung und Abstimmung des Klassifizierer-Ensembles.......
Bagging: Klassifizierer-Ensembles anhand von
Bootstrap-Stichproben entwickeln............................
7.4.1 Bagging kurz zusammengefasst.........................
7.4.2 Klassifizierung der Wein-Datensammlung durch
Bagging..............................................
Schwache Klassifizierer durch adaptives Boosting verbessern.
7.5.1 Funktionsweise des Boostings.........................
7.5.2 AdaBoost mit scikit-learn anwenden...................
Zusammenfassung.............................................
Machine Leaming zur Analyse von Stimmungslagen nutzen.......
Die IMDb-Filmdatenbank......................................
8.1.1 Herunterladen der Datensammlung......................
8.1.2 Vorverarbeiten der Filmbewertungsdaten...............
Das Bag-of-words-Modell.....................................
8.2.1 Wörter in Merkmalsvektoren umwandeln.................
8.2.2 Beurteilung der Wortrelevanz durch das Tf-idf-Maß....
8.2.3 Textdaten bereinigen.................................
8.2.4 Dokumente in Token zerlegen..........................
Ein logistisches Regressionsmodell für die Dokument-
klassifizierung trainieren..................................
Verarbeitung großer Datenmengen: Online-Algorithmen und
Out-of-Core Learning........................................
Topic Modeling mit latenter Dirichlet-Allokation............
8.5.1 Aufteilung von Texten mit der LDA....................
8.5.2 LDA mit scikit-learn.................................
Zusammenfassung.............................................
9 Einbettung eines Machine-Leaming-Modells in eine
Webanwendung................................................ 291
9.1 Serialisierung angepasster Schätzer mit scikit-learn.......... 291
9.2 Einrichtung einer SQLite-Datenbank zum Speichern von Daten ... 295
9.3 Entwicklung einer Webanwendung mit Flask...................... 297
9.3.1 Die erste Webanwendung mit Flask....................... 298
9.3.2 Formularvalidierung und -ausgabe....................... 300
9.4 Der Fihnbewertungsldassifizierer als Webanwendung............. 304
9.4.1 Dateien und Ordner - die Verzeichnisstruktur........... 306
9.4.2 Implementierung der Hauptanwendung app.py.............. 306
9.4.3 Einrichtung des Bewertungsformulars.................... 309
9.4.4 Eine Vorlage für die Ergebnisseite erstellen........... 310
9.5 Einrichtung der Webanwendung auf einem öffentlich
zugänglichen Webserver........................................ 312
9.5.1 Erstellen eines Benutzerkontos bei PythonAnywhere.... 312
9.5.2 Hochladen der Filmbewertungsanwendung.................. 313
9.5.3 Updatendes Filmbewertungsklassifizierers............... 314
9.6 Zusammenfassung............................................... 316
10 Vorhersage stetiger Zielvariablen durch Regressionsanalyse.... 317
10.1 Lineare Regression............................................ 317
10.1.1 Ein einfaches lineares Regressionsmodell............... 318
10.1.2 Multiple lineare Regression............................ 319
10.2 Die Lebensbedingungen-Datensammlung........................... 320
10.2.1 Einlesen der Datenmenge in einen DataFrame............. 320
10.2.2 Visualisierung der wichtigen Eigenschaften einer
Datenmenge............................................. 321
10.2.3 Zusammenhänge anhand der Korrelationsmatrix
erkennen............................................... 323
10.3 Implementierung eines linearen Regressionsmodells mit der
Methode der kleinsten Quadrate................................ 326
10.3.1 Berechnung der Regressionsparameter mit dem
Gradientenabstiegsverfahren............................ 326
10.3.2 Abschätzung der Koeffizienten eines Regressionsmodells
mit scikit-learn..................................... 330
10.4 Anpassung eines robusten Regressionsmodells mit dem
RANSAC-Algorithmus............................................ 332
10.5 Bewertung der Leistung linearer Regressionsmodelle............ 335
10.6 Regularisierungsverfahren für die Regression einsetzen........ 338
10.7 Polynomiale Regression: Umwandeln einer linearen Regression
in eine Kurve................................................. 340
10.7.1 Hinzufugen polynomialer Terme mit scikit-learn......... 341
10.7.2 Modellierung nichtlinearer Zusammenhänge in der
Lebensbedingungen- Datensammlung....................... 342
10.8 Handhabung nichtlinearer Beziehungen mit Random Forests..... 346
10.8.1 Entscheidungsbaum-Regression........................... 346
10.8.2 Random-Forest-Regression............................... 348
10.9 Zusammenfassung............................................... 351
11 Verwendung nicht gekennzeichneter Daten: Clusteranalyse....... 353
11.1 Gruppierung von Objekten nach Ähnlichkeit mit dem
k-Means-Algorithmus........................................... 353
11.1.1 K-Means-Clustering mit scikit-learn.................... 354
11.1.2 Der k-Means++-Algorithmus.............................. 358
11.1.3 »Harte« und »weiche« Clustering-Algorithmen............ 359
11.1.4 Die optimale Anzahl der Cluster mit dem
Ellenbogenkriterium ermitteln.......................... 362
11.1.5 Quantifizierung der Clustering-Güte mit
Silhouettendiagrammen.................................. 363
11.2 Cluster als hierarchischen Baum organisieren.................. 368
11.2.1 Gruppierung von Clustern............................... 368
11.2.2 Hierarchisches Clustering einer Distanzmatrix.......... 370
11.2.3 Dendrogramme und Heatmaps verknüpfen................... 373
11.2.4 Agglomeratives Clustering mit scikit-learn............. 375
11.3 Bereiche hoher Dichte mit DBSCAN ermitteln.................... 376
11.4 Zusammenfassung............................................... 382
12 Implementierung eines künstlichen neuronalen Netzes........... 383
12.1 Modellierung komplexer Funktionen mit künstlichen neuronalen
Netzen........................................................ 383
12.1.1 Einschichtige neuronale Netze.......................... 385
12.1.2 Mehrschichtige neuronale Netzarchitektur............... 387
12.1.3 Aktivierung eines neuronalen Netzes durch
Vorwärtspropagation.................................. 390
12.2 Klassifizierung handgeschriebener Ziffern..................... 392
12.2.1 Die MNIST-Datensammlung................................ 393
12.2.2 Implementierung eines mehrschichtigen Perzeptrons.... 399
12.3 Trainieren eines künstlichen neuronalen Netzes................ 410
12.3.1 Berechnung der logistischen Straffunktion.............. 410
12.3.2 Ein Gespür für die Backpropagation entwickeln.......... 413
12.3.3 Trainieren neuronaler Netze durch Backpropagation..... 415
12.4 Konvergenz in neuronalen Netzen............................... 418
12.5 Abschließende Bemerkungen zur Implementierung neuronaler
Netze......................................................... 420
12.6 Zusammenfassung.............................................. 420
13 Parallelisierung des Trainings neuronaler Netze mit
TensorFlow.................................................... 423
13.1 TensorFlow und Trainingsleistung.............................. 423
13.1.1 Was genau ist TensorFlow?.............................. 425
13.1.2 TensorFlow erlernen.................................... 425
13.1.3 Erste Schritte mit TensorFlow.......................... 426
13.1.4 Mit Array-Strukturen arbeiten.......................... 428
13.1.5 Entwicklung eines einfachen Modells mit TensorFlows
Low-level-API........................................ 430
13.2 Training neuronaler Netze mit TensorFlows High-level-APIs.... 434
13.2.1 Entwicklung mehrschichtiger neuronaler Netze mit
TensorFlows Layers-API................................. 435
13.2.2 Entwicklung eines mehrschichtigen neuronalen Netzes
mit Keras.............................................. 439
13.3 Auswahl der Aktivierungsfunktionen mehrschichtiger neuronaler
Netze......................................................... 444
13.3.1 Die logistische Funktion kurz zusammengefasst.......... 445
13.3.2 Wahrscheinlichkeiten bei der Mehrfachklassifizierung
mit der softmax-Funktion abschätzen.................... 447
13.3.3 Verbreiterung des Ausgabespektrums mittels Tangens
hyperbolicus........................................... 448
13.3.4 Aktivierung durch rektifizierte Lineareinheiten........ 449
13.4 Zusammenfassung............................................... 451
14 Die Funktionsweise von TensorFlow im Detail................. 453
14.1 Grundlegende Merkmale von TensorFlow.......................... 453
14.2 TensorFlow-Tensoren und deren Rang............................ 454
14.2.1 Rang und Form eines Tensors ermitteln.................. 455
14.3 TensorFlow-Berechnungsgraphen................................. 456
14.4 Platzhalter in TensorFlow..................................... 458
14.4.1 Platzhalter definieren................................. 459
14.4.2 Platzhaltern Daten zuführen............................ 459
460
461
461
464
465
466
469
473
474
477
481
484
487
488
489
489
490
491
500
501
501
504
507
507
508
509
521
527
14.4.3 Platzhalter für Datenarrays mit variierenden Stapelgrößen
definieren...........................................
Variablen in TensorFlow.....................................
14.5.1 Variablen definieren................................
14.5.2 Variablen initialisieren............................
14.5.3 Geltungsbereich von Variablen.......................
14.5.4 Wiederverwendung von Variablen......................
Erstellen eines Regressionsmodells..........................
Ausführung von Objekten in einem TensorFlow-Graphen unter
Verwendung ihres Namens.....................................
Speichern und wiederherstellen eines Modells in TensorFlow..
Tensoren als mehrdimensionale Datenarrays transformieren....
Mechanismen der Flusskontrolle beim Erstellen von Graphen
verwenden...................................................
Graphen mit TensorBoard visualisieren.......................
14.11.1 Erweitern Sie Ihre TensorBoard-Kenntnisse...........
Zusammenfassung.............................................
Bildklassifizierung mit tiefen konvolutionalen
neuronalen Netzen...........................................
Bausteine konvolutionaler neuronaler Netze..................
15.1.1 CNNs und Merkmalshierarchie.........................
15.1.2 Diskrete Faltungen..................................
15.1.3 Subsampling.........................................
Implementierung eines CNNs..................................
15.2.1 Verwendung mehrerer Eingabe- oder Farbkanäle........
15.2.2 Regularisierung eines neuronalen Netzes mit Dropout
Implementierung eines tiefen konvolutionalen neuronalen Netzes
mit TensorFlow..............................................
15.3.1 Die mehrschichtige CNN-Architektur..................
15.3.2 Einlesen und Vorverarbeiten der Daten...............
15.3.3 Implementierung eines CNNs mit TensorFlows
Low-level-API .......................................
15.3.4 Implementierung eines CNNs mit TensorFlows
Layers-API...........................................
Zusammenfassung.............................................
529
529
530
530
531
532
532
534
537
538
540
541
541
545
547
548
548
552
553
554
554
555
556
560
560
561
564
565
566
567
568
571
Modellierung sequenzieller Daten durch rekurrente
neuronale Netze...........................................
Sequenzielle Daten........................................
16.1.1 Modellierung sequenzieller Daten: Die Reihenfolge ist von
Bedeutung..........................................
16.1.2 Repräsentierung von Sequenzen......................
16.1.3 Verschiedene Kategorien der Sequenzmodellierung....
Sequenzmodellierung mit RNNs..............................
16.2.1 Struktur und Ablauf eines RNNs.....................
16.2.2 Aktivierungen eines RNNs berechnen.................
16.2.3 Probleme bei der Erkennung weitreichender
Interaktionen......................................
16.2.4 LSTM-Einheiten.....................................
Implementierung eines mehrschichtigen RNNs zur
Sequenzmodellierung mit TensorFlow........................
Projekt 1: Analyse der Stimmungslage in der IMDb-
Filmbewertungsdatenbank mit mehrschichtigen RNNs..........
16.4.1 Datenaufbereitung..................................
16.4.2 Einbettung.........................................
16.4.3 Erstellen eines RNN-Modells........................
16.4.4 Der Konstruktor der SentimentRNN-Klasse............
16.4.5 Die build-Methode..................................
16.4.6 Die train-Methode..................................
16.4.7 Die predict-Methode................................
16.4.8 Instanziiemng der SentimentRNN-Klasse..............
16.4.9 Training und Optimierung des RNN-Modells zur
Stimmungsanalyse...................................
Projekt 2: Implementierung eines RNNs zur Sprachmodellierung
durch Zeichen mit TensorFlow..............................
16.5.1 Datenaufbereitung .................................
16.5.2 Erstellen eines RNNs zur Sprachmodellierung durch
Zeichen............................................
16.5.3 Der Konstruktor....................................
16.5.4 Die build-Methode..................................
16.5.5 Die train-Methode..................................
16.5.6 Die sample-Methode.................................
16.5.7 Erstellen und Trainieren des CharRNN-Modells.......
16.5.8 Das CharRNN-Modell im Sampling-Modus...............
Zusammenfassung und Schlusswort...........................
Stichwortverzeichnis
|
| any_adam_object | 1 |
| author | Raschka, Sebastian Mirjalili, Vahid |
| author2 | Lorenzen, Knut |
| author2_role | trl |
| author2_variant | k l kl |
| author_GND | (DE-588)1080537872 (DE-588)1147615993 (DE-588)1020241446 |
| author_facet | Raschka, Sebastian Mirjalili, Vahid Lorenzen, Knut |
| author_role | aut aut |
| author_sort | Raschka, Sebastian |
| author_variant | s r sr v m vm |
| building | Verbundindex |
| bvnumber | BV044694981 |
| classification_rvk | ST 250 ST 300 ST 302 ST 530 |
| classification_tum | DAT 708f DAT 368f DAT 316f |
| ctrlnum | (OCoLC)1018470551 (DE-599)DNB1147881359 |
| dewey-full | 004 005.133 006.31 |
| dewey-hundreds | 000 - Computer science, information, general works |
| dewey-ones | 004 - Computer science 005 - Computer programming, programs, data, security 006 - Special computer methods |
| dewey-raw | 004 005.133 006.31 |
| dewey-search | 004 005.133 006.31 |
| dewey-sort | 14 |
| dewey-tens | 000 - Computer science, information, general works |
| discipline | Informatik |
| edition | 2., aktualisierte und erweiterte Auflage |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03672nam a22008778c 4500</leader><controlfield tag="001">BV044694981</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20190408 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">171221s2018 gw |||| |||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">17,N50</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">18,A10</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1147881359</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783958457331</subfield><subfield code="c">Broschur : EUR 49.99 (DE), circa EUR 49.99 (AT)</subfield><subfield code="9">978-3-95845-733-1</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3958457339</subfield><subfield code="9">3-95845-733-9</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783958457331</subfield></datafield><datafield tag="028" ind1="5" ind2="2"><subfield code="a">Bestellnummer: 95845733</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1018470551</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1147881359</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-NW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-M49</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-858</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-861</subfield><subfield code="a">DE-473</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-384</subfield><subfield code="a">DE-1047</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">004</subfield><subfield code="2">23</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">005.133</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.31</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 250</subfield><subfield code="0">(DE-625)143626:</subfield><subfield code="2">rvk</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">ST 530</subfield><subfield code="0">(DE-625)143679:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</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">DAT 368f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 316f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Raschka, Sebastian</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1080537872</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Python machine learning</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Machine learning mit Python und Scikit-learn und TensorFlow</subfield><subfield code="b">das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics</subfield><subfield code="c">Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">2., aktualisierte und erweiterte Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Frechen</subfield><subfield code="b">mitp</subfield><subfield code="c">2018</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">577 Seiten</subfield><subfield code="b">Diagramme</subfield><subfield code="c">24 cm x 17 cm</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="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="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">Python 3.4</subfield><subfield code="0">(DE-588)1053433689</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 3.5</subfield><subfield code="0">(DE-588)1113598565</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">NumPy</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">SciPy</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">pandas</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Big Data</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Algorithmen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Datenanalyse</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Scientist</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Sentiment Analyse</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Sentiment Analysis</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">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" 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="0" ind2="3"><subfield code="a">Python 3.4</subfield><subfield code="0">(DE-588)1053433689</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="4"><subfield code="a">Python 3.5</subfield><subfield code="0">(DE-588)1113598565</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">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="1"><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=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Mirjalili, Vahid</subfield><subfield code="0">(DE-588)1147615993</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Lorenzen, Knut</subfield><subfield code="0">(DE-588)1020241446</subfield><subfield code="4">trl</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">mitp Verlags GmbH & Co. KG</subfield><subfield code="0">(DE-588)1065362072</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, PDF</subfield><subfield code="z">978-3-95845-734-8</subfield><subfield code="w">(DE-604)BV044795341</subfield></datafield><datafield tag="780" ind1="0" ind2="0"><subfield code="a">Raschka, Sebastian</subfield></datafield><datafield tag="780" ind1="0" ind2="0"><subfield code="t">Machine learning mit Python</subfield></datafield><datafield tag="780" ind1="0" ind2="0"><subfield code="i">Vorangegangen ist</subfield><subfield code="z">9783958454224</subfield><subfield code="w">(DE-604)BV043799643</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Passau - ADAM Catalogue Enrichment</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=030091852&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:BVB01-030091852</subfield></datafield></record></collection> |
| id | DE-604.BV044694981 |
| illustrated | Not Illustrated |
| indexdate | 2024-07-10T07:59:33Z |
| institution | BVB |
| institution_GND | (DE-588)1065362072 |
| isbn | 9783958457331 3958457339 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-030091852 |
| oclc_num | 1018470551 |
| open_access_boolean | |
| owner | DE-M49 DE-BY-TUM DE-703 DE-29T DE-1102 DE-739 DE-20 DE-706 DE-11 DE-523 DE-91G DE-BY-TUM DE-860 DE-19 DE-BY-UBM DE-1043 DE-573 DE-634 DE-858 DE-M347 DE-83 DE-898 DE-BY-UBR DE-92 DE-1049 DE-861 DE-473 DE-BY-UBG DE-1046 DE-1051 DE-384 DE-1047 |
| owner_facet | DE-M49 DE-BY-TUM DE-703 DE-29T DE-1102 DE-739 DE-20 DE-706 DE-11 DE-523 DE-91G DE-BY-TUM DE-860 DE-19 DE-BY-UBM DE-1043 DE-573 DE-634 DE-858 DE-M347 DE-83 DE-898 DE-BY-UBR DE-92 DE-1049 DE-861 DE-473 DE-BY-UBG DE-1046 DE-1051 DE-384 DE-1047 |
| physical | 577 Seiten Diagramme 24 cm x 17 cm |
| publishDate | 2018 |
| publishDateSearch | 2018 |
| publishDateSort | 2018 |
| publisher | mitp |
| record_format | marc |
| spelling | Raschka, Sebastian Verfasser (DE-588)1080537872 aut Python machine learning Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen 2., aktualisierte und erweiterte Auflage Frechen mitp 2018 577 Seiten Diagramme 24 cm x 17 cm txt rdacontent n rdamedia nc rdacarrier Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf Big Data (DE-588)4802620-7 gnd rswk-swf Python Programmiersprache (DE-588)4434275-5 gnd rswk-swf Python 3.4 (DE-588)1053433689 gnd rswk-swf Datenanalyse (DE-588)4123037-1 gnd rswk-swf Python 3.5 (DE-588)1113598565 gnd rswk-swf NumPy SciPy pandas Big Data Algorithmen Datenanalyse Data Scientist Sentiment Analyse Sentiment Analysis Maschinelles Lernen (DE-588)4193754-5 s Datenanalyse (DE-588)4123037-1 s Big Data (DE-588)4802620-7 s Python 3.4 (DE-588)1053433689 s Python 3.5 (DE-588)1113598565 s DE-604 Python Programmiersprache (DE-588)4434275-5 s Mirjalili, Vahid (DE-588)1147615993 aut Lorenzen, Knut (DE-588)1020241446 trl mitp Verlags GmbH & Co. KG (DE-588)1065362072 pbl Erscheint auch als Online-Ausgabe, PDF 978-3-95845-734-8 (DE-604)BV044795341 Raschka, Sebastian Machine learning mit Python Vorangegangen ist 9783958454224 (DE-604)BV043799643 Digitalisierung UB Passau - ADAM Catalogue Enrichment application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030091852&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis |
| spellingShingle | Raschka, Sebastian Mirjalili, Vahid Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics Maschinelles Lernen (DE-588)4193754-5 gnd Big Data (DE-588)4802620-7 gnd Python Programmiersprache (DE-588)4434275-5 gnd Python 3.4 (DE-588)1053433689 gnd Datenanalyse (DE-588)4123037-1 gnd Python 3.5 (DE-588)1113598565 gnd |
| subject_GND | (DE-588)4193754-5 (DE-588)4802620-7 (DE-588)4434275-5 (DE-588)1053433689 (DE-588)4123037-1 (DE-588)1113598565 |
| title | Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics |
| title_alt | Python machine learning |
| title_auth | Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics |
| title_exact_search | Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics |
| title_full | Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen |
| title_fullStr | Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen |
| title_full_unstemmed | Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen |
| title_old | Raschka, Sebastian Machine learning mit Python |
| title_short | Machine learning mit Python und Scikit-learn und TensorFlow |
| title_sort | machine learning mit python und scikit learn und tensorflow das umfassende praxis handbuch fur data science deep learning und predictive analytics |
| title_sub | das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics |
| topic | Maschinelles Lernen (DE-588)4193754-5 gnd Big Data (DE-588)4802620-7 gnd Python Programmiersprache (DE-588)4434275-5 gnd Python 3.4 (DE-588)1053433689 gnd Datenanalyse (DE-588)4123037-1 gnd Python 3.5 (DE-588)1113598565 gnd |
| topic_facet | Maschinelles Lernen Big Data Python Programmiersprache Python 3.4 Datenanalyse Python 3.5 |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030091852&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT raschkasebastian pythonmachinelearning AT mirjalilivahid pythonmachinelearning AT lorenzenknut pythonmachinelearning AT mitpverlagsgmbhcokg pythonmachinelearning AT raschkasebastian machinelearningmitpythonundscikitlearnundtensorflowdasumfassendepraxishandbuchfurdatasciencedeeplearningundpredictiveanalytics AT mirjalilivahid machinelearningmitpythonundscikitlearnundtensorflowdasumfassendepraxishandbuchfurdatasciencedeeplearningundpredictiveanalytics AT lorenzenknut machinelearningmitpythonundscikitlearnundtensorflowdasumfassendepraxishandbuchfurdatasciencedeeplearningundpredictiveanalytics AT mitpverlagsgmbhcokg machinelearningmitpythonundscikitlearnundtensorflowdasumfassendepraxishandbuchfurdatasciencedeeplearningundpredictiveanalytics |