Machine learning Kochbuch: praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Book |
| Language: | German English |
| Published: |
Heidelberg
O'Reilly
[2019]
|
| Edition: | 1. Auflage |
| Subjects: | |
| Online Access: | Inhaltsverzeichnis |
| Item Description: | Auf dem Cover: "Lösungen mit Python" |
| Physical Description: | XVI, 348 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm |
| ISBN: | 9783960090908 3960090900 |
Staff View
MARC
| LEADER | 00000nam a2200000 c 4500 | ||
|---|---|---|---|
| 001 | BV045514088 | ||
| 003 | DE-604 | ||
| 005 | 20221130 | ||
| 007 | t| | ||
| 008 | 190315s2019 gw a||| |||| 00||| ger d | ||
| 015 | |a 18,N44 |2 dnb | ||
| 016 | 7 | |a 1169944361 |2 DE-101 | |
| 020 | |a 9783960090908 |c Broschur : EUR 36.90 (DE), circa EUR 38.00 (AT) |9 978-3-96009-090-8 | ||
| 020 | |a 3960090900 |9 3-96009-090-0 | ||
| 024 | 3 | |a 9783960090908 | |
| 035 | |a (OCoLC)1091670353 | ||
| 035 | |a (DE-599)DNB1169944361 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 1 | |a ger |h eng | |
| 044 | |a gw |c XA-DE-BW | ||
| 049 | |a DE-860 |a DE-1050 |a DE-706 |a DE-19 |a DE-92 |a DE-91G |a DE-862 |a DE-29T |a DE-1043 |a DE-M347 |a DE-898 |a DE-1046 |a DE-11 |a DE-1102 |a DE-739 |a DE-859 |a DE-573 |a DE-83 |a DE-945 | ||
| 050 | 0 | |a Q325.5 | |
| 082 | 0 | |a 006.31 |2 23/ger | |
| 082 | 0 | |a 005.133 |2 23/ger | |
| 084 | |a ST 300 |0 (DE-625)143650: |2 rvk | ||
| 084 | |a ST 302 |0 (DE-625)143652: |2 rvk | ||
| 084 | |a ST 250 |0 (DE-625)143626: |2 rvk | ||
| 084 | |a DAT 708f |2 stub | ||
| 084 | |a 004 |2 sdnb | ||
| 100 | 1 | |a Albon, Chris |e Verfasser |0 (DE-588)1165271796 |4 aut | |
| 240 | 1 | 0 | |a Machine learning with Python cookbook |
| 245 | 1 | 0 | |a Machine learning Kochbuch |b praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning |c Chris Albon ; deutsche Übersetzung von Frank Langenau |
| 250 | |a 1. Auflage | ||
| 264 | 1 | |a Heidelberg |b O'Reilly |c [2019] | |
| 264 | 4 | |c © 2019 | |
| 300 | |a XVI, 348 Seiten |b Illustrationen, Diagramme |c 24 cm x 16.5 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 500 | |a Auf dem Cover: "Lösungen mit Python" | ||
| 650 | 0 | 7 | |a JSON |0 (DE-588)1105592812 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Deep Learning |0 (DE-588)1135597375 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Vorverarbeitung |0 (DE-588)4403014-9 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Datenaufbereitung |0 (DE-588)4148865-9 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a pandas |g Software |0 (DE-588)1192378490 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Merkmalsextraktion |0 (DE-588)4314440-8 |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 NumPy |0 (DE-588)1192378229 |2 gnd |9 rswk-swf |
| 655 | 7 | |0 (DE-588)4143389-0 |a Aufgabensammlung |2 gnd-content | |
| 689 | 0 | 0 | |a Python |g Programmiersprache |0 (DE-588)4434275-5 |D s |
| 689 | 0 | 1 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |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 NumPy |0 (DE-588)1192378229 |D s |
| 689 | 1 | 3 | |a Datenaufbereitung |0 (DE-588)4148865-9 |D s |
| 689 | 1 | 4 | |a Vorverarbeitung |0 (DE-588)4403014-9 |D s |
| 689 | 1 | 5 | |a Merkmalsextraktion |0 (DE-588)4314440-8 |D s |
| 689 | 1 | 6 | |a Deep Learning |0 (DE-588)1135597375 |D s |
| 689 | 1 | 7 | |a JSON |0 (DE-588)1105592812 |D s |
| 689 | 1 | 8 | |a pandas |g Software |0 (DE-588)1192378490 |D s |
| 689 | 1 | |5 DE-604 | |
| 700 | 1 | |a Langenau, Frank |0 (DE-588)123178002 |4 trl | |
| 775 | 0 | 8 | |i Parallele Sprachausgabe |a Albon, Chris |t Machine learning with Python cookbook |d Beijing : O'Reilly, April 2018 |z 978-1-4919-8938-8 |n englisch |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, PDF |z 978-3-96010-306-6 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, ePub |z 978-3-96010-307-3 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, Mobi |z 978-3-96010-308-0 |
| 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=030898525&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-030898525 | |
Record in the Search Index
| DE-BY-862_location | 2000 |
|---|---|
| DE-BY-FWS_call_number | 2000/ST 300 A339 |
| DE-BY-FWS_katkey | 720217 |
| DE-BY-FWS_media_number | 083000508858 |
| _version_ | 1824553837981073408 |
| adam_text |
Inhalt Einleitung. XIII 1 Vektoren, Matrizen und Arrays. 1.0 Einführung. 1.1 Einen Vektor erzeugen. 1.2 Eine Matrix erstellen. 1.3 Eine dünn besetzte Matrix erzeugen. 1.4 Elemente auswählen. 1.5 Eine Matrix beschreiben. 1.6 Operationen auf Elemente anwenden. 1.7 Die Größt-und Kleinstwerte suchen. 1.8 Mittelwert, Varianz und Standardabweichung berechnen. 1.9 Die Gestalt von Arrays ändern. 1.10 Einen Vektor oder eine Matrix transponieren. 1.11 Eine Matrix verflachen. 1.12 Den Rang einer Matrix ermitteln. 1.13 Die Determinante berechnen. 1.14 Die Diagonale einer Matrix ermitteln. 1.15 Die Spur einer Matrix berechnen. 1.16 Eigenwerte und Eigenvektoren suchen. 1.17 Punktprodukte
berechnen. 1.18 Matrizen addieren und subtrahieren. 1.19 Matrizen multiplizieren. 1.20 Eine Matrix invertieren. 1.21 Zufallswerte erzeugen. 1 1 1 2 3 5 6 7 8 9 10 11 12 12 13 14 14 15 16 17 18 19 20 2 Laden von Daten. 2.0 Einführung. 2.1 Einen Beispieldatensatz laden. 2.2 Einen simulierten Datensatz erzeugen. 23 23 23 25
2.3 2.4 2.5 2.6 3 4 Eine CSV-Datei laden. Eine Excel-Datei laden. Eine JSON-Datei laden. Eine SQL-Datenbank abfragen. 27 28 29 30 Datenaufbereitung. 3.0 Einführung. 3.1 Einen Dataframe erstellen. 3.2 Die Daten beschreiben. 3.3 In DataFrames navigieren. 3.4 Zeilen abhängig von Bedingungen auswählen. 3.5 Werte ersetzen. 3.6 Spalten umbenennen. 3.7 Minimum, Maximum, Summe, Mittelwert und Anzahl ermitteln. 3.8 Eindeutige Werte ermitteln. 3.9 Fehlende Werte behandeln. 3.10 Eine Spalte löschen. 3.11 Eine Zeile löschen. 3.12 Doppelte
Zeilen löschen. 3.13 Zeilen nach Werten gruppieren. 3.14 Zeilen nach Zeit gruppieren. 3.15 Eine Spalte in einer Schleife durchlaufen. 3.16 Eine Funktion auf alle Elemente in einer Spalte anwenden . 3.17 Eine Funktion auf Gruppen anwenden. 3.18 DataFrames verketten. 3.19 DataFrames zusammenführen. 33 33 34 35 37 39 40 41 Numerische Daten verarbeiten. 4.0 Einführung. 4.1 Ein Merkmal neu skalieren. 4.2 Ein Merkmal standardisieren. 4.3 Beobachtungen normalisieren. 4.4 Polynom- und Interaktionsmerkmale erzeugen. 4.5 Merkmale transformieren. 4.6 Ausreißer erkennen. 4.7 Mit Ausreißern umgehen. 4.8 Merkmale diskretisieren. 4.9 Beobachtungen durch Clustern
gruppieren. 4.10 Beobachtungen mit fehlenden Werten löschen. 4.11 Fehlende Werte imputieren. 61 61 61 63 64 66 68 69 71 73 75 76 78 42 43 45 46 47 49 50 52 54 55 55 56 58
5 Kategorische Daten behandeln. 5.0 Einführung. 5.1 Nominale kategorische Merkmale codieren. 5.2 Ordinale kategorische Merkmale codieren. 5.3 Wörterbücher von Merkmalen codieren. 5.4 Fehlende Klassenwerte imputieren. 5.5 Umgang mit unausgewogenen Klassen. 81 81 82 84 86 88 90 6 Text verarbeiten. 6.0 Einführung. 6.1 Text bereinigen. 6.2 HTML parsen und bereinigen. 6.3 Satzzeichen entfernen. 6.4 Text in Tokens zerlegen. 6.5 Stoppwörter entfernen. 6.6 Stemming. 6.7 Wortarten markieren. 6.8 Text als Bag of Words codieren. 6.9 Wortbedeutung gewichten. 95 95 95 97 98 99 99 100 101 104
106 7 Datum und Uhrzeit. 7.0 Einführung. 7.1 Strings in Datumswerte konvertieren. 7.2 Umgang mit Zeitzonen. 7.3 Datum und Uhrzeit auswählen. 7.4 Datumsdaten in mehrere Merkmale aufgliedern. 7.5 Die Differenz zwischen Datumswerten bilden. 7.6 Wochentage codieren. 7.7 Ein verzögertes Merkmal erstellen. 7.8 Gleitende Zeitfenster verwenden. 7.9 Fehlende Daten in Zeitreihen behandeln. 109 109 109 111 112 113 114 115 116 117 118 8 Bilder verarbeiten. 8.0 Einführung. 8.1 Bilder laden. 8.2 Bilder speichern. 8.3 Bilder in der Größe ändern. 8.4 Bilder beschneiden. 8.5 Bilder
weichzeichnen. 8.6 Bilder scharfzeichnen. 8.7 Kontrast erhöhen. 121 121 122 124 125 126 127 129 130
8.8 8.9 8.10 8.11 8.12 8.13 8.14 8.15 9 Farben isolieren. Binärbilder erzeugen. Hintergründe entfernen. Kantendetektion. Eckenerkennung. Merkmale für maschinelles Lernen erzeugen. Die mittlere Farbe als Merkmal codieren. Farbhistogramme als Merkmale codieren. 132 134 136 138 140 143 145 146 Verringerung der Dimensionalität durch Merkmalsextraktion. 151 9.0 9.1 9.2 151 152 9.3 9.4 9.5 Einführung. Merkmale mithilfe von Hauptkomponenten reduzieren. Merkmale reduzieren, wenn Daten nicht linear separierbar sind. Merkmale durch Maximierung der Klassenseparierbarkeit reduzieren. Merkmale durch Matrixfaktorisierung reduzieren. Merkmale auf schwach besetzten Daten reduzieren. 154 156 159 160 10 Dimensionalität durch Merkmalsauswahl reduzieren. 163 10.0
Einführung. 10.1 Numerische Merkmale nach dem Schwellenwert von Varianzen auswählen. 10.2 Binäre Merkmale nach dem Schwellenwert von Varianzen auswählen. 10.3 Stark korrelierte Merkmale verarbeiten. 10.4 Für eine Klassifizierung irrelevante Merkmale entfernen. 10.5 Merkmale rekursiv entfernen. 163 11 163 165 166 168 170 Modellbewertung. 173 11.0 11.1 11.2 11.3 11.4 11.5 11.6 11.7 11.8 11.9 11.10 11.11 173 173 177 179 180 183 187 188 191 192 194 195 Einführung. Kreuzvalidierungsmodelle. Ein Baseline-Regressionsmodell erstellen. Ein Baseline-Klassifiziemngsmodell erstellen. Vorhersagen binärer Klassifikatoren bewerten. Schwellenwerte von binären Klassifikatoren bewerten. Mehrklassige Klassifikatorvorhersagen bewerten. Die Performance eines Klassifikators visualisieren. Regressionsmodelle bewerten.
Clustermodeliebewerten. Eine benutzerdefinierte Bewertungsmetrik erstellen. Die Wirkung der Trainingsmengengröße visualisieren.
11.12 Einen Textbericht der Bewertungsmetriken erstellen. 11.13 Die Wirkung von Hyperparameter-Werten visualisieren. 198 199 12 Modellauswahl. 12.0 Einführung. 12.1 Beste Modelle mittels erschöpfender Suche auswählen. 12.2 Beste Modelle mittels Zufallssuche auswählen. 12.3 Beste Modelle von mehreren Lernalgorithmen auswählen. 12.4 Beste Modelle bei Vorverarbeitung auswählen. 12.5 Die Modellauswahl durch Parallelisierung beschleunigen. 12.6 Die Modellauswahl mit algorithmusspezifischen Methoden beschleunigen. 12.7 Performance nach der Modellauswahl bewerten. 203 203 204 206 208 210 212 13 Lineare Regression. 13.0 Einführung. 13.1 Eine Gerade anpassen. 13.2 Interaktive Effekte verarbeiten. 13.3 Eine nichtlineare Beziehung anpassen. 13.4 Varianz durch Regularisierung verringern. 13.5 Merkmale mit Lasso-Regression reduzieren. 217 217 217 219 221 223 225 14
Bäume und Wälder. 14.0 Einführung. 14.1 Einen Klassifikator mittels Entscheidungsbaum trainieren. 14.2 Einen Entscheidungsbaumregressor trainieren. 14.3 Ein Entscheidungsbaummodell visualisieren. 14.4 Einen Random-Forest-Klassifikator trainieren. 14.5 Einen Random-Forest-Regressor trainieren. 14.6 Wichtige Merkmale in Random Forests identifizieren. 14.7 Wichtige Merkmale in Random Forests auswählen. 14.8 Unausgewogene Klassen behandeln. 14.9 Die Baumgröße steuern. 14.10 Performance durch Boosting verbessern. 14.11 Random Forests mit Out-of-Bag-Fehlern bewerten. 227 227 227 229 230 232 234 235 237 239 240 242 243 15 К-nächste Nachbarn. 15.0 Einführung. 15.1 Die nächsten Nachbarn einer Beobachtung suchen. 15.2 Einen k-nächste-Nachbarn-Klassifikator erzeugen. 15.3 Die Größe der besten Nachbarschaft ermitteln. 15.4 Einen radiusbasierten Nächste-Nachbarn-Klassifikator erstellen 245 245 245 248 250 251 213 215
16 Logistische Regression. 16.0 Einführung. 16.1 Einen binären Klassifikator trainieren. 16.2 Einen Multiklassenklassifikator trainieren. 16.3 Varianz durch Regularisierang verringern. 16.4 Einen Klassifikator auf sehr großen Daten trainieren. 16.5 Unausgewogene Klassen verarbeiten. 253 253 253 255 256 257 258 17 Support Vector Machines. 17.0 Einführung. 17.1 Einen linearen Klassifikator trainieren. 17.2 Nicht linear separierbare Klassen mit Kemels behandeln. 17.3 Vorhergesagte Wahrscheinlichkeiten erzeugen. 17.4 Stützvektoren bestimmen. 17.5 Unausgewogene Klassen verarbeiten. 261 261 261 264 267 269 270 18 Naive Bayes-Klassifikatoren. 18.0 Einführung. 18.1 Einen Klassifikator für kontinuierliche Merkmale trainieren . . . 18.2 Einen Klassifikator für diskrete und abzahlbare Merkmale
trainieren. 18.3 Einen naiven Bayes-Klassifikator für binäre Merkmale trainieren. 18.4 Vorhergesagte Wahrscheinlichkeiten kalibrieren. 273 273 274 19 Clustering. 19.0 Einführung. 19.1 K-Means-Clustering. 19.2 K-Means-Clustering beschleunigen. 19.3 Clustering mittels Mean-Shift. 19.4 Clustering durch hierarchisches Zusammenführen. 281 281 281 284 285 288 20 Neuronale Netze. 20.0 Einführung. 20.1 Vorverarbeitung der Daten für neuronale Netze. 20.2 Ein neuronales Netz entwerfen. 20.3 Einen binären Klassifikator trainieren. 20.4 Einen Klassifikator für mehrere Klassen trainieren. 20.5 Einen Regressor trainieren. 20.6 Vorhersagen treffen. 20.7 Den
Trainingsverlauf visualisieren. 291 291 292 294 297 299 301 303 304 276 277 278
20.8 Überanpassung durch Regularisierung der Gewichte vermindern. Überanpassung durch frühes Stoppen verringern. Überanpassung durch Dropout verringern. Den Fortschritt beim Training eines Modells speichern. Neuronale Netze mit k-facher Kreuzvalidierung. Neuronale Netze optimieren. Neuronale Netze visualisieren. Bilder klassifizieren. Höhere Performance durch Bildverbesserung. Text klassifizieren. 307 309 311 313 315 317 319 320 324 326 21 Trainierte Modelle speichern und laden. 21.0 Einführung. 21.1 Ein scikit-learn-Modell speichern und laden. 21.2 Ein Keras-Modell speichern und laden. 331 331 331 333 Index. 335 20.9 20.10 20.11 20.12 20.13 20.14 20.15 20.16 20.17 |
| any_adam_object | 1 |
| author | Albon, Chris |
| author2 | Langenau, Frank |
| author2_role | trl |
| author2_variant | f l fl |
| author_GND | (DE-588)1165271796 (DE-588)123178002 |
| author_facet | Albon, Chris Langenau, Frank |
| author_role | aut |
| author_sort | Albon, Chris |
| author_variant | c a ca |
| building | Verbundindex |
| bvnumber | BV045514088 |
| callnumber-first | Q - Science |
| callnumber-label | Q325 |
| callnumber-raw | Q325.5 |
| callnumber-search | Q325.5 |
| callnumber-sort | Q 3325.5 |
| callnumber-subject | Q - General Science |
| classification_rvk | ST 300 ST 302 ST 250 |
| classification_tum | DAT 708f |
| ctrlnum | (OCoLC)1091670353 (DE-599)DNB1169944361 |
| dewey-full | 006.31 005.133 |
| dewey-hundreds | 000 - Computer science, information, general works |
| dewey-ones | 006 - Special computer methods 005 - Computer programming, programs, data, security |
| dewey-raw | 006.31 005.133 |
| dewey-search | 006.31 005.133 |
| dewey-sort | 16.31 |
| dewey-tens | 000 - Computer science, information, general works |
| discipline | Informatik |
| edition | 1. Auflage |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a2200000 c 4500</leader><controlfield tag="001">BV045514088</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20221130</controlfield><controlfield tag="007">t|</controlfield><controlfield tag="008">190315s2019 gw a||| |||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">18,N44</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1169944361</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783960090908</subfield><subfield code="c">Broschur : EUR 36.90 (DE), circa EUR 38.00 (AT)</subfield><subfield code="9">978-3-96009-090-8</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3960090900</subfield><subfield code="9">3-96009-090-0</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783960090908</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1091670353</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1169944361</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="1" ind2=" "><subfield code="a">ger</subfield><subfield code="h">eng</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-860</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-945</subfield></datafield><datafield tag="050" ind1=" " ind2="0"><subfield code="a">Q325.5</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.31</subfield><subfield code="2">23/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">005.133</subfield><subfield code="2">23/ger</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 250</subfield><subfield code="0">(DE-625)143626:</subfield><subfield code="2">rvk</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">Albon, Chris</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1165271796</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Machine learning with Python cookbook</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Machine learning Kochbuch</subfield><subfield code="b">praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning</subfield><subfield code="c">Chris Albon ; deutsche Übersetzung von Frank Langenau</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">O'Reilly</subfield><subfield code="c">[2019]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">© 2019</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XVI, 348 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 16.5 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="500" ind1=" " ind2=" "><subfield code="a">Auf dem Cover: "Lösungen mit Python"</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">JSON</subfield><subfield code="0">(DE-588)1105592812</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Vorverarbeitung</subfield><subfield code="0">(DE-588)4403014-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Datenaufbereitung</subfield><subfield code="0">(DE-588)4148865-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">pandas</subfield><subfield code="g">Software</subfield><subfield code="0">(DE-588)1192378490</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="650" ind1="0" ind2="7"><subfield code="a">Merkmalsextraktion</subfield><subfield code="0">(DE-588)4314440-8</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">NumPy</subfield><subfield code="0">(DE-588)1192378229</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4143389-0</subfield><subfield code="a">Aufgabensammlung</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" 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="0" 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="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">NumPy</subfield><subfield code="0">(DE-588)1192378229</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><subfield code="a">Datenaufbereitung</subfield><subfield code="0">(DE-588)4148865-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="4"><subfield code="a">Vorverarbeitung</subfield><subfield code="0">(DE-588)4403014-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="5"><subfield code="a">Merkmalsextraktion</subfield><subfield code="0">(DE-588)4314440-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="6"><subfield code="a">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="7"><subfield code="a">JSON</subfield><subfield code="0">(DE-588)1105592812</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="8"><subfield code="a">pandas</subfield><subfield code="g">Software</subfield><subfield code="0">(DE-588)1192378490</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">Langenau, Frank</subfield><subfield code="0">(DE-588)123178002</subfield><subfield code="4">trl</subfield></datafield><datafield tag="775" ind1="0" ind2="8"><subfield code="i">Parallele Sprachausgabe</subfield><subfield code="a">Albon, Chris</subfield><subfield code="t">Machine learning with Python cookbook</subfield><subfield code="d">Beijing : O'Reilly, April 2018</subfield><subfield code="z">978-1-4919-8938-8</subfield><subfield code="n">englisch</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">978-3-96010-306-6</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">978-3-96010-307-3</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">978-3-96010-308-0</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=030898525&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-030898525</subfield></datafield></record></collection> |
| genre | (DE-588)4143389-0 Aufgabensammlung gnd-content |
| genre_facet | Aufgabensammlung |
| id | DE-604.BV045514088 |
| illustrated | Illustrated |
| indexdate | 2025-02-20T06:42:13Z |
| institution | BVB |
| isbn | 9783960090908 3960090900 |
| language | German English |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-030898525 |
| oclc_num | 1091670353 |
| open_access_boolean | |
| owner | DE-860 DE-1050 DE-706 DE-19 DE-BY-UBM DE-92 DE-91G DE-BY-TUM DE-862 DE-BY-FWS DE-29T DE-1043 DE-M347 DE-898 DE-BY-UBR DE-1046 DE-11 DE-1102 DE-739 DE-859 DE-573 DE-83 DE-945 |
| owner_facet | DE-860 DE-1050 DE-706 DE-19 DE-BY-UBM DE-92 DE-91G DE-BY-TUM DE-862 DE-BY-FWS DE-29T DE-1043 DE-M347 DE-898 DE-BY-UBR DE-1046 DE-11 DE-1102 DE-739 DE-859 DE-573 DE-83 DE-945 |
| physical | XVI, 348 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm |
| publishDate | 2019 |
| publishDateSearch | 2019 |
| publishDateSort | 2019 |
| publisher | O'Reilly |
| record_format | marc |
| spellingShingle | Albon, Chris Machine learning Kochbuch praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning JSON (DE-588)1105592812 gnd Deep Learning (DE-588)1135597375 gnd Vorverarbeitung (DE-588)4403014-9 gnd Datenaufbereitung (DE-588)4148865-9 gnd pandas Software (DE-588)1192378490 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Merkmalsextraktion (DE-588)4314440-8 gnd Python Programmiersprache (DE-588)4434275-5 gnd NumPy (DE-588)1192378229 gnd |
| subject_GND | (DE-588)1105592812 (DE-588)1135597375 (DE-588)4403014-9 (DE-588)4148865-9 (DE-588)1192378490 (DE-588)4193754-5 (DE-588)4314440-8 (DE-588)4434275-5 (DE-588)1192378229 (DE-588)4143389-0 |
| title | Machine learning Kochbuch praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning |
| title_alt | Machine learning with Python cookbook |
| title_auth | Machine learning Kochbuch praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning |
| title_exact_search | Machine learning Kochbuch praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning |
| title_full | Machine learning Kochbuch praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning Chris Albon ; deutsche Übersetzung von Frank Langenau |
| title_fullStr | Machine learning Kochbuch praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning Chris Albon ; deutsche Übersetzung von Frank Langenau |
| title_full_unstemmed | Machine learning Kochbuch praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning Chris Albon ; deutsche Übersetzung von Frank Langenau |
| title_short | Machine learning Kochbuch |
| title_sort | machine learning kochbuch praktische losungen mit python von der vorverarbeitung der daten bis zum deep learning |
| title_sub | praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning |
| topic | JSON (DE-588)1105592812 gnd Deep Learning (DE-588)1135597375 gnd Vorverarbeitung (DE-588)4403014-9 gnd Datenaufbereitung (DE-588)4148865-9 gnd pandas Software (DE-588)1192378490 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Merkmalsextraktion (DE-588)4314440-8 gnd Python Programmiersprache (DE-588)4434275-5 gnd NumPy (DE-588)1192378229 gnd |
| topic_facet | JSON Deep Learning Vorverarbeitung Datenaufbereitung pandas Software Maschinelles Lernen Merkmalsextraktion Python Programmiersprache NumPy Aufgabensammlung |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030898525&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT albonchris machinelearningwithpythoncookbook AT langenaufrank machinelearningwithpythoncookbook AT albonchris machinelearningkochbuchpraktischelosungenmitpythonvondervorverarbeitungderdatenbiszumdeeplearning AT langenaufrank machinelearningkochbuchpraktischelosungenmitpythonvondervorverarbeitungderdatenbiszumdeeplearning |
Indexes
THWS Schweinfurt Zentralbibliothek Lesesaal
| Call Number: |
2000 ST 300 A339 |
|---|---|
| Copy 1 | ausleihbar Available Place a Hold |