Verfügbarkeit: Praxisbuch Unsupervised Learning

Praxisbuch Unsupervised Learning: Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Patel, Ankur A. (VerfasserIn)
Weitere Verfasser:	Langenau, Frank (ÜbersetzerIn)
Format:	Buch
Sprache:	German English
Veröffentlicht:	Heidelberg O'Reilly 2020
Ausgabe:	1. Auflage, deutsche Ausgabe
Schlagworte:	Maschinelles Lernen Python > Programmiersprache Deep learning Unsupervised Learning Supervised Learning überwachtes Lernen ML unlabeled data nicht gelabelt KI AI Künstliche Intelligenz Artificial Intelligence Data Science Algorithmen TensorFlow Keras GANs
Online-Zugang:	Inhaltstext Inhaltsverzeichnis
Beschreibung:	XXI, 334 Seiten Illustrationen, Diagramme
ISBN:	9783960091271

Internformat

MARC


LEADER	00000nam a22000008c 4500
001	BV046649272
003	DE-604
005	20210415
007	t
008	200401s2020 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 19,N47 \|2 dnb
016	7		\|a 1199638773 \|2 DE-101
020			\|a 9783960091271 \|c pbk \|9 978-3-96009-127-1
035			\|a (OCoLC)1154000452
035			\|a (DE-599)DNB1199638773
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-29T \|a DE-1043 \|a DE-898 \|a DE-706 \|a DE-523 \|a DE-1049 \|a DE-19 \|a DE-1102 \|a DE-91G \|a DE-M347 \|a DE-20 \|a DE-739 \|a DE-573 \|a DE-859
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a DAT 708 \|2 stub
084			\|a DAT 366 \|2 stub
084			\|a 004 \|2 sdnb
100	1		\|a Patel, Ankur A. \|e Verfasser \|0 (DE-588)1187288179 \|4 aut
240	1	0	\|a Hands-on unsupervised learning using Python
245	1	0	\|a Praxisbuch Unsupervised Learning \|b Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren \|c Ankur A. Patel ; Deutsche Übersetzung von Frank Langenau
250			\|a 1. Auflage, deutsche Ausgabe
264		1	\|a Heidelberg \|b O'Reilly \|c 2020
300			\|a XXI, 334 Seiten \|b Illustrationen, Diagramme
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 Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Deep learning \|0 (DE-588)1135597375 \|2 gnd \|9 rswk-swf
653			\|a Unsupervised Learning
653			\|a Supervised Learning
653			\|a überwachtes Lernen
653			\|a ML
653			\|a unlabeled data
653			\|a nicht gelabelt
653			\|a KI
653			\|a AI
653			\|a Künstliche Intelligenz
653			\|a Artificial Intelligence
653			\|a Data Science
653			\|a Algorithmen
653			\|a Maschinelles Lernen
653			\|a TensorFlow
653			\|a Keras
653			\|a GANs
689	0	0	\|a Deep learning \|0 (DE-588)1135597375 \|D s
689	0	1	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0	2	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	0		\|5 DE-604
700	1		\|a Langenau, Frank \|0 (DE-588)123178002 \|4 trl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 978-3-96088-876-5
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, EPUB \|z 978-3-96088-877-2
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, MOBI \|z 978-3-96088-878-9
856	4	2	\|m X:MVB \|q text/html \|u http://deposit.dnb.de/cgi-bin/dokserv?id=e26b6ef126194dfc9718d517d5a457b5&prov=M&dok_var=1&dok_ext=htm \|3 Inhaltstext
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=032060510&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-032060510

Datensatz im Suchindex

_version_	1804181349826822144
adam_text	INHALT EINLEITUNG ....................................................................................... XIII TEIL I: GRUNDLAGEN DES UNSUPERVISED LEARNING .......................................... 1 1 UNSUPERVISED LEARNING IM OEKOSYSTEM DES MASCHINELLEN LERNENS .............. 3 GRUNDBEGRIFFE DES MASCHINELLEN LERNENS ................................................ 3 REGELBASIERTES VS. MASCHINELLES LERNEN .................................................... 4 SUPERVISED VS. UNSUPERVISED .................................................................... 5 DIE STAERKEN UND SCHWAECHEN DES SUPERVISED LEARNING ..................... 6 DIE STAERKEN UND SCHWAECHEN DES UNSUPERVISED LEARNING ................. 7 LOESUNGEN MIT MASCHINELLEM LERNEN DURCH UNSUPERVISED LEARNING VERBESSERN ........................................................................... 8 EIN GENAUERER BLICK AUF UEBERWACHTE ALGORITHMEN ................................... 11 LINEARE METHODEN ............................................................................... 12 NACHBARSCHAFTSBASIERTE METHODEN .................................................... 13 BAUMBASIERTE METHODEN .................................................................... 14 SUPPORT VECTOR MACHINES .................................................................. 16 NEURONALE NETZE ................................................................................. 16 UNUEBERWACHTE ALGORITHMEN UNTER DER LUPE ........................................... 17 REDUZIERUNG DER DIMENSIONALITAET ...................................................... 17 CLUSTERING ........................................................................................... 20 FEATURE EXTRACTION ............................................................................. 22 UNSUPERVISED DEEP LEARNING ............................................................ 23 SEQUENZIELLE DATENPROBLEME BEIM UNSUPERVISED LEARNING ............ 25 REINFORCEMENT LEARNING MITHILFE VON UNSUPERVISED LEARNING .............. 26 SEMI-SUPERVISED LEARNING ........................................................................ 27 ERFOLGREICHE ANWENDUNGEN VON UNSUPERVISED LEARNING ....................... TI ANOMALIEERKENNUNG ........................................................................... 28 ZUSAMMENFASSUNG ..................................................................................... 29 2 DURCHGEHENDES PROJEKT ZUM MASCHINELLEN LERNEN ............................... 31 DIE UMGEBUNG EINRICHTEN ......................................................................... 31 VERSIONSVERWALTUNG: GIT ..................................................................... 31 DAS GIT-REPOSITORY HANDSON-UNSUPERVISED-LEARNING KLONEN .... 31 WISSENSCHAFTLICHE BIBLIOTHEKEN: ANACONDA-DISTRIBUTION VON PYTHON ................................................................................................ 32 NEURONALE NETZE: TENSORFLOW UND KERAS ....................................... 32 GRADIENT BOOSTING, VERSION 1: XGBOOST .......................................... 33 GRADIENT BOOSTING, VERSION 2: LIGHTGBM ....................................... 33 CLUSTERING-ALGORITHMEN ..................................................................... 33 INTERAKTIVE COMPUTERUMGEBUNG: JUPYTER NOTEBOOK ....................... 34 DIE DATEN IM UEBERBLICK ........................................................................... 34 DATENVORBEREITUNG ................................................................................... 35 DATENERFASSUNG ................................................................................... 35 DATEN ERKUNDEN ................................................................................. 36 FEATUREMATRIX UND LABELS-ARRAY GENERIEREN ................................... 39 FEATURE ENGINEERING UND FEATURE SELECTION ..................................... 40 DATEN VISUALISIEREN ............................................................................. 41 MODELLVORBEREITUNG ................................................................................. 42 IN TRAININGS- UND TESTSETS AUFTEILEN .................................................. 42 EINE KOSTENFUNKTION AUSWAEHLEN ...................................................... 43 SETS FUER K-FACHE KREUZVALIDIERUNG ERZEUGEN ..................................... 43 MODELLE DES MASCHINELLEN LERNENS (TEIL 1).............................................. 44 MODELL # 1: LOGISTISCHE REGRESSION .................................................. 44 KENNZAHLEN BEWERTEN ............................................................................... 47 WAHRHEITSMATRIX ............................................................................... 48 PRAEZISION/TREFFERQUOTE-DIAGRAMM .................................................... 49 OPERATIONSCHARAKTERISTIK EINES BEOBACHTERS ................................... 51 MODELLE DES MASCHINELLEN LERNENS (TEIL 2) .............................................. 53 MODELL #2: RANDOM FORESTS ............................................................ 53 MODELL #3: GRADIENT BOOSTING MIT XGBOOST ................................... 56 MODELL #4: GRADIENT BOOSTING MIT LIGHTGBM ................................. 59 BEWERTUNG DER VIER MODELLE MIT DEM TESTSET ......................................... 62 ENSEMBLES .................................................................................................. 66 STAPELN ................................................................................................ 66 ENDGUELTIGE MODELLAUSWAHL ....................................................................... 69 PRODUKTIONSPIPELINE ................................................................................. 70 ZUSAMMENFASSUNG ................................................................................... 71 VI \| INHALT TEIL II: UNSUPERVISED LEARNING MIT SCIKIT-IEARN .......................................... 73 3 DIMENSIONSREDUKTION .................................................................... 75 DIE MOTIVATION ZUR DIMENSIONSREDUKTION ................................... 75 DIE MNIST-ZIFFERNDATENBANK .......................................................... 76 ALGORITHMEN ZUR DIMENSIONSREDUKTION .................................................... 79 LINEARE PROJEKTION VS. MANIFOLD LEARNING ....................................... 80 HAUPTKOMPONENTENANALYSE ...................................................................... 80 HAUPTKOMPONENTENANALYSE, DAS KONZEPT ....................................... 80 PCA IN DER PRAXIS ............................................................................... 81 SPARSE PCA ......................................................................................... 87 KERNEL-PCA ......................................................................................... 88 SINGULAERWERTZERLEGUNG ............................................................................... 89 ZUFALLSPROJEKTION ....................................................................................... 91 GAUSSSCHE ZUFALLSPROJEKTION .............................................................. 91 SPARSE ZUFALLSPROJEKTION .................................................................... 92 ISOMAP ........................................................................................................ 93 MULTIDIMENSIONALESKALIERUNG .................................................................. 94 LOKAL LINEARE EINBETTUNG ........................................................................... 95 STOCHASTISCHE NACHBARSCHAFTSEINBETTUNG MIT STUDENT-T-VERTEILUNG .... 96 ANDERE METHODEN ZUR DIMENSIONSREDUKTION ......................................... 98 DICTIONARY LEARNING ........................................................................... 98 UNABHAENGIGKEITSANALYSE .................................................................... 99 ZUSAMMENFASSUNG ........................................................................................ 100 4 ANOMALIEERKENNUNG .................................................................... 103 KREDITKARTENBETRUGSERKENNUNG ................................................................... 104 DIE DATEN VORBEREITEN ........................................................................ 104 ANOMALIE-SCORE-FUNKTION DEFINIEREN .................................................. 104 BEWERTUNGSKENNZAHLEN DEFINIEREN .................................................... 105 EINE DIAGRAMMFUNKTION DEFINIEREN .................................................... 107 ANOMALIEERKENNUNG MIT NORMALER PCA .................................................... 107 PCA-KOMPONENTEN GLEICH DER ANZAHL URSPRUENGLICHER DIMENSIONEN .......................................................................................... 108 SUCHE NACH DER OPTIMALEN ANZAHL VON HAUPTKOMPONENTEN .......... 110 ANOMALIEERKENNUNG MIT SPARSE PCA ........................................................ 112 ANOMALIEERKENNUNG MIT KERNEL-PCA ...................................................... 115 ANOMALIEERKENNUNG MIT GAUSSSCHER ZUFALLSPROJEKTION ........................... 117 ANOMALIEERKENNUNG MIT SPARSE ZUFALLSPROJEKTION ................................. 119 NICHT LINEARE ANOMALIEERKENNUNG ................................................... 120 INHALT \| VII ANOMALIEERKENNUNG MIT DICTIONARY LEARNING ....................................... 121 ANOMALIEERKENNUNG MIT UNABHAENGIGKEITSANALYSE ................................. 123 BETRUGSERKENNUNG AUF DEM TESTSET .......................................................... 124 ANOMALIEERKENNUNG MIT NORMALER PCA AUF DEM TESTSET .............. 125 ANOMALIEERKENNUNG AUF DEM TESTSET MIT UNABHAENGIGKEITSANALYSE ..................................................................... 126 ANOMALIEERKENNUNG MIT DICTIONARY LEARNING AUF DEM TESTSET .... 128 ZUSAMMENFASSUNG ................................................................................... 129 5 CLUSTERING .................................................................................. 131 DAS MNIST-ZIFFERN-DATASET ..................................................................... 132 DATENVORBEREITUNG ............................................................................. 132 CLUSTERING-ALGORITHMEN ........................................................................... 133 K-MEANS-ALGORITHMUS ............................................................................... 134 K-MEANS-TRAEGHEIT ............................................................................... 134 DIE CLUSTERING-ERGEBNISSE BEWERTEN ................................................ 135 K-MEANS-GENAUIGKEIT ......................................................................... 137 K-MEANS UND DIE ANZAHL DER HAUPTKOMPONENTEN ......................... 138 K-MEANS AUF DEM URSPRUENGLICHEN DATASET ....................................... 140 HIERARCHISCHES CLUSTERING ......................................................................... 141 AGGLOMERATIVES HIERARCHISCHES CLUSTERING ....................................... 142 DAS DENDROGRAMM ............................................................................. 143 DIE CLUSTERING-ERGEBNISSE AUSWERTEN ................................................ 145 DBSCAN .................................................................................................... 147 DBSCAN-ALGORITHMUS ....................................................................... 148 DBSCAN AUF UNSER DATASET ANWENDEN ............................................ 148 HDBSCAN ......................................................................................... 150 ZUSAMMENFASSUNG ................................................................................... 151 6 GRUPPENSEGMENTIERUNG ............................................................... 153 LENDING-CLUB-DATEN ................................................................................. 153 DATENVORBEREITUNG ............................................................................. 154 STRING-FORMAT IN NUMERISCHES FORMAT UEBERFUEHREN ......................... 155 FEHLENDE WERTE IMPUTIEREN .............................................................. 156 DEN ENDGUELTIGEN MERKMALSSATZ AUSWAEHLEN UND SKALIEREN .............. 158 LABELS FUER DIE BEWERTUNG BENENNEN .................................................. 158 GUETE DER CLUSTER ....................................................................................... 160 K-MEANS-AN WENDUNG ............................................................................... 162 ANWENDUNG MIT HIERARCHISCHEM CLUSTERING ............................................ 164 ANWENDUNG MIT HDBSCAN .................................................................... 168 ZUSAMMENFASSUNG ................................................................................... 170 VIII \| INHALT TEIL III: UNSUPERVISED LEARNING MIT TENSORFLOW UND KERAS ............................. 171 7 AUTOENCODER .............................................................................. 173 NEURONALE NETZE ....................................................................................... 174 TENSORFLOW ......................................................................................... 175 KERAS .................................................................................................... 177 AUTOENCODER: DER ENCODER UND DER DECODER ............................................ 177 UNTERVOLLSTAENDIGE AUTOENCODER ................................................................ 178 UEBERVOLLSTAENDIGE AUTOENCODER ................................................................ 179 DICHTE VS. SPARSAME AUTOENCODER ............................................................ 179 AUTOENCODER ZUR RAUSCHUNTERDRUECKUNG .................................................. 180 VARIATIONAL AUTOENCODER ........................................................................... 180 ZUSAMMENFASSUNG ..................................................................................... 181 8 PRAKTISCHE AUTOENCODER ................................................................. 183 DATENVORBEREITUNG ..................................................................................... 183 DIE BESTANDTEILE EINES AUTOENCODERS ........................................................ 186 AKTIVIERUNGSFUNKTIONEN ............................................................................. 186 UNSER ERSTER AUTOENCODER ......................................................................... 187 VERLUSTFUNKTION ................................................................................... 188 OPTIMIZER ........................................................................................... 188 DAS MODELL TRAINIEREN ......................................................................... 189 AUF DEM TESTSET BEWERTEN ................................................................ 191 ZWEISCHICHTIGER UNTERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNGSFUNKTION ................................................................................. 194 DIE ANZAHL DER KNOTEN ERHOEHEN ........................................................ 197 MEHR HIDDEN-SCHICHTEN HINZUFUEGEN .................................................. 199 NICHT LINEARER AUTOENCODER ...................................................................... 200 UEBERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNG ....................... 202 UEBERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNG UND DROP-OUT ................................................................................................... 205 SPARSE UEBERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNG ............ 207 SPARSE UEBERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNG UND DROP-OUT ................................................................................................... 209 MIT VERRAUSCHTEN DATASETS ARBEITEN .......................................................... 211 RAUSCHREDUZIERENDER AUTOENCODER .......................................................... 211 ZWEISCHICHTIGER RAUSCHREDUZIERENDER UNTERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNG ............................................. 212 ZWEISCHICHTIGER RAUSCHUNTERDRUECKENDER UEBERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNG .............................................. 215 INHALT \| IX ZWEISCHICHTIGER RAUSCHUNTERDRUECKENDER UEBERVOLLSTAENDIGER AUTOENCODER MIT RELU-AKTIVIERUNG .................................................. 217 ZUSAMMENFASSUNG ................................................................................... 219 9 SEMI-SUPERVISED LEARNING ............................................................. 221 DATENVORBEREITUNG ................................................................................... 221 SUPERVISED MODELLE ................................................................................... 224 UNSUPERVISED MODELLE ............................................................................. 226 SEMI-SUPERVISED MODELLE ......................................................................... 228 DIE LEISTUNG VON SUPERVISED UND UNSUPERVISED MODELLEN ..................... 231 ZUSAMMENFASSUNG ................................................................................... 231 TEIL IV: DEEP UNSUPERVISED LEARNING MIT TENSORFLOW UND KERAS .................... 233 10 EMPFEHLUNGSDIENSTE MIT BESCHRAENKTEN BOLTZMANN-MASCHINEN ............... 235 BOLTZMANN-MASCHINEN ............................................................................. 235 BESCHRAENKTE BOLTZMANN-MASCHINEN .................................................. 236 EMPFEHLUNGSDIENSTE ................................................................................. 237 KOLLABORATIVES FILTERN ......................................................................... 237 DER NETFLIX PRIZE ................................................................................. 238 MOVIELENS-DATASET ................................................................................... 238 DATENVORBEREITUNG ............................................................................. 238 DIE KOSTENFUNKTION DEFINIEREN: MITTLERE QUADRATISCHE ABWEICHUNG ....................................................................................... 242 BASELINE-EXPERIMENTE ......................................................................... 243 MATRIXFAKTORISIERUNG ................................................................................. 244 EIN LATENTER FAKTOR ............................................................................. 244 DREI LATENTE FAKTOREN ......................................................................... 246 FUENF LATENTE FAKTOREN ......................................................................... 246 KOLLABORATIVES FILTERN MIT RBMS.............................................................. 247 DIE ARCHITEKTUR DES NEURONALEN NETZES VON RBMS ......................... 248 DIE KOMPONENTEN DER RBM-KLASSE ERSTELLEN ................................... 249 DAS RBM-EMPFEHLUNGSSYSTEM TRAINIEREN ....................................... 251 ZUSAMMENFASSUNG ................................................................................... 253 11 FEATUREERKENNUNG MIT DEEP BELIEF NETWORKS ..................................... 255 DEEP BELIEF NETWORKS IM DETAIL .............................................................. 255 MNIST-BILDKLASSIFIZIERUNG ....................................................................... 256 BESCHRAENKTE BOLTZMANN-MASCHINEN ........................................................ 257 DIE KOMPONENTEN DER RBM-KLASSE ERSTELLEN ................................... 258 MIT DEM RBM-MODELL BILDER GENERIEREN ......................................... 260 X \| INHALT DIE FEATUREDETEKTOREN DER ZWISCHENSTUFEN ANZEIGEN ....................... 261 DIE DREI RBMS FUER DAS DBN TRAINIEREN .................................................... 262 FEATUREDETEKTOREN UNTERSUCHEN ........................................................ 264 GENERIERTE BILDER BETRACHTEN .............................................................. 264 DAS VOLLSTAENDIGE DBN ............................................................................... 267 WIE DAS TRAINING EINES DBN FUNKTIONIERT ....................................... 271 DAS DBN TRAINIEREN ........................................................................... 271 WIE UNSUPERVISED LEARNING DAS SUPERVISED LEARNING UNTERSTUETZT ........ 272 BILDER GENERIEREN, UM EINE BESSERE BILDKLASSIFIZIERUNG ZU ERSTELLEN ............................................................................................... 273 BILDKLASSIFIZIERUNG MIT LIGHTGBM ............................................................ T17 REIN SUPERVISED LOESUNG .................................................................... 277 UNSUPERVISED UND SUPERVISED LOESUNG .............................................. 279 ZUSAMMENFASSUNG ..................................................................................... 280 12 GENERATIVE ADVERSARIAL NETWORKS ..................................................... 281 GANS - DAS KONZEPT ................................................................................. 281 DIE STAERKE VON GANS ......................................................................... 282 DEEP CONVOLUTIONAL GANS ....................................................................... 282 CONVOLUTIONAL NEURAL NETWORKS .............................................................. 283 NOCH EINMAL: DCGANS ............................................................................. 287 GENERATOR DES DCGAN ....................................................................... 288 DISKRIMINATOR DES DCGAN .............................................................. 289 DISKRIMINATOR- UND GEGNERISCHE MODELLE ......................................... 290 DCGAN FUER DAS MNIST-DATASET ...................................................... 291 MNIST-DCGAN IN AKTION ...................................................................... 292 SYNTHETISCHE BILDER GENERIEREN .......................................................... 293 ZUSAMMENFASSUNG ..................................................................................... 294 13 ZEITREIHEN-CLUSTERING .................................................................... 297 EKG-DATEN ............................................................................................... 298 ANSATZ FUER ZEITREIHEN-CLUSTERING .............................................................. 298 K-SHAPE ............................................................................................... 298 ZEITREIHEN-CLUSTERING MIT K-SHAPE AUF ECGFIVEDAYS ............................. 299 DATENVORBEREITUNG ............................................................................. 299 TRAINING UND BEWERTUNG .................................................................... 304 ZEITREIHEN-CLUSTERING MIT K-SHAPE AUF ECG5000 ................................... 305 DATENVORBEREITUNG ............................................................................. 305 TRAINING UND BEWERTUNG .................................................................... 308 ZEITREIHEN-CLUSTERING MIT K-MEANS AUF ECG5000 ................................... 310 ZEITREIHEN-CLUSTERING MIT HIERARCHISCHEM DBSCAN AUF ECG5000 .... 311 DIE ZEITREIHEN-CLUSTERING-ALGORITHMEN VERGLEICHEN ............................... 312 INHALT \| XI VOLLSTAENDIGER LAUF MIT K-SHAPE ........................................................ 312 VOLLSTAENDIGER LAUF MIT K-MEANS ........................................................ 314 VOLLSTAENDIGER LAUF MIT HDBSCAN .................................................. 315 ALLE DREI ZEITREIHEN-CLUSTERING-ANSAETZE VERGLEICHEN ....................... 316 ZUSAMMENFASSUNG ................................................................................... 318 14 ZUM SCHLUSS .............................................................................. 319 SUPERVISED LEARNING ................................................................................. 320 UNSUPERVISED LEARNING ............................................................................. 320 SCIKIT-LEARN ......................................................................................... 321 TENSORFLOW UND KERAS ....................................................................... 321 REINFORCEMENT LEARNING ........................................................................... 322 DIE VIELVERSPRECHENDSTEN BEREICHE DES UNSUPERVISED LEARNING ............ 323 DIE ZUKUNFT DES UNSUPERVISED LEARNING ................................................ 324 SCHLUSSWORT ................................................................................................ 326 INDEX ............................................................................................ 327 XII \| INHALT
adam_txt	INHALT EINLEITUNG . XIII TEIL I: GRUNDLAGEN DES UNSUPERVISED LEARNING . 1 1 UNSUPERVISED LEARNING IM OEKOSYSTEM DES MASCHINELLEN LERNENS . 3 GRUNDBEGRIFFE DES MASCHINELLEN LERNENS . 3 REGELBASIERTES VS. MASCHINELLES LERNEN . 4 SUPERVISED VS. UNSUPERVISED . 5 DIE STAERKEN UND SCHWAECHEN DES SUPERVISED LEARNING . 6 DIE STAERKEN UND SCHWAECHEN DES UNSUPERVISED LEARNING . 7 LOESUNGEN MIT MASCHINELLEM LERNEN DURCH UNSUPERVISED LEARNING VERBESSERN . 8 EIN GENAUERER BLICK AUF UEBERWACHTE ALGORITHMEN . 11 LINEARE METHODEN . 12 NACHBARSCHAFTSBASIERTE METHODEN . 13 BAUMBASIERTE METHODEN . 14 SUPPORT VECTOR MACHINES . 16 NEURONALE NETZE . 16 UNUEBERWACHTE ALGORITHMEN UNTER DER LUPE . 17 REDUZIERUNG DER DIMENSIONALITAET . 17 CLUSTERING . 20 FEATURE EXTRACTION . 22 UNSUPERVISED DEEP LEARNING . 23 SEQUENZIELLE DATENPROBLEME BEIM UNSUPERVISED LEARNING . 25 REINFORCEMENT LEARNING MITHILFE VON UNSUPERVISED LEARNING . 26 SEMI-SUPERVISED LEARNING . 27 ERFOLGREICHE ANWENDUNGEN VON UNSUPERVISED LEARNING . TI ANOMALIEERKENNUNG . 28 ZUSAMMENFASSUNG . 29 2 DURCHGEHENDES PROJEKT ZUM MASCHINELLEN LERNEN . 31 DIE UMGEBUNG EINRICHTEN . 31 VERSIONSVERWALTUNG: GIT . 31 DAS GIT-REPOSITORY HANDSON-UNSUPERVISED-LEARNING KLONEN . 31 WISSENSCHAFTLICHE BIBLIOTHEKEN: ANACONDA-DISTRIBUTION VON PYTHON . 32 NEURONALE NETZE: TENSORFLOW UND KERAS . 32 GRADIENT BOOSTING, VERSION 1: XGBOOST . 33 GRADIENT BOOSTING, VERSION 2: LIGHTGBM . 33 CLUSTERING-ALGORITHMEN . 33 INTERAKTIVE COMPUTERUMGEBUNG: JUPYTER NOTEBOOK . 34 DIE DATEN IM UEBERBLICK . 34 DATENVORBEREITUNG . 35 DATENERFASSUNG . 35 DATEN ERKUNDEN . 36 FEATUREMATRIX UND LABELS-ARRAY GENERIEREN . 39 FEATURE ENGINEERING UND FEATURE SELECTION . 40 DATEN VISUALISIEREN . 41 MODELLVORBEREITUNG . 42 IN TRAININGS- UND TESTSETS AUFTEILEN . 42 EINE KOSTENFUNKTION AUSWAEHLEN . 43 SETS FUER K-FACHE KREUZVALIDIERUNG ERZEUGEN . 43 MODELLE DES MASCHINELLEN LERNENS (TEIL 1). 44 MODELL # 1: LOGISTISCHE REGRESSION . 44 KENNZAHLEN BEWERTEN . 47 WAHRHEITSMATRIX . 48 PRAEZISION/TREFFERQUOTE-DIAGRAMM . 49 OPERATIONSCHARAKTERISTIK EINES BEOBACHTERS . 51 MODELLE DES MASCHINELLEN LERNENS (TEIL 2) . 53 MODELL #2: RANDOM FORESTS . 53 MODELL #3: GRADIENT BOOSTING MIT XGBOOST . 56 MODELL #4: GRADIENT BOOSTING MIT LIGHTGBM . 59 BEWERTUNG DER VIER MODELLE MIT DEM TESTSET . 62 ENSEMBLES . 66 STAPELN . 66 ENDGUELTIGE MODELLAUSWAHL . 69 PRODUKTIONSPIPELINE . 70 ZUSAMMENFASSUNG . 71 VI \| INHALT TEIL II: UNSUPERVISED LEARNING MIT SCIKIT-IEARN . 73 3 DIMENSIONSREDUKTION . 75 DIE MOTIVATION ZUR DIMENSIONSREDUKTION . 75 DIE MNIST-ZIFFERNDATENBANK . 76 ALGORITHMEN ZUR DIMENSIONSREDUKTION . 79 LINEARE PROJEKTION VS. MANIFOLD LEARNING . 80 HAUPTKOMPONENTENANALYSE . 80 HAUPTKOMPONENTENANALYSE, DAS KONZEPT . 80 PCA IN DER PRAXIS . 81 SPARSE PCA . 87 KERNEL-PCA . 88 SINGULAERWERTZERLEGUNG . 89 ZUFALLSPROJEKTION . 91 GAUSSSCHE ZUFALLSPROJEKTION . 91 SPARSE ZUFALLSPROJEKTION . 92 ISOMAP . 93 MULTIDIMENSIONALESKALIERUNG . 94 LOKAL LINEARE EINBETTUNG . 95 STOCHASTISCHE NACHBARSCHAFTSEINBETTUNG MIT STUDENT-T-VERTEILUNG . 96 ANDERE METHODEN ZUR DIMENSIONSREDUKTION . 98 DICTIONARY LEARNING . 98 UNABHAENGIGKEITSANALYSE . 99 ZUSAMMENFASSUNG . 100 4 ANOMALIEERKENNUNG . 103 KREDITKARTENBETRUGSERKENNUNG . 104 DIE DATEN VORBEREITEN . 104 ANOMALIE-SCORE-FUNKTION DEFINIEREN . 104 BEWERTUNGSKENNZAHLEN DEFINIEREN . 105 EINE DIAGRAMMFUNKTION DEFINIEREN . 107 ANOMALIEERKENNUNG MIT NORMALER PCA . 107 PCA-KOMPONENTEN GLEICH DER ANZAHL URSPRUENGLICHER DIMENSIONEN . 108 SUCHE NACH DER OPTIMALEN ANZAHL VON HAUPTKOMPONENTEN . 110 ANOMALIEERKENNUNG MIT SPARSE PCA . 112 ANOMALIEERKENNUNG MIT KERNEL-PCA . 115 ANOMALIEERKENNUNG MIT GAUSSSCHER ZUFALLSPROJEKTION . 117 ANOMALIEERKENNUNG MIT SPARSE ZUFALLSPROJEKTION . 119 NICHT LINEARE ANOMALIEERKENNUNG . 120 INHALT \| VII ANOMALIEERKENNUNG MIT DICTIONARY LEARNING . 121 ANOMALIEERKENNUNG MIT UNABHAENGIGKEITSANALYSE . 123 BETRUGSERKENNUNG AUF DEM TESTSET . 124 ANOMALIEERKENNUNG MIT NORMALER PCA AUF DEM TESTSET . 125 ANOMALIEERKENNUNG AUF DEM TESTSET MIT UNABHAENGIGKEITSANALYSE . 126 ANOMALIEERKENNUNG MIT DICTIONARY LEARNING AUF DEM TESTSET . 128 ZUSAMMENFASSUNG . 129 5 CLUSTERING . 131 DAS MNIST-ZIFFERN-DATASET . 132 DATENVORBEREITUNG . 132 CLUSTERING-ALGORITHMEN . 133 K-MEANS-ALGORITHMUS . 134 K-MEANS-TRAEGHEIT . 134 DIE CLUSTERING-ERGEBNISSE BEWERTEN . 135 K-MEANS-GENAUIGKEIT . 137 K-MEANS UND DIE ANZAHL DER HAUPTKOMPONENTEN . 138 K-MEANS AUF DEM URSPRUENGLICHEN DATASET . 140 HIERARCHISCHES CLUSTERING . 141 AGGLOMERATIVES HIERARCHISCHES CLUSTERING . 142 DAS DENDROGRAMM . 143 DIE CLUSTERING-ERGEBNISSE AUSWERTEN . 145 DBSCAN . 147 DBSCAN-ALGORITHMUS . 148 DBSCAN AUF UNSER DATASET ANWENDEN . 148 HDBSCAN . 150 ZUSAMMENFASSUNG . 151 6 GRUPPENSEGMENTIERUNG . 153 LENDING-CLUB-DATEN . 153 DATENVORBEREITUNG . 154 STRING-FORMAT IN NUMERISCHES FORMAT UEBERFUEHREN . 155 FEHLENDE WERTE IMPUTIEREN . 156 DEN ENDGUELTIGEN MERKMALSSATZ AUSWAEHLEN UND SKALIEREN . 158 LABELS FUER DIE BEWERTUNG BENENNEN . 158 GUETE DER CLUSTER . 160 K-MEANS-AN WENDUNG . 162 ANWENDUNG MIT HIERARCHISCHEM CLUSTERING . 164 ANWENDUNG MIT HDBSCAN . 168 ZUSAMMENFASSUNG . 170 VIII \| INHALT TEIL III: UNSUPERVISED LEARNING MIT TENSORFLOW UND KERAS . 171 7 AUTOENCODER . 173 NEURONALE NETZE . 174 TENSORFLOW . 175 KERAS . 177 AUTOENCODER: DER ENCODER UND DER DECODER . 177 UNTERVOLLSTAENDIGE AUTOENCODER . 178 UEBERVOLLSTAENDIGE AUTOENCODER . 179 DICHTE VS. SPARSAME AUTOENCODER . 179 AUTOENCODER ZUR RAUSCHUNTERDRUECKUNG . 180 VARIATIONAL AUTOENCODER . 180 ZUSAMMENFASSUNG . 181 8 PRAKTISCHE AUTOENCODER . 183 DATENVORBEREITUNG . 183 DIE BESTANDTEILE EINES AUTOENCODERS . 186 AKTIVIERUNGSFUNKTIONEN . 186 UNSER ERSTER AUTOENCODER . 187 VERLUSTFUNKTION . 188 OPTIMIZER . 188 DAS MODELL TRAINIEREN . 189 AUF DEM TESTSET BEWERTEN . 191 ZWEISCHICHTIGER UNTERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNGSFUNKTION . 194 DIE ANZAHL DER KNOTEN ERHOEHEN . 197 MEHR HIDDEN-SCHICHTEN HINZUFUEGEN . 199 NICHT LINEARER AUTOENCODER . 200 UEBERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNG . 202 UEBERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNG UND DROP-OUT . 205 SPARSE UEBERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNG . 207 SPARSE UEBERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNG UND DROP-OUT . 209 MIT VERRAUSCHTEN DATASETS ARBEITEN . 211 RAUSCHREDUZIERENDER AUTOENCODER . 211 ZWEISCHICHTIGER RAUSCHREDUZIERENDER UNTERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNG . 212 ZWEISCHICHTIGER RAUSCHUNTERDRUECKENDER UEBERVOLLSTAENDIGER AUTOENCODER MIT LINEARER AKTIVIERUNG . 215 INHALT \| IX ZWEISCHICHTIGER RAUSCHUNTERDRUECKENDER UEBERVOLLSTAENDIGER AUTOENCODER MIT RELU-AKTIVIERUNG . 217 ZUSAMMENFASSUNG . 219 9 SEMI-SUPERVISED LEARNING . 221 DATENVORBEREITUNG . 221 SUPERVISED MODELLE . 224 UNSUPERVISED MODELLE . 226 SEMI-SUPERVISED MODELLE . 228 DIE LEISTUNG VON SUPERVISED UND UNSUPERVISED MODELLEN . 231 ZUSAMMENFASSUNG . 231 TEIL IV: DEEP UNSUPERVISED LEARNING MIT TENSORFLOW UND KERAS . 233 10 EMPFEHLUNGSDIENSTE MIT BESCHRAENKTEN BOLTZMANN-MASCHINEN . 235 BOLTZMANN-MASCHINEN . 235 BESCHRAENKTE BOLTZMANN-MASCHINEN . 236 EMPFEHLUNGSDIENSTE . 237 KOLLABORATIVES FILTERN . 237 DER NETFLIX PRIZE . 238 MOVIELENS-DATASET . 238 DATENVORBEREITUNG . 238 DIE KOSTENFUNKTION DEFINIEREN: MITTLERE QUADRATISCHE ABWEICHUNG . 242 BASELINE-EXPERIMENTE . 243 MATRIXFAKTORISIERUNG . 244 EIN LATENTER FAKTOR . 244 DREI LATENTE FAKTOREN . 246 FUENF LATENTE FAKTOREN . 246 KOLLABORATIVES FILTERN MIT RBMS. 247 DIE ARCHITEKTUR DES NEURONALEN NETZES VON RBMS . 248 DIE KOMPONENTEN DER RBM-KLASSE ERSTELLEN . 249 DAS RBM-EMPFEHLUNGSSYSTEM TRAINIEREN . 251 ZUSAMMENFASSUNG . 253 11 FEATUREERKENNUNG MIT DEEP BELIEF NETWORKS . 255 DEEP BELIEF NETWORKS IM DETAIL . 255 MNIST-BILDKLASSIFIZIERUNG . 256 BESCHRAENKTE BOLTZMANN-MASCHINEN . 257 DIE KOMPONENTEN DER RBM-KLASSE ERSTELLEN . 258 MIT DEM RBM-MODELL BILDER GENERIEREN . 260 X \| INHALT DIE FEATUREDETEKTOREN DER ZWISCHENSTUFEN ANZEIGEN . 261 DIE DREI RBMS FUER DAS DBN TRAINIEREN . 262 FEATUREDETEKTOREN UNTERSUCHEN . 264 GENERIERTE BILDER BETRACHTEN . 264 DAS VOLLSTAENDIGE DBN . 267 WIE DAS TRAINING EINES DBN FUNKTIONIERT . 271 DAS DBN TRAINIEREN . 271 WIE UNSUPERVISED LEARNING DAS SUPERVISED LEARNING UNTERSTUETZT . 272 BILDER GENERIEREN, UM EINE BESSERE BILDKLASSIFIZIERUNG ZU ERSTELLEN . 273 BILDKLASSIFIZIERUNG MIT LIGHTGBM . T17 REIN SUPERVISED LOESUNG . 277 UNSUPERVISED UND SUPERVISED LOESUNG . 279 ZUSAMMENFASSUNG . 280 12 GENERATIVE ADVERSARIAL NETWORKS . 281 GANS - DAS KONZEPT . 281 DIE STAERKE VON GANS . 282 DEEP CONVOLUTIONAL GANS . 282 CONVOLUTIONAL NEURAL NETWORKS . 283 NOCH EINMAL: DCGANS . 287 GENERATOR DES DCGAN . 288 DISKRIMINATOR DES DCGAN . 289 DISKRIMINATOR- UND GEGNERISCHE MODELLE . 290 DCGAN FUER DAS MNIST-DATASET . 291 MNIST-DCGAN IN AKTION . 292 SYNTHETISCHE BILDER GENERIEREN . 293 ZUSAMMENFASSUNG . 294 13 ZEITREIHEN-CLUSTERING . 297 EKG-DATEN . 298 ANSATZ FUER ZEITREIHEN-CLUSTERING . 298 K-SHAPE . 298 ZEITREIHEN-CLUSTERING MIT K-SHAPE AUF ECGFIVEDAYS . 299 DATENVORBEREITUNG . 299 TRAINING UND BEWERTUNG . 304 ZEITREIHEN-CLUSTERING MIT K-SHAPE AUF ECG5000 . 305 DATENVORBEREITUNG . 305 TRAINING UND BEWERTUNG . 308 ZEITREIHEN-CLUSTERING MIT K-MEANS AUF ECG5000 . 310 ZEITREIHEN-CLUSTERING MIT HIERARCHISCHEM DBSCAN AUF ECG5000 . 311 DIE ZEITREIHEN-CLUSTERING-ALGORITHMEN VERGLEICHEN . 312 INHALT \| XI VOLLSTAENDIGER LAUF MIT K-SHAPE . 312 VOLLSTAENDIGER LAUF MIT K-MEANS . 314 VOLLSTAENDIGER LAUF MIT HDBSCAN . 315 ALLE DREI ZEITREIHEN-CLUSTERING-ANSAETZE VERGLEICHEN . 316 ZUSAMMENFASSUNG . 318 14 ZUM SCHLUSS . 319 SUPERVISED LEARNING . 320 UNSUPERVISED LEARNING . 320 SCIKIT-LEARN . 321 TENSORFLOW UND KERAS . 321 REINFORCEMENT LEARNING . 322 DIE VIELVERSPRECHENDSTEN BEREICHE DES UNSUPERVISED LEARNING . 323 DIE ZUKUNFT DES UNSUPERVISED LEARNING . 324 SCHLUSSWORT . 326 INDEX . 327 XII \| INHALT
any_adam_object	1
any_adam_object_boolean	1
author	Patel, Ankur A.
author2	Langenau, Frank
author2_role	trl
author2_variant	f l fl
author_GND	(DE-588)1187288179 (DE-588)123178002
author_facet	Patel, Ankur A. Langenau, Frank
author_role	aut
author_sort	Patel, Ankur A.
author_variant	a a p aa aap
building	Verbundindex
bvnumber	BV046649272
classification_rvk	ST 300 ST 250 ST 302
classification_tum	DAT 708 DAT 366
ctrlnum	(OCoLC)1154000452 (DE-599)DNB1199638773
discipline	Informatik
discipline_str_mv	Informatik
edition	1. Auflage, deutsche Ausgabe
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02974nam a22007338c 4500</leader><controlfield tag="001">BV046649272</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20210415 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">200401s2020 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">19,N47</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1199638773</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783960091271</subfield><subfield code="c">pbk</subfield><subfield code="9">978-3-96009-127-1</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1154000452</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1199638773</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-29T</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-859</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 250</subfield><subfield code="0">(DE-625)143626:</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">DAT 708</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 366</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">Patel, Ankur A.</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1187288179</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Hands-on unsupervised learning using Python</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Praxisbuch Unsupervised Learning</subfield><subfield code="b">Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren</subfield><subfield code="c">Ankur A. Patel ; Deutsche Übersetzung von Frank Langenau</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage, deutsche Ausgabe</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">O'Reilly</subfield><subfield code="c">2020</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XXI, 334 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="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">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">Deep learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Unsupervised Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Supervised Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">überwachtes Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">ML</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">unlabeled data</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">nicht gelabelt</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">KI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">AI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligenz</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Artificial Intelligence</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Algorithmen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maschinelles Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">TensorFlow</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Keras</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">GANs</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Deep learning</subfield><subfield code="0">(DE-588)1135597375</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="2"><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=" "><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="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">978-3-96088-876-5</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">978-3-96088-877-2</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">978-3-96088-878-9</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="q">text/html</subfield><subfield code="u">http://deposit.dnb.de/cgi-bin/dokserv?id=e26b6ef126194dfc9718d517d5a457b5&prov=M&dok_var=1&dok_ext=htm</subfield><subfield code="3">Inhaltstext</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=032060510&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:BVB01-032060510</subfield></datafield></record></collection>
id	DE-604.BV046649272
illustrated	Illustrated
index_date	2024-07-03T14:15:55Z
indexdate	2024-07-10T08:50:15Z
institution	BVB
isbn	9783960091271
language	German English
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-032060510
oclc_num	1154000452
open_access_boolean
owner	DE-860 DE-1050 DE-29T DE-1043 DE-898 DE-BY-UBR DE-706 DE-523 DE-1049 DE-19 DE-BY-UBM DE-1102 DE-91G DE-BY-TUM DE-M347 DE-20 DE-739 DE-573 DE-859
owner_facet	DE-860 DE-1050 DE-29T DE-1043 DE-898 DE-BY-UBR DE-706 DE-523 DE-1049 DE-19 DE-BY-UBM DE-1102 DE-91G DE-BY-TUM DE-M347 DE-20 DE-739 DE-573 DE-859
physical	XXI, 334 Seiten Illustrationen, Diagramme
publishDate	2020
publishDateSearch	2020
publishDateSort	2020
publisher	O'Reilly
record_format	marc
spelling	Patel, Ankur A. Verfasser (DE-588)1187288179 aut Hands-on unsupervised learning using Python Praxisbuch Unsupervised Learning Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren Ankur A. Patel ; Deutsche Übersetzung von Frank Langenau 1. Auflage, deutsche Ausgabe Heidelberg O'Reilly 2020 XXI, 334 Seiten Illustrationen, Diagramme txt rdacontent n rdamedia nc rdacarrier Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf Python Programmiersprache (DE-588)4434275-5 gnd rswk-swf Deep learning (DE-588)1135597375 gnd rswk-swf Unsupervised Learning Supervised Learning überwachtes Lernen ML unlabeled data nicht gelabelt KI AI Künstliche Intelligenz Artificial Intelligence Data Science Algorithmen Maschinelles Lernen TensorFlow Keras GANs Deep learning (DE-588)1135597375 s Maschinelles Lernen (DE-588)4193754-5 s Python Programmiersprache (DE-588)4434275-5 s DE-604 Langenau, Frank (DE-588)123178002 trl Erscheint auch als Online-Ausgabe, PDF 978-3-96088-876-5 Erscheint auch als Online-Ausgabe, EPUB 978-3-96088-877-2 Erscheint auch als Online-Ausgabe, MOBI 978-3-96088-878-9 X:MVB text/html http://deposit.dnb.de/cgi-bin/dokserv?id=e26b6ef126194dfc9718d517d5a457b5&prov=M&dok_var=1&dok_ext=htm Inhaltstext DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032060510&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis
spellingShingle	Patel, Ankur A. Praxisbuch Unsupervised Learning Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren Maschinelles Lernen (DE-588)4193754-5 gnd Python Programmiersprache (DE-588)4434275-5 gnd Deep learning (DE-588)1135597375 gnd
subject_GND	(DE-588)4193754-5 (DE-588)4434275-5 (DE-588)1135597375
title	Praxisbuch Unsupervised Learning Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren
title_alt	Hands-on unsupervised learning using Python
title_auth	Praxisbuch Unsupervised Learning Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren
title_exact_search	Praxisbuch Unsupervised Learning Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren
title_exact_search_txtP	Praxisbuch Unsupervised Learning Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren
title_full	Praxisbuch Unsupervised Learning Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren Ankur A. Patel ; Deutsche Übersetzung von Frank Langenau
title_fullStr	Praxisbuch Unsupervised Learning Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren Ankur A. Patel ; Deutsche Übersetzung von Frank Langenau
title_full_unstemmed	Praxisbuch Unsupervised Learning Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren Ankur A. Patel ; Deutsche Übersetzung von Frank Langenau
title_short	Praxisbuch Unsupervised Learning
title_sort	praxisbuch unsupervised learning machine learning anwendungen fur ungelabelte daten mit python programmieren
title_sub	Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren
topic	Maschinelles Lernen (DE-588)4193754-5 gnd Python Programmiersprache (DE-588)4434275-5 gnd Deep learning (DE-588)1135597375 gnd
topic_facet	Maschinelles Lernen Python Programmiersprache Deep learning
url	http://deposit.dnb.de/cgi-bin/dokserv?id=e26b6ef126194dfc9718d517d5a457b5&prov=M&dok_var=1&dok_ext=htm http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032060510&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT patelankura handsonunsupervisedlearningusingpython AT langenaufrank handsonunsupervisedlearningusingpython AT patelankura praxisbuchunsupervisedlearningmachinelearninganwendungenfurungelabeltedatenmitpythonprogrammieren AT langenaufrank praxisbuchunsupervisedlearningmachinelearninganwendungenfurungelabeltedatenmitpythonprogrammieren

Verfügbarkeit

Es ist kein Print-Exemplar vorhanden.

Fernleihe Bestellen Achtung: Nicht im THWS-Bestand! Beschreibung

MARC

Datensatz im Suchindex

Es ist kein Print-Exemplar vorhanden.

Ähnliche Einträge