Verfügbarkeit: Machine learning und neuronale Netze

Machine learning und neuronale Netze: der verständliche Einstieg mit Python

Dieses Buch richtet sich sowohl an Softwareentwickler als auch Programmiereinsteiger und bietet eine fundierte Einführung in Machine Learning und Neuronale Netze •Alle notwendigen Grundlagen werden erklärt: Mathematisches Hintergrundwissen, Vorhersagemodelle, Programmiergrundlagen in Python •Fundier...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Grunert, Philipp (VerfasserIn)
Format:	Buch
Sprache:	German
Veröffentlicht:	Deggendorf ; Berlin BMU Media GmbH [2021]
Schlagworte:	Python > Programmiersprache Maschinelles Lernen Neuronales Netz Anleitung Lehrbuch
Online-Zugang:	Inhaltsverzeichnis
Zusammenfassung:	Dieses Buch richtet sich sowohl an Softwareentwickler als auch Programmiereinsteiger und bietet eine fundierte Einführung in Machine Learning und Neuronale Netze •Alle notwendigen Grundlagen werden erklärt: Mathematisches Hintergrundwissen, Vorhersagemodelle, Programmiergrundlagen in Python •Fundierte Erklärungen zu ML und Neuronalen Netzen anhand vieler Beispiele •Zahlreiche Übungsaufgaben helfen das Erlernte zu festigen und selbst anzuwenden •Zielgruppe: Softwareentwickler, Programmierer, Mathematiker •Platzierung: Softwareentwicklung/Programmierung, Künstliche Intelligenz
Beschreibung:	514 Seiten Illustrationen, Diagramme 25 cm x 18 cm, 700 g
ISBN:	9783966450744 9783966450737 3966450747 3966450739

Internformat

MARC


LEADER	00000nam a22000008c 4500
001	BV046839469
003	DE-604
005	20230117
007	t
008	200805s2021 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 20,N26 \|2 dnb
016	7		\|a 1212203321 \|2 DE-101
020			\|a 9783966450744 \|c Festeinband : EUR 26.99 (DE), EUR 27.80 (AT) \|9 978-3-96645-074-4
020			\|a 9783966450737 \|c Broschur : EUR 19.99 (DE), EUR 20.60 (AT) \|9 978-3-96645-073-7
020			\|a 3966450747 \|c Festeinband \|9 3-96645-074-7
020			\|a 3966450739 \|c Broschur \|9 3-96645-073-9
024	8		\|a Artikel-Nr.: 0744
024	3		\|a 9783966450744
035			\|a (OCoLC)1298745800
035			\|a (DE-599)DNB1212203321
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-BY
049			\|a DE-862 \|a DE-19 \|a DE-Aug4 \|a DE-703 \|a DE-706 \|a DE-860 \|a DE-M347 \|a DE-12 \|a DE-91 \|a DE-83 \|a DE-1049 \|a DE-573 \|a DE-188
084			\|a ST 301 \|0 (DE-625)143651: \|2 rvk
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
100	1		\|a Grunert, Philipp \|0 (DE-588)1251826148 \|4 aut
245	1	0	\|a Machine learning und neuronale Netze \|b der verständliche Einstieg mit Python \|c Philipp Grunert
264		1	\|a Deggendorf ; Berlin \|b BMU Media GmbH \|c [2021]
264		4	\|c © 2021
300			\|a 514 Seiten \|b Illustrationen, Diagramme \|c 25 cm x 18 cm, 700 g
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
520	3		\|a Dieses Buch richtet sich sowohl an Softwareentwickler als auch Programmiereinsteiger und bietet eine fundierte Einführung in Machine Learning und Neuronale Netze •Alle notwendigen Grundlagen werden erklärt: Mathematisches Hintergrundwissen, Vorhersagemodelle, Programmiergrundlagen in Python •Fundierte Erklärungen zu ML und Neuronalen Netzen anhand vieler Beispiele •Zahlreiche Übungsaufgaben helfen das Erlernte zu festigen und selbst anzuwenden •Zielgruppe: Softwareentwickler, Programmierer, Mathematiker •Platzierung: Softwareentwicklung/Programmierung, Künstliche Intelligenz
650	0	7	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|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 Neuronales Netz \|0 (DE-588)4226127-2 \|2 gnd \|9 rswk-swf
655		7	\|0 (DE-588)4142527-3 \|a Anleitung \|2 gnd-content
655		7	\|0 (DE-588)4123623-3 \|a Lehrbuch \|2 gnd-content
689	0	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0	1	\|a Neuronales Netz \|0 (DE-588)4226127-2 \|D s
689	0	2	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	0		\|5 DE-604
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe \|z 978-3-96645-072-0
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=032248470&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-032248470

Datensatz im Suchindex

DE-BY-862_location	2000
DE-BY-FWS_call_number	2000/ST 301 G891
DE-BY-FWS_katkey	847701
DE-BY-FWS_media_number	083000524433
_version_	1806176797739450369
adam_text	INHALTSVERZEICHNIS 1. EINFUEHRUNG IN MACHINE LEARNING UND DATA SCIENCE 7 1.1 WAS IST MACHINE LEARNING UND WOFUER WIRD ES ANGEWENDET? ....................................................................... 7 1.2 WAS IST DEEP LEARNING? ................................................................................................................................. 10 1.3 ANSAETZE IM MACHINE LEARNING ...................................................................................................................... 11 1.4 VORGEHENSMODELL IN DER DATA SCIENCE .......................................................................................................... 17 1.5 DATA-SCIENCE-PROGRAMME ............................................................................................................................. 22 1.6 DEFINITIONEN IM MACHINE LEARNING ............................................................................................................... 23 1.7 UEBUNGEN ......................................................................................................................................................... 27 2. EINFUEHRUNG IN PYTHON 29 2.1 INSTALLATION MITTELS ANACONDA ....................................................................................................................... 30 2.2 BASICS: DATENTYPEN, SCHLEIFEN, FUNKTIONEN .................................................................................................. 34 2.3 MEHRDIMENSIONALE ARRAYS MIT NUMPY ........................................................................................................ 59 2.4 DATEN EINLESEN UND ARBEITEN MIT DATAFRAMES IN PANDAS............................................................................. 70 2.5 VISUALISIERUNGEN ............................................................................................................................................. 86 3. MATHEMATISCHE GRUNDLAGEN VON DATA SCIENCE 93 3.1 LINEARE ALGEBRA .............................................................................................................................................. 93 3.2 NUMERISCHE METHODEN ................................................................................................................................114 3.3 STOCHASTIK .....................................................................................................................................................118 3.4 UEBUNGEN .......................................................................................................................................................134 4. DATENAUFBEREITUNG 138 4.1 OUTLIER DETECTION (ERMITTLUNG VON AUSREISSERN) ......................................................................................... 141 4.2 VARIABLENAUSWAHL ......................................................................................................................................... 142 4.3 DUMMY ENCODING ........................................................................................................................................ 147 4.4 STANDARDISIERUNG .......................................................................................................................................... 149 4.5 UEBUNGEN ....................................................................................................................................................... 151 5. DATA SCIENCE MIT SCIPY 154 5.1 BESCHREIBENDE STATISTIK ............................................................................................................................... 154 5.2 PARAMETRISCHE TESTS ..................................................................................................................................... 156 5.3 NICHTPARAMETRISCHE TESTS .............................................................................................................................159 5.4 ANOVA ....................................................................................................................................................... 160 5.5 UEBUNGEN ....................................................................................................................................................... 161 6. REGRESSIONSMODELLE 167 6.1 EINFUEHRUNG IN DIE REGRESSION ......................................................................................................................167 6.2 EINFACHE LINEARE REGRESSION MIT SCIKIT-IEARN .............................................................................................169 6.3 POLYNOMIALES REGRESSIONSMODELL ................................................................................................................ 176 6.4 MULTIPLE LINEARE REGRESSION ....................................................................................................................... 180 6.5 ANNAHMEN BZW. BEDINGUNGEN DER REGRESSIONSANALYSE.............................................................................184 6.6 REGRESSION MIT STATSMODELS ........................................................................................................................185 6.7 RIDGE REGRESSION..........................................................................................................................................187 6.8 BAYES SCHE REGRESSION ................................................................................................................................. 192 6.9 UEBUNGEN ................................................................................................................................................... 197 7. LOGISTISCHE REGRESSION 200 7.1 EINFUEHRUNG ZUR LOGISTISCHEN REGRESSION..................................................................................................... 200 7.2 LINEARE ENTSCHEIDUNGSGRENZEN .................................................................................................................. 208 7.3 REGULARISIERUNG ........................................................................................................................................... 216 7.4 UEBUNGEN ...................................................................................................................................................... 220 8. BAUMVERFAHREN 224 8.1 EINFUEHRUNG ENTSCHEIDUNGSBAEUME .............................................................................................................. 224 8.2 KLASSIFIKATIONSBAEUME ................................................................................................................................... 225 8.3 REGRESSIONSBAEUME ...................................................................................................................................... 228 8.4 AUFTEILUNGSREGELN ........................................................................................................................................ 230 8.5 RANDOM FORESTS ......................................................................................................................................... 231 8.6 BAGGING UND BOOSTING-BAUMVERFAHREN ....................................................................................................233 8.7 UEBUNGEN ...................................................................................................................................................... 236 9. SUPPORT VECTOR MACHINE (SVM) 240 9.1 SVM-KLASSIFIZIERUNG .................................................................................................................................... 241 9.2 SVM-REGRESSION (SVR) .............................................................................................................................. 245 9.3 TUNING-PARAMETER ....................................................................................................................................... 248 9.4 UEBUNGEN ......................................................................................................................................................253 10. WEITERE MACHINE LEARNING-MODELLE 257 10.1 K-NEAREST-NEIGHBOUR ............................................................................................................................... 257 10.2 NAIVE BAYES ............................................................................................................................................... 259 10.3 UEBUNGEN ....................................................................................................................................................263 11. UNSUPERVISED LEARNING 269 11.1 CLUSTERANALYSE ZUR SEGMENTBILDUNG ........................................................................................................ 269 11.2 HAUPTKOMPONENTENANALYSE ZUR DIMENSIONSREDUKTION .........................................................................273 11.3 UEBUNGEN .................................................................................................................................................... 276 12. AUFBAU EINES DATA SCIENCE-MODELLS 281 12.1 UEBER-UND UNTERANPASSUNG ..................................................................................................................... 281 12.2 BEWERTUNG EINES MODELLS ......................................................................................................................... 283 12.3 FEATURE WICHTIGKEIT (FEATURE IMPORTANCE) ............................................................................................. 286 12.4 KREUZVALIDIERUNG ....................................................................................................................................... 288 12.5 ENSEMBLE-ANSAETZE IN PYTHON ................................................................................................................... 290 12.6 CRID-SEARCH ............................................................................................................................................... 296 12.7 UEBUNGEN .................................................................................................................................................... 299 13. DEEP LEARNING MIT TENSORFLOW 2 UND KERAS 306 13.1 GRUNDLAGEN DES DEEP LEARNINGS.............................................................................................................. 307 13.2 WAS IST EIN NEURONALES NETZ? ................................................................................................................... 310 13.3 GRUNDKONZEPTE NEURONALER NETZE .......................................................................................................... 310 13.4 EINFUEHRUNG IN TENSORFLOW ....................................................................................................................... 312 13.5 VERSCHIEDENE NETZTYPEN ........................................................................................................................... 325 13.6 LERNSTRATEGIEN ...........................................................................................................................................342 13.7 CONVOLUTIONAL NEURONALE NETZWERKE (CNNS) ..........................................................................................392 13.8 REKURRENTE NEURONALE NETZWERKE (RNNS) .............................................................................................. 408 13.9 RESTRICTED BOLTZMANN MACHINE ................................................................................................................ 422 13.10 GENERATIVES DEEP LEARNING .................................................................................................................... 435 13.11 GENERATIVE ADVERSARIAL NETWORKS (GANS) ............................................................................................. 456 13.12 UEBUNGEN ................................................................................................................................................... 466 14. END-TO-END-BEISPIEL 475 15. ZUSAMMENFASSUNG UND AUSBLICK 485 16. LITERATURVERZEICHNIS 497 17. GLOSSAR 503
adam_txt	INHALTSVERZEICHNIS 1. EINFUEHRUNG IN MACHINE LEARNING UND DATA SCIENCE 7 1.1 WAS IST MACHINE LEARNING UND WOFUER WIRD ES ANGEWENDET? . 7 1.2 WAS IST DEEP LEARNING? . 10 1.3 ANSAETZE IM MACHINE LEARNING . 11 1.4 VORGEHENSMODELL IN DER DATA SCIENCE . 17 1.5 DATA-SCIENCE-PROGRAMME . 22 1.6 DEFINITIONEN IM MACHINE LEARNING . 23 1.7 UEBUNGEN . 27 2. EINFUEHRUNG IN PYTHON 29 2.1 INSTALLATION MITTELS ANACONDA . 30 2.2 BASICS: DATENTYPEN, SCHLEIFEN, FUNKTIONEN . 34 2.3 MEHRDIMENSIONALE ARRAYS MIT NUMPY . 59 2.4 DATEN EINLESEN UND ARBEITEN MIT DATAFRAMES IN PANDAS. 70 2.5 VISUALISIERUNGEN . 86 3. MATHEMATISCHE GRUNDLAGEN VON DATA SCIENCE 93 3.1 LINEARE ALGEBRA . 93 3.2 NUMERISCHE METHODEN .114 3.3 STOCHASTIK .118 3.4 UEBUNGEN .134 4. DATENAUFBEREITUNG 138 4.1 OUTLIER DETECTION (ERMITTLUNG VON AUSREISSERN) . 141 4.2 VARIABLENAUSWAHL . 142 4.3 DUMMY ENCODING . 147 4.4 STANDARDISIERUNG . 149 4.5 UEBUNGEN . 151 5. DATA SCIENCE MIT SCIPY 154 5.1 BESCHREIBENDE STATISTIK . 154 5.2 PARAMETRISCHE TESTS . 156 5.3 NICHTPARAMETRISCHE TESTS .159 5.4 ANOVA . 160 5.5 UEBUNGEN . 161 6. REGRESSIONSMODELLE 167 6.1 EINFUEHRUNG IN DIE REGRESSION .167 6.2 EINFACHE LINEARE REGRESSION MIT SCIKIT-IEARN .169 6.3 POLYNOMIALES REGRESSIONSMODELL . 176 6.4 MULTIPLE LINEARE REGRESSION . 180 6.5 ANNAHMEN BZW. BEDINGUNGEN DER REGRESSIONSANALYSE.184 6.6 REGRESSION MIT STATSMODELS .185 6.7 RIDGE REGRESSION.187 6.8 BAYES ' SCHE REGRESSION . 192 6.9 UEBUNGEN . 197 7. LOGISTISCHE REGRESSION 200 7.1 EINFUEHRUNG ZUR LOGISTISCHEN REGRESSION. 200 7.2 LINEARE ENTSCHEIDUNGSGRENZEN . 208 7.3 REGULARISIERUNG . 216 7.4 UEBUNGEN . 220 8. BAUMVERFAHREN 224 8.1 EINFUEHRUNG ENTSCHEIDUNGSBAEUME . 224 8.2 KLASSIFIKATIONSBAEUME . 225 8.3 REGRESSIONSBAEUME . 228 8.4 AUFTEILUNGSREGELN . 230 8.5 RANDOM FORESTS . 231 8.6 BAGGING UND BOOSTING-BAUMVERFAHREN .233 8.7 UEBUNGEN . 236 9. SUPPORT VECTOR MACHINE (SVM) 240 9.1 SVM-KLASSIFIZIERUNG . 241 9.2 SVM-REGRESSION (SVR) . 245 9.3 TUNING-PARAMETER . 248 9.4 UEBUNGEN .253 10. WEITERE MACHINE LEARNING-MODELLE 257 10.1 K-NEAREST-NEIGHBOUR . 257 10.2 NAIVE BAYES . 259 10.3 UEBUNGEN .263 11. UNSUPERVISED LEARNING 269 11.1 CLUSTERANALYSE ZUR SEGMENTBILDUNG . 269 11.2 HAUPTKOMPONENTENANALYSE ZUR DIMENSIONSREDUKTION .273 11.3 UEBUNGEN . 276 12. AUFBAU EINES DATA SCIENCE-MODELLS 281 12.1 UEBER-UND UNTERANPASSUNG . 281 12.2 BEWERTUNG EINES MODELLS . 283 12.3 FEATURE WICHTIGKEIT (FEATURE IMPORTANCE) . 286 12.4 KREUZVALIDIERUNG . 288 12.5 ENSEMBLE-ANSAETZE IN PYTHON . 290 12.6 CRID-SEARCH . 296 12.7 UEBUNGEN . 299 13. DEEP LEARNING MIT TENSORFLOW 2 UND KERAS 306 13.1 GRUNDLAGEN DES DEEP LEARNINGS. 307 13.2 WAS IST EIN NEURONALES NETZ? . 310 13.3 GRUNDKONZEPTE NEURONALER NETZE . 310 13.4 EINFUEHRUNG IN TENSORFLOW . 312 13.5 VERSCHIEDENE NETZTYPEN . 325 13.6 LERNSTRATEGIEN .342 13.7 CONVOLUTIONAL NEURONALE NETZWERKE (CNNS) .392 13.8 REKURRENTE NEURONALE NETZWERKE (RNNS) . 408 13.9 RESTRICTED BOLTZMANN MACHINE . 422 13.10 GENERATIVES DEEP LEARNING . 435 13.11 GENERATIVE ADVERSARIAL NETWORKS (GANS) . 456 13.12 UEBUNGEN . 466 14. END-TO-END-BEISPIEL 475 15. ZUSAMMENFASSUNG UND AUSBLICK 485 16. LITERATURVERZEICHNIS 497 17. GLOSSAR 503
any_adam_object	1
any_adam_object_boolean	1
author	Grunert, Philipp
author_GND	(DE-588)1251826148
author_facet	Grunert, Philipp
author_role	aut
author_sort	Grunert, Philipp
author_variant	p g pg
building	Verbundindex
bvnumber	BV046839469
classification_rvk	ST 301 ST 302 ST 250
ctrlnum	(OCoLC)1298745800 (DE-599)DNB1212203321
discipline	Informatik
discipline_str_mv	Informatik
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02921nam a22005418c 4500</leader><controlfield tag="001">BV046839469</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20230117 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">200805s2021 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">20,N26</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1212203321</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783966450744</subfield><subfield code="c">Festeinband : EUR 26.99 (DE), EUR 27.80 (AT)</subfield><subfield code="9">978-3-96645-074-4</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783966450737</subfield><subfield code="c">Broschur : EUR 19.99 (DE), EUR 20.60 (AT)</subfield><subfield code="9">978-3-96645-073-7</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3966450747</subfield><subfield code="c">Festeinband</subfield><subfield code="9">3-96645-074-7</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3966450739</subfield><subfield code="c">Broschur</subfield><subfield code="9">3-96645-073-9</subfield></datafield><datafield tag="024" ind1="8" ind2=" "><subfield code="a">Artikel-Nr.: 0744</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783966450744</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1298745800</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1212203321</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-BY</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-862</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-91</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-188</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 301</subfield><subfield code="0">(DE-625)143651:</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="100" ind1="1" ind2=" "><subfield code="a">Grunert, Philipp</subfield><subfield code="0">(DE-588)1251826148</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Machine learning und neuronale Netze</subfield><subfield code="b">der verständliche Einstieg mit Python</subfield><subfield code="c">Philipp Grunert</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Deggendorf ; Berlin</subfield><subfield code="b">BMU Media GmbH</subfield><subfield code="c">[2021]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">© 2021</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">514 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">25 cm x 18 cm, 700 g</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="520" ind1="3" ind2=" "><subfield code="a">Dieses Buch richtet sich sowohl an Softwareentwickler als auch Programmiereinsteiger und bietet eine fundierte Einführung in Machine Learning und Neuronale Netze •Alle notwendigen Grundlagen werden erklärt: Mathematisches Hintergrundwissen, Vorhersagemodelle, Programmiergrundlagen in Python •Fundierte Erklärungen zu ML und Neuronalen Netzen anhand vieler Beispiele •Zahlreiche Übungsaufgaben helfen das Erlernte zu festigen und selbst anzuwenden •Zielgruppe: Softwareentwickler, Programmierer, Mathematiker •Platzierung: Softwareentwicklung/Programmierung, Künstliche Intelligenz</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">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">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4142527-3</subfield><subfield code="a">Anleitung</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4123623-3</subfield><subfield code="a">Lehrbuch</subfield><subfield code="2">gnd-content</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">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</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="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe</subfield><subfield code="z">978-3-96645-072-0</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=032248470&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:BVB01-032248470</subfield></datafield></record></collection>
genre	(DE-588)4142527-3 Anleitung gnd-content (DE-588)4123623-3 Lehrbuch gnd-content
genre_facet	Anleitung Lehrbuch
id	DE-604.BV046839469
illustrated	Illustrated
index_date	2024-07-03T15:07:35Z
indexdate	2024-08-01T11:27:01Z
institution	BVB
isbn	9783966450744 9783966450737 3966450747 3966450739
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-032248470
oclc_num	1298745800
open_access_boolean
owner	DE-862 DE-BY-FWS DE-19 DE-BY-UBM DE-Aug4 DE-703 DE-706 DE-860 DE-M347 DE-12 DE-91 DE-BY-TUM DE-83 DE-1049 DE-573 DE-188
owner_facet	DE-862 DE-BY-FWS DE-19 DE-BY-UBM DE-Aug4 DE-703 DE-706 DE-860 DE-M347 DE-12 DE-91 DE-BY-TUM DE-83 DE-1049 DE-573 DE-188
physical	514 Seiten Illustrationen, Diagramme 25 cm x 18 cm, 700 g
publishDate	2021
publishDateSearch	2021
publishDateSort	2021
publisher	BMU Media GmbH
record_format	marc
spellingShingle	Grunert, Philipp Machine learning und neuronale Netze der verständliche Einstieg mit Python Python Programmiersprache (DE-588)4434275-5 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Neuronales Netz (DE-588)4226127-2 gnd
subject_GND	(DE-588)4434275-5 (DE-588)4193754-5 (DE-588)4226127-2 (DE-588)4142527-3 (DE-588)4123623-3
title	Machine learning und neuronale Netze der verständliche Einstieg mit Python
title_auth	Machine learning und neuronale Netze der verständliche Einstieg mit Python
title_exact_search	Machine learning und neuronale Netze der verständliche Einstieg mit Python
title_exact_search_txtP	Machine learning und neuronale Netze der verständliche Einstieg mit Python
title_full	Machine learning und neuronale Netze der verständliche Einstieg mit Python Philipp Grunert
title_fullStr	Machine learning und neuronale Netze der verständliche Einstieg mit Python Philipp Grunert
title_full_unstemmed	Machine learning und neuronale Netze der verständliche Einstieg mit Python Philipp Grunert
title_short	Machine learning und neuronale Netze
title_sort	machine learning und neuronale netze der verstandliche einstieg mit python
title_sub	der verständliche Einstieg mit Python
topic	Python Programmiersprache (DE-588)4434275-5 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Neuronales Netz (DE-588)4226127-2 gnd
topic_facet	Python Programmiersprache Maschinelles Lernen Neuronales Netz Anleitung Lehrbuch
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032248470&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT grunertphilipp machinelearningundneuronalenetzederverstandlicheeinstiegmitpython

Verfügbarkeit

Inhaltsverzeichnis

THWS Schweinfurt Zentralbibliothek Lesesaal

Bestandesangaben von THWS Schweinfurt Zentralbibliothek Lesesaal
Signatur:	2000 ST 301 G891
Exemplar 1	ausleihbar Checked out – Rückgabe bis: 10.02.2026 Vormerken

MARC

Datensatz im Suchindex

THWS Schweinfurt Zentralbibliothek Lesesaal

Ähnliche Einträge