Verfügbarkeit: Machine Learning für Zeitreihen

Machine Learning für Zeitreihen: Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Hirschle, Jochen 1973- (VerfasserIn)
Format:	Buch
Sprache:	German
Veröffentlicht:	München Hanser [2021]
Schlagworte:	Regressionsmodell Python > Programmiersprache Scikit-learn ARIMA-Modell TensorFlow Maschinelles Lernen Neuronales Netz Zeitreihenanalyse Deep learning Algorithmen ARIMA Data Science Keras Neuronale Netze Pandas Predictive Analytics Scikit-Learn Statistik FBITPRCC: C/C++ INF2021
Online-Zugang:	Inhaltsverzeichnis
Beschreibung:	Auf Buchcover: Extra: E-Book inside, Im Internet: GitHub-Repository zum Buch
Beschreibung:	VII, 267 Seiten Diagramme
ISBN:	9783446467262

Internformat

MARC


LEADER	00000nam a22000008c 4500
001	BV047029396
003	DE-604
005	20210305
007	t
008	201125s2021 gw \|\|\|\| \|\|\|\| 00\|\|\| ger d
016	7		\|a 1219592803 \|2 DE-101
020			\|a 9783446467262 \|c hbk. : circa EUR 39.99 (DE), circa EUR 41.20 (AT) \|9 978-3-446-46726-2
035			\|a (OCoLC)1226705617
035			\|a (DE-599)DNB1219592803
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-BY
049			\|a DE-860 \|a DE-92 \|a DE-210 \|a DE-634 \|a DE-1046 \|a DE-523 \|a DE-20 \|a DE-B768 \|a DE-12 \|a DE-19 \|a DE-Aug4 \|a DE-859 \|a DE-706 \|a DE-739 \|a DE-862
084			\|a QH 237 \|0 (DE-625)141552: \|2 rvk
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
100	1		\|a Hirschle, Jochen \|d 1973- \|e Verfasser \|0 (DE-588)143222880 \|4 aut
245	1	0	\|a Machine Learning für Zeitreihen \|b Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python \|c Jochen Hirschle
264		1	\|a München \|b Hanser \|c [2021]
264		4	\|c © 2021
300			\|a VII, 267 Seiten \|b Diagramme
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
500			\|a Auf Buchcover: Extra: E-Book inside, Im Internet: GitHub-Repository zum Buch
650	0	7	\|a Regressionsmodell \|0 (DE-588)4127980-3 \|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 Scikit-learn \|0 (DE-588)1225705770 \|2 gnd \|9 rswk-swf
650	0	7	\|a ARIMA-Modell \|0 (DE-588)4122832-7 \|2 gnd \|9 rswk-swf
650	0	7	\|a TensorFlow \|0 (DE-588)1153577011 \|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
650	0	7	\|a Zeitreihenanalyse \|0 (DE-588)4067486-1 \|2 gnd \|9 rswk-swf
650	0	7	\|a Deep learning \|0 (DE-588)1135597375 \|2 gnd \|9 rswk-swf
653			\|a Algorithmen
653			\|a ARIMA
653			\|a Data Science
653			\|a Keras
653			\|a Neuronale Netze
653			\|a Pandas
653			\|a Predictive Analytics
653			\|a Scikit-Learn
653			\|a Statistik
653			\|a TensorFlow
653			\|a FBITPRCC: C/C++
653			\|a INF2021
689	0	0	\|a Deep learning \|0 (DE-588)1135597375 \|D s
689	0	1	\|a TensorFlow \|0 (DE-588)1153577011 \|D s
689	0	2	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	0		\|5 DE-604
689	1	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	1	1	\|a Regressionsmodell \|0 (DE-588)4127980-3 \|D s
689	1	2	\|a ARIMA-Modell \|0 (DE-588)4122832-7 \|D s
689	1	3	\|a Deep learning \|0 (DE-588)1135597375 \|D s
689	1	4	\|a TensorFlow \|0 (DE-588)1153577011 \|D s
689	1	5	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	1		\|5 DE-604
689	2	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	2	1	\|a Zeitreihenanalyse \|0 (DE-588)4067486-1 \|D s
689	2	2	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	2	3	\|a Scikit-learn \|0 (DE-588)1225705770 \|D s
689	2	4	\|a Deep learning \|0 (DE-588)1135597375 \|D s
689	2	5	\|a Neuronales Netz \|0 (DE-588)4226127-2 \|D s
689	2	6	\|a TensorFlow \|0 (DE-588)1153577011 \|D s
689	2		\|5 DE-604
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, EPUB \|z 978-3-446-46830-6
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe \|z 978-3-446-46814-6
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=032436709&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-032436709

Datensatz im Suchindex

DE-BY-862_location	2000
DE-BY-FWS_call_number	2000/ST 300 H699
DE-BY-FWS_katkey	1057744
DE-BY-FWS_media_number	083000525582
_version_	1806529060455579648
adam_text	INHALT VORWORT .................................................................................................................. IX 1 EINLEITUNG ....................................................................................................... 1 1.1 EIGENSCHAFTEN VON ZEITREIHEN ................................................. 2 1.2 DATEN, KORRELATIONEN UND DAS ENDE DER THEORIE ....................................................... 5 1.3 INHALT ................................................................................................... 7 1.4 VORAUSSETZUNGEN, RESSOURCEN UND PRAKTISCHE HINWEISE ............................................. 9 2 VERARBEITUNG UND VORVERARBEITUNG VON ZEITREIHEN ................................ 11 2.1 MIT DATUMSANGABEN ARBEITEN ...................................................................................... 12 2.1.1 DATEN LADEN ....................................................................................................... 13 2.1.2 DATUMSANGABEN UND ZEITSTEMPEL PARSEN ......................................................... 13 2.1.3 INDEXBEZOGENE DATUMS-FUNKTIONEN ................................................................ 15 2.2 OPERATIONEN ENTLANG DER ZEITACHSE .............................................................................. 17 2.2.1 MIT LAGS ARBEITEN ............................................................................................. 18 2.2.2 DIFFERENZEN ERSTER UND HOEHERER ORDNUNG ....................................................... 18 2.3 IMPUTATION FEHLENDER WERTE ......................................................................................... 20 2.3.1 FEHLENDE WERTE VORBEHANDELN .......................................................................... 20 2.3.2 EINFACHE IMPUTATIONSVERFAHREN ........................................................................ 22 2.3.3 MIT GLEITENDEN MITTELWERTEN ARBEITEN .............................................................. 24 2.3.4 ZEITFENSTER IMPUTIEREN ..................................................................................... 27 2.4 DATEN MIT NUMPY IN FORM BRINGEN ............................................................................. 31 2.4.1 PANDAS UND NUMPY ............................................................................ 31 2.4.2 SLICING .............................................................................................................. 33 2.4.3 RESTRUKTURIERUNGSMASSNAHMEN ........................................................................ 34 3 GRUNDPRINZIPIEN MASCHINELLEN LERNENS .................................................... 37 3.1 LINEARE REGRESSION ............................................... 38 3.1.1 GRUNDLAGEN ...................................................................................................... 38 3.1.2 UMSETZUNG MIT SCIKIT-LEARN ............................................................................. 45 3.1.3 TRAININGS- UND TESTDATEN SEPARIEREN ............................................................. 51 3.2 LOGISTISCHE REGRESSION ................................................................................................. 54 3.2.1 GRUNDLAGEN ...................................................................................................... 54 3.2.2 UMSETZUNG MIT SCIKIT-LEARN ............................................................................. 59 3.3 SOFTMAX-REGRESSION ..................................................................................................... 63 3.3.1 GRUNDLAGEN ....................................................................................................... 63 3.3.2 UMSETZUNG MIT SCIKIT-LEARN .............................................................................. 65 3.4 FEATURE-VORVERARBEITUNG ............................................................................................. 67 3.4.1 ONE-HOT-CODIERUNG ....................................................... 68 3.4.2 STANDARDISIERUNG ............................................................................................. 73 3.4.3 HAUPTKOMPONENTENANALYSE .............................................................................. 75 3.4.4 VORVERARBEITUNGSMETHODEN IN DER PRAXIS ....................................................... 82 3.5 ZEITREIHEN MIT STANDARDVERFAHREN VERARBEITEN ........................................................... 88 3.5.1 MODELLE MIT ZEITANGABEN ANLERNEN .................................................................. 89 3.5.2 MIT INTERAKTIONSVARIABLEN ARBEITEN .................................................................. 92 3.5.3 NICHT-LINEARE BEZIEHUNGEN MODELLIEREN. ......................................................... 96 4 PROGNOSEVERFAHREN FUER UNIVARIATE ZEITREIHEN: ARIMA & SEASONAL ARIMA ........................................................................ 101 4.1 AUTOREGRESSION (AR) ................................................................................................... 102 4.2 MOVING-AVERAGES-MODELL (MA) .................................................................................. 104 4.3 STATIONARITAET ................................................................................................................ 106 4.3.1 AUF STATIONARITAET TESTEN .................................................................................. 106 4.3.2 SAISONALE KOMPONENTEN ENTFERNEN ................................................................. 109 4.3.3 TRENDS ENTFERNEN ........................................................................................... 111 4.3.4 WARUM MAN ZEITREIHEN STATIONAER MACHT ....................................................... 114 4.4 AUTOKORRELATIONEN UND PARTIELLE AUTOKORRELATIONEN ................................................. 115 4.5 ARIMA-VERFAHREN ....................................................................................................... 118 4.5.1 UMSETZUNG MIT STATSMODELS .......................................................................... 118 4.5.2 EVALUATION DES MODELLS UEBER DIE TESTDATEN ................................................... 121 4.5.3 MODELL-KENNGROESSEN ZUR EVALUATION EINSETZEN ............................................... 125 4.6 ZEITREIHEN MIT SAISONALEN KOMPONENTEN MODELLIEREN ............................................. 127 4.6.1 SAISONALE DATEN ANALYSIEREN UND MODELLIEREN ............................................. 127 4.6.2 MODELLE MIT DER BRUT-FORCE-METHODE ANLERNEN ............................................. 133 4.6.3 PROGNOSEN ERSTELLEN ................................................. 136 4.7 TRENDS VERARBEITEN ..................................................................................................... 138 4.7.1 KONSTANTE TRENDS MODELLIEREN ...................................................................... 139 4.7.2 MIT KOMPLEXEN TRENDS ARBEITEN .................................................................... 140 4.8 KONTEXTEFFEKTE INTEGRIEREN ......................................................................................... 142 5 DEEP-LEARNING-VERFAHREN .......................................................................... 149 5.1 ARBEITSWEISE NEURONALER NETZE .................................................................................. 150 5.1.1 AUFBAU NEURONALER NETZE ................................................................................ 150 5.1.2 TRAINING EINES NEURONALEN NETZES ................................................................ 154 5.1.3 NEURONALE NETZE AUF LERNAUFGABEN EINSTELLEN ............................................... 155 5.2 MIT TENSORFLOW 2/KERAS ARBEITEN .............................................................................. 157 5.2.1 EIN EINFACHES KERAS-MODELL AUFBAUEN ........................................................... 158 5.2.2 EINEN KLASSIFIZIERER ANLERNEN ........................................................................ 165 5.2.3 DEN ANLERNPROZESS STEUERN ............................................................................ 170 5.3 UEBERANPASSUNG VERHINDERN ....................................................................................... 175 5.3.1 REGULARISIERUNG ............................................................................................. 177 5.3.2 DROPOUT .......................................................................................................... 182 5.4 REKURRENTE NETZE ...................................................................................................... 185 5.4.1 FUNKTIONSWEISE REKURRENTER LAYER ................................................................. 185 5.4.2 LONG SHORT TERM MEMORY (LSTM) UND GATED RECURRENT UNIT (GRU) ........... 190 5.4.3 TRAINING EINES REKURRENTEN LAYERS MIT KERAS ............................................... 191 5.4.4 MIT ZEITFENSTERN ARBEITEN ............................................................................... 195 5.5 KONVOLUTIONALE NETZE ................................................................................................. 203 5.5.1 FUNKTIONSWEISE KONVOLUTIONALER SCHICHTEN ................................................... 204 5.5.2 ZEITREIHEN MIT KONVOLUTIONALEN LAYERN VERARBEITEN ...................................... 207 5.5.3 TRAINING EINER ZEITREIHE MIT EINER KONVOLUTIONALEN SCHICHT ........................ 208 5.6 MIT ZEITFENSTERN IN DER PRAXIS ARBEITEN .................................................................... 213 5.6.1 GENERATOREN ..................................................................................................... 213 5.6.2 ZEITFENSTER MIT GENERATOREN ANLERNEN .......................................................... 220 5.7 DOMAENENSPEZIFISCHE LERNARCHITEKTUREN UMSETZEN ................................................... 230 5.7.1 SAISONALE KOMPONENTEN VORVERARBEITEN ......................................................... 231 5.7.2 MIT DER FUNKTIONALEN KERAS-API ARBEITEN ....................................................... 235 5.7.3 ZEITREIHENDATEN UND ZEITKONSTANTE DATEN IN EINEM MODELL VERARBEITEN ... 237 5.7.4 LERNARCHITEKTUR UND PREPROCESSING .............................................................. 241 5.8 DIMENSIONSREDUKTION MIT AUTOENCODERN .................................................................. 248 5.8.1 ARCHITEKTUR EINES AUTOENCODERS .................................................................... 248 5.8.2 EINEN AUTOENCODER ANLERNEN .......................................................................... 251 5.8.3 DIMENSIONEN KATEGORIALER VARIABLEN REDUZIEREN ......................................... 255 LITERATURVERZEICHNIS .......................................................................................... 259 STICHWORTVERZEICHNIS ........................................................................................ 261
adam_txt	INHALT VORWORT . IX 1 EINLEITUNG . 1 1.1 EIGENSCHAFTEN VON ZEITREIHEN . 2 1.2 DATEN, KORRELATIONEN UND DAS ENDE DER THEORIE . 5 1.3 INHALT . 7 1.4 VORAUSSETZUNGEN, RESSOURCEN UND PRAKTISCHE HINWEISE . 9 2 VERARBEITUNG UND VORVERARBEITUNG VON ZEITREIHEN . 11 2.1 MIT DATUMSANGABEN ARBEITEN . 12 2.1.1 DATEN LADEN . 13 2.1.2 DATUMSANGABEN UND ZEITSTEMPEL PARSEN . 13 2.1.3 INDEXBEZOGENE DATUMS-FUNKTIONEN . 15 2.2 OPERATIONEN ENTLANG DER ZEITACHSE . 17 2.2.1 MIT LAGS ARBEITEN . 18 2.2.2 DIFFERENZEN ERSTER UND HOEHERER ORDNUNG . 18 2.3 IMPUTATION FEHLENDER WERTE . 20 2.3.1 FEHLENDE WERTE VORBEHANDELN . 20 2.3.2 EINFACHE IMPUTATIONSVERFAHREN . 22 2.3.3 MIT GLEITENDEN MITTELWERTEN ARBEITEN . 24 2.3.4 ZEITFENSTER IMPUTIEREN . 27 2.4 DATEN MIT NUMPY IN FORM BRINGEN . 31 2.4.1 PANDAS UND NUMPY . 31 2.4.2 SLICING . 33 2.4.3 RESTRUKTURIERUNGSMASSNAHMEN . 34 3 GRUNDPRINZIPIEN MASCHINELLEN LERNENS . 37 3.1 LINEARE REGRESSION . 38 3.1.1 GRUNDLAGEN . 38 3.1.2 UMSETZUNG MIT SCIKIT-LEARN . 45 3.1.3 TRAININGS- UND TESTDATEN SEPARIEREN . 51 3.2 LOGISTISCHE REGRESSION . 54 3.2.1 GRUNDLAGEN . 54 3.2.2 UMSETZUNG MIT SCIKIT-LEARN . 59 3.3 SOFTMAX-REGRESSION . 63 3.3.1 GRUNDLAGEN . 63 3.3.2 UMSETZUNG MIT SCIKIT-LEARN . 65 3.4 FEATURE-VORVERARBEITUNG . 67 3.4.1 ONE-HOT-CODIERUNG . 68 3.4.2 STANDARDISIERUNG . 73 3.4.3 HAUPTKOMPONENTENANALYSE . 75 3.4.4 VORVERARBEITUNGSMETHODEN IN DER PRAXIS . 82 3.5 ZEITREIHEN MIT STANDARDVERFAHREN VERARBEITEN . 88 3.5.1 MODELLE MIT ZEITANGABEN ANLERNEN . 89 3.5.2 MIT INTERAKTIONSVARIABLEN ARBEITEN . 92 3.5.3 NICHT-LINEARE BEZIEHUNGEN MODELLIEREN. . 96 4 PROGNOSEVERFAHREN FUER UNIVARIATE ZEITREIHEN: ARIMA & SEASONAL ARIMA . 101 4.1 AUTOREGRESSION (AR) . 102 4.2 MOVING-AVERAGES-MODELL (MA) . 104 4.3 STATIONARITAET . 106 4.3.1 AUF STATIONARITAET TESTEN . 106 4.3.2 SAISONALE KOMPONENTEN ENTFERNEN . 109 4.3.3 TRENDS ENTFERNEN . 111 4.3.4 WARUM MAN ZEITREIHEN STATIONAER MACHT . 114 4.4 AUTOKORRELATIONEN UND PARTIELLE AUTOKORRELATIONEN . 115 4.5 ARIMA-VERFAHREN . 118 4.5.1 UMSETZUNG MIT STATSMODELS . 118 4.5.2 EVALUATION DES MODELLS UEBER DIE TESTDATEN . 121 4.5.3 MODELL-KENNGROESSEN ZUR EVALUATION EINSETZEN . 125 4.6 ZEITREIHEN MIT SAISONALEN KOMPONENTEN MODELLIEREN . 127 4.6.1 SAISONALE DATEN ANALYSIEREN UND MODELLIEREN . 127 4.6.2 MODELLE MIT DER BRUT-FORCE-METHODE ANLERNEN . 133 4.6.3 PROGNOSEN ERSTELLEN . 136 4.7 TRENDS VERARBEITEN . 138 4.7.1 KONSTANTE TRENDS MODELLIEREN . 139 4.7.2 MIT KOMPLEXEN TRENDS ARBEITEN . 140 4.8 KONTEXTEFFEKTE INTEGRIEREN . 142 5 DEEP-LEARNING-VERFAHREN . 149 5.1 ARBEITSWEISE NEURONALER NETZE . 150 5.1.1 AUFBAU NEURONALER NETZE . 150 5.1.2 TRAINING EINES NEURONALEN NETZES . 154 5.1.3 NEURONALE NETZE AUF LERNAUFGABEN EINSTELLEN . 155 5.2 MIT TENSORFLOW 2/KERAS ARBEITEN . 157 5.2.1 EIN EINFACHES KERAS-MODELL AUFBAUEN . 158 5.2.2 EINEN KLASSIFIZIERER ANLERNEN . 165 5.2.3 DEN ANLERNPROZESS STEUERN . 170 5.3 UEBERANPASSUNG VERHINDERN . 175 5.3.1 REGULARISIERUNG . 177 5.3.2 DROPOUT . 182 5.4 REKURRENTE NETZE . 185 5.4.1 FUNKTIONSWEISE REKURRENTER LAYER . 185 5.4.2 LONG SHORT TERM MEMORY (LSTM) UND GATED RECURRENT UNIT (GRU) . 190 5.4.3 TRAINING EINES REKURRENTEN LAYERS MIT KERAS . 191 5.4.4 MIT ZEITFENSTERN ARBEITEN . 195 5.5 KONVOLUTIONALE NETZE . 203 5.5.1 FUNKTIONSWEISE KONVOLUTIONALER SCHICHTEN . 204 5.5.2 ZEITREIHEN MIT KONVOLUTIONALEN LAYERN VERARBEITEN . 207 5.5.3 TRAINING EINER ZEITREIHE MIT EINER KONVOLUTIONALEN SCHICHT . 208 5.6 MIT ZEITFENSTERN IN DER PRAXIS ARBEITEN . 213 5.6.1 GENERATOREN . 213 5.6.2 ZEITFENSTER MIT GENERATOREN ANLERNEN . 220 5.7 DOMAENENSPEZIFISCHE LERNARCHITEKTUREN UMSETZEN . 230 5.7.1 SAISONALE KOMPONENTEN VORVERARBEITEN . 231 5.7.2 MIT DER FUNKTIONALEN KERAS-API ARBEITEN . 235 5.7.3 ZEITREIHENDATEN UND ZEITKONSTANTE DATEN IN EINEM MODELL VERARBEITEN . 237 5.7.4 LERNARCHITEKTUR UND PREPROCESSING . 241 5.8 DIMENSIONSREDUKTION MIT AUTOENCODERN . 248 5.8.1 ARCHITEKTUR EINES AUTOENCODERS . 248 5.8.2 EINEN AUTOENCODER ANLERNEN . 251 5.8.3 DIMENSIONEN KATEGORIALER VARIABLEN REDUZIEREN . 255 LITERATURVERZEICHNIS . 259 STICHWORTVERZEICHNIS . 261
any_adam_object	1
any_adam_object_boolean	1
author	Hirschle, Jochen 1973-
author_GND	(DE-588)143222880
author_facet	Hirschle, Jochen 1973-
author_role	aut
author_sort	Hirschle, Jochen 1973-
author_variant	j h jh
building	Verbundindex
bvnumber	BV047029396
classification_rvk	QH 237 ST 250 ST 300 ST 302
ctrlnum	(OCoLC)1226705617 (DE-599)DNB1219592803
discipline	Informatik Wirtschaftswissenschaften
discipline_str_mv	Informatik Wirtschaftswissenschaften
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03611nam a22008658c 4500</leader><controlfield tag="001">BV047029396</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20210305 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">201125s2021 gw \|\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1219592803</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783446467262</subfield><subfield code="c">hbk. : circa EUR 39.99 (DE), circa EUR 41.20 (AT)</subfield><subfield code="9">978-3-446-46726-2</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1226705617</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1219592803</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-860</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-210</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-B768</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-862</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QH 237</subfield><subfield code="0">(DE-625)141552:</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 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="100" ind1="1" ind2=" "><subfield code="a">Hirschle, Jochen</subfield><subfield code="d">1973-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)143222880</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Machine Learning für Zeitreihen</subfield><subfield code="b">Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python</subfield><subfield code="c">Jochen Hirschle</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">München</subfield><subfield code="b">Hanser</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">VII, 267 Seiten</subfield><subfield code="b">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="500" ind1=" " ind2=" "><subfield code="a">Auf Buchcover: Extra: E-Book inside, Im Internet: GitHub-Repository zum Buch</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Regressionsmodell</subfield><subfield code="0">(DE-588)4127980-3</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">Scikit-learn</subfield><subfield code="0">(DE-588)1225705770</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">ARIMA-Modell</subfield><subfield code="0">(DE-588)4122832-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</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="650" ind1="0" ind2="7"><subfield code="a">Zeitreihenanalyse</subfield><subfield code="0">(DE-588)4067486-1</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">Algorithmen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">ARIMA</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Keras</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Neuronale Netze</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Pandas</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Predictive Analytics</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Scikit-Learn</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Statistik</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">TensorFlow</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">FBITPRCC: C/C++</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">INF2021</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">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</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="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">Regressionsmodell</subfield><subfield code="0">(DE-588)4127980-3</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">ARIMA-Modell</subfield><subfield code="0">(DE-588)4122832-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><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="4"><subfield code="a">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="5"><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=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="2" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2="1"><subfield code="a">Zeitreihenanalyse</subfield><subfield code="0">(DE-588)4067486-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" 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="2" ind2="3"><subfield code="a">Scikit-learn</subfield><subfield code="0">(DE-588)1225705770</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2="4"><subfield code="a">Deep learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2="5"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2="6"><subfield code="a">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" 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, EPUB</subfield><subfield code="z">978-3-446-46830-6</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">978-3-446-46814-6</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=032436709&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:BVB01-032436709</subfield></datafield></record></collection>
id	DE-604.BV047029396
illustrated	Not Illustrated
index_date	2024-07-03T16:01:47Z
indexdate	2024-08-05T08:46:06Z
institution	BVB
isbn	9783446467262
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-032436709
oclc_num	1226705617
open_access_boolean
owner	DE-860 DE-92 DE-210 DE-634 DE-1046 DE-523 DE-20 DE-B768 DE-12 DE-19 DE-BY-UBM DE-Aug4 DE-859 DE-706 DE-739 DE-862 DE-BY-FWS
owner_facet	DE-860 DE-92 DE-210 DE-634 DE-1046 DE-523 DE-20 DE-B768 DE-12 DE-19 DE-BY-UBM DE-Aug4 DE-859 DE-706 DE-739 DE-862 DE-BY-FWS
physical	VII, 267 Seiten Diagramme
publishDate	2021
publishDateSearch	2021
publishDateSort	2021
publisher	Hanser
record_format	marc
spellingShingle	Hirschle, Jochen 1973- Machine Learning für Zeitreihen Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python Regressionsmodell (DE-588)4127980-3 gnd Python Programmiersprache (DE-588)4434275-5 gnd Scikit-learn (DE-588)1225705770 gnd ARIMA-Modell (DE-588)4122832-7 gnd TensorFlow (DE-588)1153577011 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Neuronales Netz (DE-588)4226127-2 gnd Zeitreihenanalyse (DE-588)4067486-1 gnd Deep learning (DE-588)1135597375 gnd
subject_GND	(DE-588)4127980-3 (DE-588)4434275-5 (DE-588)1225705770 (DE-588)4122832-7 (DE-588)1153577011 (DE-588)4193754-5 (DE-588)4226127-2 (DE-588)4067486-1 (DE-588)1135597375
title	Machine Learning für Zeitreihen Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python
title_auth	Machine Learning für Zeitreihen Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python
title_exact_search	Machine Learning für Zeitreihen Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python
title_exact_search_txtP	Machine Learning für Zeitreihen Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python
title_full	Machine Learning für Zeitreihen Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python Jochen Hirschle
title_fullStr	Machine Learning für Zeitreihen Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python Jochen Hirschle
title_full_unstemmed	Machine Learning für Zeitreihen Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python Jochen Hirschle
title_short	Machine Learning für Zeitreihen
title_sort	machine learning fur zeitreihen einstieg in regressions arima und deep learning verfahren mit python
title_sub	Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python
topic	Regressionsmodell (DE-588)4127980-3 gnd Python Programmiersprache (DE-588)4434275-5 gnd Scikit-learn (DE-588)1225705770 gnd ARIMA-Modell (DE-588)4122832-7 gnd TensorFlow (DE-588)1153577011 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Neuronales Netz (DE-588)4226127-2 gnd Zeitreihenanalyse (DE-588)4067486-1 gnd Deep learning (DE-588)1135597375 gnd
topic_facet	Regressionsmodell Python Programmiersprache Scikit-learn ARIMA-Modell TensorFlow Maschinelles Lernen Neuronales Netz Zeitreihenanalyse Deep learning
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032436709&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT hirschlejochen machinelearningfurzeitreiheneinstieginregressionsarimaunddeeplearningverfahrenmitpython

Verfügbarkeit

Inhaltsverzeichnis

Sonderstandort Fakultät

Bestandesangaben von Sonderstandort Fakultät
Signatur:	2000 ST 300 H699
Exemplar 1	nicht ausleihbar Checked out – Rückgabe bis: 31.12.2099 Vormerken

MARC

Datensatz im Suchindex

Sonderstandort Fakultät

Ähnliche Einträge