Holdings: Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn

Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn: das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics

Saved in:

Bibliographic Details
Main Authors:	Raschka, Sebastian (Author), Mirjalili, Vahid (Author)
Other Authors:	Lorenzen, Knut (Translator)
Format:	Book
Language:	German
Published:	Frechen MITP 2021
Edition:	3., aktualisierte und erweiterte Auflage
Series:	mitp Professional
Subjects:	Datenanalyse Cluster-Analyse Python > Programmiersprache Maschinelles Lernen TensorFlow Python 3.6 Keras > Framework, Informatik Big Data
Online Access:	Inhaltsverzeichnis
Physical Description:	759 Seiten Illustrationen, Diagramme 24 cm x 17 cm, 1259 g
ISBN:	9783747502136 374750213X

Staff View

MARC


LEADER	00000nam a22000008c 4500
001	BV047199372
003	DE-604
005	20231025
007	t
008	210316s2021 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 21,N07 \|2 dnb
016	7		\|a 1226790577 \|2 DE-101
020			\|a 9783747502136 \|c Pb. : EUR 49.99 (DE), EUR 51.40 (AT) \|9 978-3-7475-0213-6
020			\|a 374750213X \|9 3-7475-0213-X
024	3		\|a 9783747502136
028	5	2	\|a Bestellnummer: 74750213
035			\|a (OCoLC)1237702787
035			\|a (DE-599)DNB1226790577
040			\|a DE-604 \|b ger
041	0		\|a ger
044			\|a gw \|c XA-DE-NW
049			\|a DE-706 \|a DE-860 \|a DE-355 \|a DE-1043 \|a DE-634 \|a DE-824 \|a DE-29T \|a DE-523 \|a DE-859 \|a DE-1102 \|a DE-861 \|a DE-11 \|a DE-573 \|a DE-862 \|a DE-898 \|a DE-19 \|a DE-83 \|a DE-1049
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
084			\|8 1\p \|a 004 \|2 23sdnb
100	1		\|a Raschka, Sebastian \|e Verfasser \|0 (DE-588)1080537872 \|4 aut
240	1	0	\|0 (DE-588)115482389X \|a Python machine learning
245	1	0	\|a Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn \|b das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics \|c Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen
250			\|a 3., aktualisierte und erweiterte Auflage
264		1	\|a Frechen \|b MITP \|c 2021
300			\|a 759 Seiten \|b Illustrationen, Diagramme \|c 24 cm x 17 cm, 1259 g
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
490	0		\|a mitp Professional
650	0	7	\|a Datenanalyse \|0 (DE-588)4123037-1 \|2 gnd \|9 rswk-swf
650	0	7	\|a Cluster-Analyse \|0 (DE-588)4070044-6 \|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 Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a TensorFlow \|0 (DE-588)1153577011 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python 3.6 \|0 (DE-588)113674746X \|2 gnd \|9 rswk-swf
650	0	7	\|a Keras \|g Framework, Informatik \|0 (DE-588)1160521077 \|2 gnd \|9 rswk-swf
650	0	7	\|a Big Data \|0 (DE-588)4802620-7 \|2 gnd \|9 rswk-swf
689	0	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0	1	\|a Datenanalyse \|0 (DE-588)4123037-1 \|D s
689	0	2	\|a Big Data \|0 (DE-588)4802620-7 \|D s
689	0	3	\|a Python 3.6 \|0 (DE-588)113674746X \|D s
689	0	4	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	0	5	\|a TensorFlow \|0 (DE-588)1153577011 \|D s
689	0	6	\|a Keras \|g Framework, Informatik \|0 (DE-588)1160521077 \|D s
689	0	7	\|a Cluster-Analyse \|0 (DE-588)4070044-6 \|D s
689	0		\|5 DE-604
689	1	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	1	1	\|a Datenanalyse \|0 (DE-588)4123037-1 \|D s
689	1	2	\|a Big Data \|0 (DE-588)4802620-7 \|D s
689	1	3	\|a Python 3.6 \|0 (DE-588)113674746X \|D s
689	1		\|5 DE-604
700	1		\|a Mirjalili, Vahid \|e Verfasser \|0 (DE-588)1147615993 \|4 aut
700	1		\|a Lorenzen, Knut \|0 (DE-588)1020241446 \|4 trl
710	2		\|a mitp Verlags GmbH & Co. KG \|0 (DE-588)1065362072 \|4 pbl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe \|z 9783747502143
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe \|z 9783747502150
780	0	0	\|i Vorangegangen ist \|z 9783958457331
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=032604447&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-032604447
883	0		\|8 1\p \|a aepgnd \|c 0,03688 \|d 20210308 \|q DE-101 \|u https://d-nb.info/provenance/plan#aepgnd

Record in the Search Index

DE-BY-862_location	2000
DE-BY-FWS_call_number	2000/ST 250 P99 R223 M1(3)
DE-BY-FWS_katkey	879992
DE-BY-FWS_media_number	083000522193
_version_	1824553961082847232
adam_text	INHALTSVERZEICHNIS UEBER DIE AUTOREN .................................................................................... 17 UEBER DIE KORREKTOREN ........................................................................... 19 UEBER DEN FACHKORREKTOR DER DEUTSCHEN AUSGABE ............................... 20 EINLEITUNG ................................................................................................ 21 EINSTIEG IN MACHINE LEAMING ............................................................... 21 ZUM INHALT DES BUCHES ........ . ............................................................... 23 WAS SIE BENOETIGEN .................... 26 CODEBEISPIELE HERUNTERLADEN .......... . ................................................... 26 KONVENTIONEN IM BUCH .......................................................................... 26 1 WIE COMPUTER AUS DATEN LERNEN KOENNEN ............................................ 29 1.1 INTELLIGENTE MASCHINEN, DIE DATEN IN WISSEN VERWANDELN. .............. 29 1.2 DIE DREI ARTEN DES MACHINE LEAMINGS ............................................... 30 1.2.1 MIT UEBERWACHTEM LERNEN VORHERSAGEN TREFFEN .................... 31 1.2.2 INTERAKTIVE AUFGABEN DURCH REINFORCEMENT LEAMING LOESEN .......................................................................................... 34 1.2.3 DURCH UNUEBERWACHTES LERNEN VERBORGENE STRUKTUREN ERKENNEN .................................................................................... 35 1.3 GRUNDLEGENDE TERMINOLOGIE UND NOTATION ......................................... 36 1.3.1 IM BUCH VERWENDETE NOTATION UND KONVENTIONEN .............. 37 1.3.2 TERMINOLOGIE ............................................................................ 38 1.4 ENTWICKLUNG EINES SYSTEMS FUER DAS MACHINE LEAMING .................... 39 1.4.1 VORVERARBEITUNG: DATEN IN FORM BRINGEN ............................... 40 1.4.2 TRAINIEREN UND AUSWAEHLEN EINES VORHERSAGEMODELLS .......... 40 1.4.3 BEWERTUNG VON MODELLEN UND VORHERSAGE ANHAND UNBEKANNTER DATENINSTANZEN ................................................. 41 1.5 MACHINE LEAMING MIT PYTHON ............................................................. 42 1.5.1 PYTHON UND PYTHON-PAKETE INSTALLIEREN ................................. 42 1.5.2 VERWENDUNG DER PYTHON-DISTRIBUTION ANACONDA .................. 43 1.5.3 PAKETE FUER WISSENSCHAFTLICHES RECHNEN, DATA SCIENCE UND MACHINE LEAMING ............................................................. 43 1.6 ZUSAMMENFASSUNG ................................................................................ 44 INHALTSVERZEICHNIS 2 LEMALGORITHMEN FUER DIE KLASSIFIKATION TRAINIEREN ............................... 45 2.1 KUENSTLICHE NEURONEN: EIN KURZER BLICK AUF DIE ANFAENGE DES MACHINE LEAMINGS ................................................................................. 45 2.1.1 FORMALE DEFINITION EINES KUENSTLICHEN NEURONS ..................... 46 2.1.2 DIE PERZEPTRON-LEMREGEL .......................................................... 48 2.2 IMPLEMENTIERUNG EINES PERZEPTRON-LEMALGORITHMUS IN PYTHON ... 51 2.2.1 EINE OBJEKTORIENTIERTE PERZEPTRON-API ................................... 51 2.2.2 TRAINIEREN EINES PERZEPTRON-MODELLS MIT DER IRIS-DATENSAMMLUNG ................................................................ 55 2.3 ADAPTIVE LINEARE NEURONEN UND DIE KONVERGENZ DES LERNENS .......... 61 2.3.1 STRAFFUNKTIONEN MIT DEM GRADIENTENABSTIEGSVERFAHREN MINIMIEREN ................................................................................. 62 2.3.2 IMPLEMENTIERUNG EINES ADAPTIVEN LINEAREN NEURONS IN PYTHON ..................................................................................... 64 2.3.3 VERBESSERUNG DES GRADIENTENABSTIEGSVERFAHRENS DURCH MERKMALSTANDARDISIERUNG ........................................................ 69 2.3.4 LARGE SCALE MACHINE LEAMING UND STOCHASTISCHES GRADIENTENABSTIEGSVERFAHREN .................................................... 71 2.4 ZUSAMMENFASSUNG ................................................................................. 77 3 MACHINE-LEAMING-KLASSIFIKATOREN MIT SCIKIT-LEAM VERWENDEN ........ 79 3.1 AUSWAHL EINES KLASSIFIKATIONSALGORITHMUS ......................................... 79 3.2 ERSTE SCHRITTE MIT SCIKIT-LEAM: TRAINIEREN EINES PERZEPTRONS ............ 80 3.3 KLASSENWAHRSCHEINLICHKEITEN DURCH LOGISTISCHE REGRESSION MODELLIEREN ............................................................................................. 86 3.3.1 LOGISTISCHE REGRESSION UND BEDINGTE WAHRSCHEINLICHKEITEN ................................................................ 87 3.3.2 GEWICHTE DER LOGISTISCHEN STRAFFUNKTION ERMITTELN .............. 91 3.3.3 KONVERTIEREN EINER ADALINE-IMPLEMENTIERUNG IN EINEN ALGORITHMUS FUER EINE LOGISTISCHE REGRESSION ......................... 93 3.3.4 TRAINIEREN EINES LOGISTISCHEN REGRESSIONSMODELLS MIT SCIKIT-LEAM ................................................................................... 98 3.3.5 UEBERANPASSUNG DURCH REGULARISIERUNG VERHINDERN ............ 101 3.4 MAXIMUM-MARGIN-KLASSIFIKATION MIT SUPPORT VECTOR MACHINES .... 104 3.4.1 MAXIMIERUNG DES RANDBEREICHS .............................................. 105 3.4.2 HANDHABUNG DES NICHT LINEAR TRENNBAREN FALLS MIT SCHLUPFVARIABLEN ........................................................................ 106 3.4.3 ALTERNATIVE IMPLEMENTIERUNGEN IN SCIKIT-LEAM ..................... 108 6 INHALTSVERZEICHNIS 3.5 NICHTLINEARE AUFGABEN MIT EINER KEMEL-SVM LOESEN ......................... 109 3.5.1 KEMEL-METHODEN FUER LINEAR NICHT TRENNBARE DATEN .............. 109 3.5.2 MIT DEM KEMEL-TRICK HYPEREBENEN IN HOEHERDIMENSIONALEN RAEUMEN FINDEN ..................................... 111 3.6 LERNEN MIT ENTSCHEIDUNGSBAEUMEN ..................................................... 115 3.6.1 MAXIMIERUNG DES INFORMATIONSGEWINNS: DATEN AUSREIZEN ........................................................................ 116 3.6.2 KONSTRUKTION EINES ENTSCHEIDUNGSBAUMS ............................. 120 3.6.3 MEHRERE ENTSCHEIDUNGSBAEUME ZU EINEM RANDOM FOREST KOMBINIEREN ................................................. 124 3.7 K-NEAREST-NEIGHBORS: EIN LAZY-LEAMING-ALGORITHMUS ....................... 127 3.8 ZUSAMMENFASSUNG ................................................................................ 130 4 GUT GEEIGNETE TRAININGSDATENMENGEN: DATENVORVERARBEITUNG ........ 133 4.1 UMGANG MIT FEHLENDEN DATEN ............................................................. 133 4.1.1 FEHLENDE WERTE IN TABELLENDATEN ........................................... 134 4.1.2 INSTANZEN ODER MERKMALE MIT FEHLENDEN DATEN ENTFERNEN .................................................................................... 135 4.1.3 FEHLENDE WERTE ERGAENZEN ............................................... 136 4.1.4 DIE SCHAETZER-API VON SCIKIT-LEAM ........................................... 137 4.2 HANDHABUNG KATEGORIALER DATEN ......................................................... 138 4.2.1 CODIERUNG KATEGORIALER DATEN MIT PANDAS ............................. 139 4.2.2 ZUWEISUNG VON ORDINALEN MERKMALEN ................................... 139 4.2.3 CODIERUNG DER KLASSENBEZEICHNUNGEN ................................... 140 4.2.4 ONE-HOT-CODIERUNG DER NOMINALEN MERKMALE ....................... 141 4.3 AUFTEILUNG EINER DATENSAMMLUNG IN TRAININGS- UND TESTDATEN .... 145 4.4 ANPASSUNG DER MERKMALE ...................................................................... 148 4.5 AUSWAHL AUSSAGEKRAEFTIGER MERKMALE ................................................... 150 4.5.1 LI- UND L2-REGULARISIERUNG ALS STRAFFUNKTIONEN .................. 151 4.5.2 GEOMETRISCHE INTERPRETATION DER L2-REGULARISIERUNG .......... 151 4.5.3 DUENN BESETZTE LOESUNGEN MIT LL-REGULARISIERUNG ................ 153 4.5.4 ALGORITHMEN ZUR SEQUENZIELLEN AUSWAHL VON MERKMALEN ................................................................................ 157 4.6 BEURTEILUNG DER BEDEUTUNG VON MERKMALEN MIT RANDOM FORESTS ...................................................................................... 164 4.7 ZUSAMMENFASSUNG ................................................................................ 167 5 DATENKOMPRIMIERUNG DURCH DIMENSIONSREDUKTION ......................... 169 5.1 UNUEBERWACHTE DIMENSIONSREDUKTION DURCH 7 INHALTSVERZEICHNIS HAUPTKOMPONENTENANALYSE .................................................................. 169 5.1.1 SCHRITTE BEI DER HAUPTKOMPONENTENANALYSE ......................... 170 5.1.2 SCHRITTWEISE EXTRAKTION DER HAUPTKOMPONENTEN ................... 171 5.1.3 TOTALE VARIANZ UND ERKLAERTE VARIANZ ....................................... 174 5.1.4 MERKMALSTRANSFORMATION .......................................................... 176 5.1.5 HAUPTKOMPONENTENANALYSE MIT SCIKIT-LEAM ........................... 179 5.2 UEBERWACHTE DATENKOMPRIMIERUNG DURCH LINEARE DISKRIMINANZANALYSE ............................................................................... 183 5.2.1 HAUPTKOMPONENTENANALYSE KONTRA LINEARE DISKRIMINANZANALYSE ................................................................ 183 5.2.2 DIE INTERNE FUNKTIONSWEISE DER LINEAREN DISKRIMINANZANALYSE ................................................................ 184 5.2.3 BERECHNUNG DER STREUMATRIZEN ................................................ 185 5.2.4 AUSWAHL LINEARER DISKRIMINANTEN FUER DEN NEUEN MERKMALSUNTERRAUM ................................................................ 187 5.2.5 PROJEKTION IN DEN NEUEN MERKMALSRAUM ............................... 190 5.2.6 LDA MIT SCIKIT-LEAM .................................................................. 191 5.3 KEMEL-HAUPTKOMPONENTENANALYSE FUER NICHTLINEARE ZUORDNUNGEN VERWENDEN ...................................................................... 193 5.3.1 KEMEL-FUNKTIONEN UND DER KEMEL-TRICK ................................ 194 5.3.2 IMPLEMENTIERUNG EINER KEMEL-HAUPTKOMPONENTENANALYSE IN PYTHON ..................................................................................... 198 5.3.3 PROJIZIEREN NEUER DATENPUNKTE ................................................ 206 5.3.4 KERNEL-HAUPTKOMPONENTENANALYSE MIT SCIKIT-LEAM ............ 210 5.4 ZUSAMMENFASSUNG ................................................................................. 211 6 BEWAEHRTE VERFAHREN ZUR MODELLBEWERTUNG UND HYPERPARAMETER-OPTIMIERUNG ................................................. 213 6.1 ARBEITSABLAEUFE MIT PIPELINES OPTIMIEREN .............................................. 213 6.1.1 DIE WISCONSIN-BRUSTKREBS-DATENSAMMLUNG ......................... 213 6.1.2 TRANSFORMER UND SCHAETZER IN EINER PIPELINE KOMBINIEREN ............................................................................... 215 6.2 BEURTEILUNG DES MODELLS DURCH K-FACHE KREUZVALIDIERUNG ................. 217 6.2.1 HOLDOUT-METHODE ...................................................................... 218 6.2.2 K-FACHE KREUZVALIDIERUNG .......................................................... 219 6.3 ALGORITHMEN MIT LERN- UND VALIDIERUNGSKURVEN DEBUGGEN ............... 223 6.3.1 PROBLEME MIT BIAS UND VARIANZ ANHAND VON LERNKURVEN ERKENNEN ..................................................................................... 224 8 INHALTSVERZEICHNIS 6.3.2 UEBERANPASSUNG UND UNTERANPASSUNG ANHAND VON VALIDIERUNGSKURVEN ERKENNEN .................................... 227 6.4 FEINABSTIMMUNG EINES LEMMODELLS DURCH GRID SEARCH .................. 229 6.4.1 OPTIMIERUNG DER HYPERPARAMETER DURCH GRID SEARCH ........ 230 6.4.2 ALGORITHMENAUSWAHL DURCH VERSCHACHTELTE KREUZVALIDIERUNG ..................................................................... 232 6.5 VERSCHIEDENE KRITERIEN ZUR LEISTUNGSBEWERTUNG ............................... 234 6.5.1 INTERPRETATION EINER VERWECHSLUNGSMATRIX ...................... 234 6.5.2 OPTIMIERUNG DER GENAUIGKEIT UND DER TREFFERQUOTE EINES KLASSIFIKATIONSMODELLS .................................... 236 6.5.3 RECEIVER-OPERATING-CHARACTERISTIC-DIAGRAMME .............. 238 6.5.4 BEWERTUNGSKRITERIEN FUER MEHRKLASSEN-KLASSIFIKATIONEN .... 241 6.6 HANDHABUNG UNAUSGEWOGENER KLASSENVERTEILUNG ............................. 242 6.7 ZUSAMMENFASSUNG ................................................................................ 245 7 KOMBINATION VERSCHIEDENER MODELLE FUER DAS ENSEMBLE LEAMING. .. 247 7.1 ENSEMBLE LEAMING ................................................................................ 247 7.2 KLASSIFIKATOREN DURCH MEHRHEITSENTSCHEIDUNG KOMBINIEREN ............ 251 7.2.1 IMPLEMENTIERUNG EINES EINFACHEN MEHRHEITSENTSCHEIDUNGS-KLASSIFIKATORS ................................. 251 7.2.2 VORHERSAGEN NACH DEM MEHRHEITSENTSCHEIDUNGSPRINZIP TREFFEN ........................................................................................ 258 7.3 BEWERTUNG UND ABSTIMMUNG DES KLASSIFIKATOR-ENSEMBLES .............. 261 7.4 BAGGING: KLASSIFIKATOR-ENSEMBLES ANHAND VON BOOTSTRAP- STICHPROBEN ENTWICKELN .......................................................................... 268 7.4.1 BAGGING KURZ ZUSAMMENGEFASST ............................................. 269 7.4.2 KLASSIFIKATION DER WEIN-DATENSAMMLUNG DURCH BAGGING. .. 270 7.5 SCHWACHE KLASSIFIKATOREN DURCH ADAPTIVES BOOSTING VERBESSERN .... 274 7.5.1 FUNKTIONSWEISE DES BOOSTINGS ............................................... 274 7.5.2 ADABOOST MIT SCIKIT-LEAM ANWENDEN ............................... 278 7.6 ZUSAMMENFASSUNG ................................................................................ 282 8 MACHINE LEAMING ZUR ANALYSE VON STIMMUNGSLAGEN NUTZEN .......... 283 8.1 DIE IMDB-FILMDATENBANK ..................................................................... 283 8.1.1 HERUNTERLADEN DER DATENSAMMLUNG ..................................... 284 8.1.2 VORVERARBEITEN DER FILMBEWERTUNGSDATEN ............................. 284 8.2 DAS BAG-OF-WORDS-MODELL ..................................................................... 286 8.2.1 WOERTER IN MERKMALSVEKTOREN UMWANDELN ...................... 287 8.2.2 BEURTEILUNG DER WORTRELEVANZ DURCH DAS TF-IDF-MASS .......... 289 9 INHALTSVERZEICHNIS 8.2.3 TEXTDATEN BEREINIGEN ................................................................ 291 8.2.4 DOKUMENTE IN TOKENS ZERLEGEN ................................................ 293 8.3 EIN LOGISTISCHES REGRESSIONSMODELL FUER DIE DOKUMENTKLASSIFIKATION TRAINIEREN ................................................................................................. 295 8.4 VERARBEITUNG GROSSER DATENMENGEN: ONLINE-ALGORITHMEN UND OUT-OF-CORE LEAMING ............................................................................... 298 8.5 TOPIC MODELING MIT LATENTER DIRICHLET-ALLOKATION ............................... 302 8.5.1 AUFTEILUNG VON TEXTEN MIT DER LDA ....................................... 303 8.5.2 LDA MIT SCIKIT-LEAM .................................................................. 303 8.6 ZUSAMMENFASSUNG ................................................................................. 307 9 EINBETTUNG EINES MACHINE-LEAMING-MODELLS IN EINE WEBANWENDUNG ....................................................................................... 309 9.1 SERIALISIERUNG ANGEPASSTER SCHAETZER MIT SCIKIT-LEAM ........................... 309 9.2 EINRICHTUNG EINER SQLITE-DATENBANK ZUM SPEICHERN VON DATEN ... 313 9.3 ENTWICKLUNG EINER WEBANWENDUNG MIT FLASK ..................................... 315 9.3.1 DIE ERSTE WEBANWENDUNG MIT FLASK ....................................... 316 9.3.2 FORMULARVALIDIERUNG UND -AUSGABE ......................................... 318 9.4 DER FILMBEWERTUNGSKLASSIFIKATOR ALS WEBANWENDUNG ....................... 324 9.4.1 DATEIEN UND ORDNER - DIE VERZEICHNISSTRUKTUR ..................... 326 9.4.2 IMPLEMENTIERUNG DER HAUPTANWENDUNG APP.PY ................... 326 9.4.3 EINRICHTUNG DES BEWERTUNGSFORMULARS ................................... 329 9.4.4 EINE VORLAGE FUER DIE ERGEBNISSEITE ERSTELLEN ........................... 330 9.5 EINRICHTUNG DER WEBANWENDUNG AUF EINEM OEFFENTLICH ZUGAENGLICHEN WEBSERVER ........................................................................ 333 9.5.1 ERSTELLEN EINES BENUTZERKONTOS BEI PYTHONANYWHERE .......... 333 9.5.2 HOCHLADEN DER FILMBEWERTUNGSANWENDUNG .......................... 334 9.5.3 UPDATEN DES FILMBEWERTUNGSKLASSIFIKATORS ........................... 335 9.6 ZUSAMMENFASSUNG ................................................................................. 338 10 VORHERSAGE STETIGER ZIELVARIABLEN DURCH REGRESSIONSANALYSE .............. 339 10.1 LINEARE REGRESSION ................................................................................... 339 10.1.1 EIN EINFACHES LINEARES REGRESSIONSMODELL ............................. 340 10.1.2 MULTIPLE LINEARE REGRESSION ...................................................... 341 10.2 DIE BOSTON-HOUSING-DATENSAMMLUNG .................................................. 342 10.2.1 EINLESEN DER DATENMENGE IN EINEN DATAFRAME ..................... 342 10.2.2 VISUALISIERUNG DER WICHTIGEN EIGENSCHAFTEN EINER DATENMENGE ............................................................................... 344 10 INHALTSVERZEICHNIS 10.2.3 ZUSAMMENHAENGE ANHAND DER KORRELATIONSMATRIX ERKENNEN ...................................................................... 346 10.3 IMPLEMENTIERUNG EINES LINEAREN REGRESSIONSMODELLS MIT DER METHODE DER KLEINSTEN QUADRATE ......................................................... 348 10.3.1 BERECHNUNG DER REGRESSIONSPARAMETER MIT DEM GRADIENTENABSTIEGSVERFAHREN ................................................... 349 10.3.2 SCHAETZUNG DER KOEFFIZIENTEN EINES REGRESSIONSMODELLS MIT SCIKIT-LEAM .................. 353 10.4 ANPASSUNG EINES ROBUSTEN REGRESSIONSMODELLS MIT DEM RAN SAC-ALGORITHMUS .......................................................................... 355 10.5 BEWERTUNG DER LEISTUNG LINEARER REGRESSIONSMODELLE ...................... 358 10.6 REGULARISIERUNGSVERFAHREN FUER DIE REGRESSION EINSETZEN .................. 361 10.7 POLYNOMIALE REGRESSION: UMWANDELN EINER LINEAREN REGRESSION IN EINE KURVE .......................................................................................... 363 10.7.1 HINZUFUEGEN POLYNOMIALER TERME MIT SCIKIT-LEARN ................ 364 10.7.2 MODELLIERUNG NICHTLINEARER ZUSAMMENHAENGE IN DER BOSTON-HOUSING-DATENSAMMLUNG ......................................... 366 10.8 HANDHABUNG NICHTLINEARER BEZIEHUNGEN MIT RANDOM FORESTS ........ 369 10.8.1 ENTSCHEIDUNGSBAUM-REGRESSION .................................... 370 10.8.2 RANDOM-FOREST-REGRESSION ..................................................... 371 10.9 ZUSAMMENFASSUNG ................................................................................ 375 11 VERWENDUNG VON DATEN OHNE LABEL: CLUSTERANALYSE........................... 377 11.1 GRUPPIERUNG VON OBJEKTEN NACH AEHNLICHKEIT MIT DEM K-MEANS-ALGORITHMUS ............................................................................ 377 11.1.1 K-MEANS-CLUSTERING MIT SCIKIT-LEAM ....................................... 378 11.1.2 DER K-MEANS++-ALGORITHMUS ................................................... 383 11.1.3 CRISP UND SOFT CLUSTERING ................................................. 384 11.1.4 DIE OPTIMALE ANZAHL DER CLUSTER MIT DEM ELLENBOGENKRITERIUM ERMITTELN ............................................... 386 11.1.5 QUANTIFIZIERUNG DER CLUSTERING-GUETE MIT SILHOUETTENDIAGRAMMEN ......................................................... 388 11.2 CLUSTER ALS HIERARCHISCHEN BAUM ORGANISIEREN ................................... 393 11.2.1 GRUPPIERUNG VON CLUSTERN ..................................................... 393 11.2.2 HIERARCHISCHES CLUSTERING MITTELS EINER DISTANZMATRIX .... 395 11.2.3 DENDROGRAMME UND HEATMAPS VERKNUEPFEN ........................ 399 11.2.4 AGGLOMERATIVES CLUSTERING MIT SCIKIT-LEAM ........................... 401 11.3 BEREICHE HOHER DICHTE MIT DBSCAN ERMITTELN ................................. 402 11.4 ZUSAMMENFASSUNG ................................................................................ 407 11 INHALTSVERZEICHNIS 12 IMPLEMENTIERUNG EINES KUENSTLICHEN NEURONALEN NETZES ................... 409 12.1 MODELLIERUNG KOMPLEXER FUNKTIONEN MIT KUENSTLICHEN NEURONALEN NETZEN ................................................................................. 409 12.1.1 EINSCHICHTIGE NEURONALE NETZE ................................................ 411 12.1.2 MEHRSCHICHTIGE NEURONALE NETZARCHITEKTUR ........................... 413 12.1.3 AKTIVIERUNG EINES NEURONALEN NETZES DURCH VORWAERTSPROPAGATION ................................................................ 416 12.2 KLASSIFIKATION HANDGESCHRIEBENER ZIFFERN ........................................... 418 12.2.1 DIE MNIST-DATENSAMMLUNG .................................................... 419 12.2.2 IMPLEMENTIERUNG EINES MEHRSCHICHTIGEN PERZEPTRONS ........ 426 12.3 TRAINIEREN EINES KUENSTLICHEN NEURONALEN NETZES ............................... 438 12.3.1 BERECHNUNG DER LOGISTISCHEN STRAFFUNKTION ........................... 439 12.3.2 EIN GESPUER FUER DIE BACKPROPAGATION ENTWICKELN ................... 441 12.3.3 TRAINIEREN NEURONALER NETZE DURCH BACKPROPAGATION .......... 443 12.4 KONVERGENZ IN NEURONALEN NETZEN ........................................................ 447 12.5 ABSCHLIESSENDE BEMERKUNGEN ZUR IMPLEMENTIERUNG NEURONALER NETZE ..................................................................................... 448 12.6 ZUSAMMENFASSUNG ................................................................................. 448 13 PARALLELISIERUNG DES TRAININGS NEURONALER NETZE MIT TENSORFLOW .. 451 13.1 TENSORFLOW UND TRAININGSLEISTUNG ...................................................... 451 13.1.1 HERAUSFORDERUNGEN .................................................................. 451 13.1.2 WAS GENAU IST TENSORFLOW? ...................................................... 453 13.1.3 TENSORFLOW ERLERNEN ................................................................ 454 13.2 ERSTE SCHRITTE MIT TENSORFLOW .............................................................. 455 13.2.1 TENSORFLOW INSTALLIEREN ............................................................ 455 13.2.2 TENSOREN IN TENSORFLOW ERSTELLEN ........................................... 456 13.2.3 DATENTYP UND FORMAT EINES TENSORS AENDERN ......................... 457 13.2.4 ANWENDUNG MATHEMATISCHER OPERATIONEN AUF TENSOREN ... 458 13.2.5 TENSOREN AUFTEILEN, STAPELN UND VERKNUEPFEN ......................... 460 13.3 EINGABE-PIPELINES MIT TF.DATA ERSTELLEN - DIE DATASET-API VON TENSORFLOW ............................................................................................... 462 13.3.1 EIN TENSORFLOW-DATASET ANHAND VORHANDENER TENSOREN ERSTELLEN ....................................................................................... 462 13.3.2 ZWEI TENSOREN ZU EINER DATENMENGE VEREINEN ..................... 463 13.3.3 DURCHMISCHEN, BATCH ERSTELLEN UND WIEDERHOLEN .................. 465 13.3.4 ERSTELLEN EINER DATENMENGE ANHAND LOKAL GESPEICHERTER DATEIEN ....................................................................................... 468 13.3.5 ZUGRIFF AUF DIE DATENMENGEN DER TENSORFLOW_DATASETS- BIBLIOTHEK ................................................................................... 472 12 INHALTSVERZEICHNIS 13.4 ENTWICKLUNG EINES NN-MODELLS MIT TENSORFLOW ............................... 478 13.4.1 DIE KERAS-API (TF.KERAS) VON TENSORFLOW ............................... 478 13.4.2 ENTWICKLUNG EINES LINEAREN REGRESSIONSMODELLS .................. 479 13.4.3 TRAINIEREN DES MODELLS MIT DEN METHODEN .COMPILE() UND.FIT() .................................................................................... 484 13.4.4 ENTWICKLUNG EINES MEHRSCHICHTIGEN PERZEPTRONS ZUR KLASSIFIKATION DER IRIS-DATENSAMMLUNG ................................. 485 13.4.5 BEWERTUNG DES TRAINIERTEN MODELLS MIT DER TESTDATENMENGE ....................................................................... 490 13.4.6 DAS TRAINIERTE MODELL SPEICHERN UND EINLESEN ...................... 490 13.5 AUSWAHL DER AKTIVIERUNGSFUNKTIONEN MEHRSCHICHTIGER NEURONALER N ETZE .................................................................................... 491 13.5.1 DIE LOGISTISCHE FUNKTION KURZ ZUSAMMENGEFASST ................ 492 13.5.2 WAHRSCHEINLICHKEITEN BEI DER MEHRKLASSEN-KLASSIFIKATION MIT DER SOFTMAX-FUNKTION SCHAETZEN ....................................... 494 13.5.3 VERBREITERUNG DES AUSGABESPEKTRUMS MITTELS TANGENS HYPERBOLICUS .............................................................................. 495 13.5.4 AKTIVIERUNG MITTELS RELU ....................................................... 498 13.6 ZUSAMMENFASSUNG ................................................................................ 499 14 DIE FUNKTIONSWEISE VON TENSORFLOW IM DETAIL .................................. 501 14.1 GRUNDLEGENDE MERKMALE VON TENSORFLOW ......................................... 502 14.2 TENSORFLOWS BERECHNUNGSGRAPHEN: MIGRATION NACH TENSORFLOW V2 ........................................................................................ 503 14.2.1 FUNKTIONSWEISE VON BERECHNUNGSGRAPHEN ........................... 503 14.2.2 ERSTELLEN EINES GRAPHEN IN TENSORFLOW VL.X ........................ 504 14.2.3 MIGRATION EINES GRAPHEN NACH TENSORFLOW V2 .................... 505 14.2.4 EINGABEDATEN EINLESEN MIT TENSORFLOW VL.X ......................... 506 14.2.5 EINGABEDATEN EINLESEN MIT TENSORFLOW V2 ............................. 506 14.2.6 BESCHLEUNIGUNG VON BERECHNUNGEN MIT FUNKTIONSDEKORATOREN ............................................................. 507 14.3 TENSORFLOWS VARIABIENOBJEKTE ZUM SPEICHERN UND AKTUALISIEREN VON MODELLPARAMETEM ......................................................................... 509 14.4 GRADIENTENBERECHNUNG DURCH AUTOMATISCHES DIFFERENZIEREN UND GRADIENTTAPE .................................................................................. 514 14.4.1 BERECHNUNG DER GRADIENTEN DER VERLUSTFUNKTION BEZUEGLICH TRAINIERBARER VARIABLEN ........................................... 514 14.4.2 BERECHNUNG DER GRADIENTEN BEZUEGLICH NICHT TRAINIERBARER TENSOREN ............................................................. 516 13 INHALTSVERZEICHNIS 14.4.3 RESSOURCEN FUER MEHRFACHE GRADIENTENBERECHNUNG ERHALTEN ......................................................................... 516 14.5 VEREINFACHUNG DER IMPLEMENTIERUNG GEBRAEUCHLICHER ARCHITEKTUREN MIT DER KERAS-API .......................................................... 517 14.5.1 LOESEN EINER XOR-KLASSIFIKATIONSAUFGABE ............................... 521 14.5.2 FLEXIBLERE MODELLERSTELLUNG MIT KERAS * FUNKTIONALER API ... 526 14.5.3 MODELLE MIT KERAS * MODEL-KLASSE IMPLEMENTIEREN .......... 528 14.5.4 BENUTZERDEFINIERTE KERAS-SCHICHTEN ....................................... 529 14.6 TENSORFLOWS SCHAETZER ............................................................................. 533 14.6.1 MERKMALSSPALTEN ...................................................................... 534 14.6.2 MACHINE LEAMING MIT VORGEFERTIGTEN SCHAETZERN ................... 538 14.6.3 KLASSIFIKATION HANDGESCHRIEBENER ZIFFERN MIT SCHAETZERN ... 543 14.6.4 BENUTZERDEFINIERTE SCHAETZER ANHAND EINES KERAS-MODELLS ERSTELLEN ..................................................................................... 545 14.7 ZUSAMMENFASSUNG ................................................................................. 548 15 BILDKLASSIFIKATION MIT DEEP CONVOLUTIONAL NEURAL NETWORKS ............ 549 15.1 BAUSTEINE VON CONVOLUTIONAL NEURAL NETWORKS ................................... 549 15.1.1 CNNS UND MERKMALSHIERARCHIE ................................................ 550 15.1.2 DISKRETE FALTUNGEN .................................................................... 552 15.1.3 SUBSAMPLING ............................................................................... 561 15.2 IMPLEMENTIERUNG EINES CNNS .............................................................. 563 15.2.1 VERWENDUNG MEHRERER EINGABE- ODER FARBKANAELE ................. 563 15.2.2 REGULARISIERUNG EINES NEURONALEN NETZES MIT DROPOUT .... 566 15.2.3 VERLUSTFUNKTIONEN FUER KLASSIFIKATIONEN ................................. 570 15.3 IMPLEMENTIERUNG EINES TIEFEN CNNS MIT TENSORFLOW ....................... 572 15.3.1 DIE MEHRSCHICHTIGE CNN-ARCHITEKTUR ..................................... 573 15.3.2 EINLESEN UND VORVERARBEITEN DER DATEN ................................. 574 15.3.3 IMPLEMENTIERUNG EINES CNNS MIT TENSORFLOWS KERAS-API ................................................................................... 575 15.4 KLASSIFIKATION DES GESCHLECHTS ANHAND VON PORTRAETFOTOS MIT EINEM CNN ............................................................................................... 582 15.4.1 EINLESEN DER CELEBA-DATENMENGE ........................................... 582 15.4.2 BILDTRANSFORMATION UND DATENAUGMENTATION ......................... 583 15.4.3 TRAINING EINES CNN-KLASSIFIKATORS ......................................... 590 15.5 ZUSAMMENFASSUNG ................................................................................. 596 16 MODELLIERUNG SEQUENZIELLER DATEN DURCH REKURRENTE NEURONALE NETZE ......................................................................................................... 597 16.1 SEQUENZIELLE DATEN .................................................................................. 597 14 INHALTSVERZEICHNIS 16.1.1 MODELLIERUNG SEQUENZIELLER DATEN: DIE REIHENFOLGE IST VON BEDEUTUNG ......................................................................... 598 16.1.2 REPRAESENTIERUNG VON SEQUENZEN ........................................... 598 16.1.3 VERSCHIEDENE KATEGORIEN DER SEQUENZMODELLIERUNG ............ 599 16.2 SEQUENZMODELLIERUNG MIT RNNS ......................................................... 601 16.2.1 STRUKTUR UND ABLAUF EINES RNNS ........................................... 601 16.2.2 AKTIVIERUNGEN EINES RNNS BERECHNEN ................................... 603 16.2.3 RUECKKOPPLUNG MIT DER VERDECKTEN SCHICHT ODER DER AUSGABESCHICHT .......................................................................... 606 16.2.4 PROBLEME BEI DER ERKENNUNG WEITREICHENDER INTERAKTIONEN ............................................................................ 609 16.2.5 LSTM-SPEICHERZELLEN ............................................................... 610 16.3 IMPLEMENTIERUNG VON RNNS ZUR SEQUENZMODELLIERUNG MIT TENSORFLOW .............................................................................................. 612 16.3.1 PROJEKT 1: VORHERSAGE DER STIMMUNGSLAGE VON IMDB-FILMBEWERTUNGEN ......................................................... 612 16.3.2 PROJEKT 2: SPRACHMODELLIERUNG DURCH ZEICHEN MIT TENSORFLOW ................................................................................ 629 16.4 SPRACHE MIT DEM TRANSFORMER-MODELL VERSTEHEN ...................... 642 16.4.1 DER MECHANISMUS DER SELBST-AUFMERKSAMKEIT .................... 643 16.4.2 MULTI-HEAD-ATTENTION UND TRANSFORMER-BLOCK .................... 646 16.5 ZUSAMMENFASSUNG ................................................................................ 647 17 SYNTHETISIEREN NEUER DATEN MIT GENERATIVE ADVERSARIAL NETWORKS ................................................................................................ 649 17.1 EINFUEHRUNG IN GANS .............................................................................. 649 17.1.1 AUTOENCODER .............................................................................. 650 17.1.2 GENERATIVE MODELLE ZUM SYNTHETISIEREN NEUER DATEN .......... 652 17.1.3 MIT GANS NEUE BEISPIELE ERZEUGEN ....................................... 654 17.1.4 DIE VERLUSTFUNKTION DES GENERATOR- UND DISKRIMINATOR- NETZES IN EINEM GAN-MODELL ................................................. 655 17.2 EIN GAN VON GRUND AUF IMPLEMENTIEREN ........................................... 658 17.2.1 GAN-MODELLE MIT GOOGLE COLAB TRAINIEREN ........................... 658 17.2.2 IMPLEMENTIERUNG DER GENERATOR- UND DISKRIMINATOR-NETZE ................................................................. 661 17.2.3 DEFINITION DER TRAININGSDATENMENGE ..................................... 665 17.2.4 TRAINIEREN DES GAN-MODELLS ................................................... 667 17.3 VERBESSERUNG DER QUALITAET SYNTHETISIERTER BILDER DURCH CONVOLUTIONAL GAN UND WASSERSTEIN-GAN ....................................... 676 15 INHALTSVERZEICHNIS 17.3.1 TRANSPONIERTE FALTUNG .............................................................. 677 17.3.2 BATCHNORMIERUNG ...................................................................... 678 17.3.3 IMPLEMENTIERUNG DES GENERATORS UND DES DISKRIMINATORS .......................................................................... 681 17.3.4 MASSE FUER DEN UNTERSCHIED ZWISCHEN ZWEI VERTEILUNGEN. ... 688 17.3.5 VERWENDUNG DER EM-DISTANZ IN DER PRAXIS ........................... 691 17.3.6 STRAFTERM ..................................................................................... 692 17.3.7 IMPLEMENTIERUNG VON WGAN-GP ZUM TRAINIEREN DES DCGAN-MODELLS ........................................................................ 693 17.3.8 ZUSAMMENBRECHEN DES VERFAHRENS ....................................... 697 17.4 WEITERE GAN-ANWENDUNGEN ................................................................ 699 17.5 ZUSAMMENFASSUNG ................................................................................. 700 18 ENTSCHEIDUNGSFINDUNG IN KOMPLEXEN UMGEBUNGEN PER REINFORCEMENT LEAMING ........................................................................ 701 18.1 EINFUEHRUNG: AUS ERFAHRUNG LERNEN ...................................................... 702 18.1.1 REINFORCEMENT LEAMING .......................................................... 702 18.1.2 DEFINITION DER AGENT-UMGEBUNG-SCHNITTSTELLE FUER EIN REINFORCEMENT- LEAMING-SYSTEM .............................................. 704 18.2 THEORETISCHE GRUNDLAGEN DES RLS ........................................................ 705 18.2.1 MARKOV-ENTSCHEIDUNGSPROZESSE .............................................. 705 18.2.2 MATHEMATISCHE FORMULIERUNG VON MARKOV- ENTSCHEIDUNGSPROZESSEN .......................................................... 706 18.2.3 RL-TERMINOLOGIE: RETURN, POLICY UND WERTFUNKTION ............ 710 18.2.4 DYNAMISCHE PROGRAMMIERUNG UND BELLMAN-GLEICHUNG. ... 714 18.3 REINFORCEMENT- LEAMING-ALGORITHMEN .................................................. 715 18.3.1 DYNAMISCHE PROGRAMMIERUNG ................................................ 715 18.3.2 REINFORCEMENT LEAMING MIT MONTE-CARLO-ALGORITHMEN. ... 718 18.3.3 TEMPORAL DIFFERENCE LEAMING ................................................ 720 18.4 IMPLEMENTIERUNG EINES RL-ALGORITHMUS ............................................. 723 18.4.1 OPENAI GYM ............................................................................... 723 18.4.2 LOESUNG DER GRID-WORLD-AUFGABE MIT Q-LEAMING ................. 734 18.4.3 EIN BLICK AUF DEEP Q-LEAMING ................................................ 739 18.5 ZUSAMMENFASSUNG UND SCHLUSSWORT .................................................... 747 STICHWORTVERZEICHNIS ............................................................................... 751 16
adam_txt	INHALTSVERZEICHNIS UEBER DIE AUTOREN . 17 UEBER DIE KORREKTOREN . 19 UEBER DEN FACHKORREKTOR DER DEUTSCHEN AUSGABE . 20 EINLEITUNG . 21 EINSTIEG IN MACHINE LEAMING . 21 ZUM INHALT DES BUCHES . . . 23 WAS SIE BENOETIGEN . 26 CODEBEISPIELE HERUNTERLADEN . . . 26 KONVENTIONEN IM BUCH . 26 1 WIE COMPUTER AUS DATEN LERNEN KOENNEN . 29 1.1 INTELLIGENTE MASCHINEN, DIE DATEN IN WISSEN VERWANDELN. . 29 1.2 DIE DREI ARTEN DES MACHINE LEAMINGS . 30 1.2.1 MIT UEBERWACHTEM LERNEN VORHERSAGEN TREFFEN . 31 1.2.2 INTERAKTIVE AUFGABEN DURCH REINFORCEMENT LEAMING LOESEN . 34 1.2.3 DURCH UNUEBERWACHTES LERNEN VERBORGENE STRUKTUREN ERKENNEN . 35 1.3 GRUNDLEGENDE TERMINOLOGIE UND NOTATION . 36 1.3.1 IM BUCH VERWENDETE NOTATION UND KONVENTIONEN . 37 1.3.2 TERMINOLOGIE . 38 1.4 ENTWICKLUNG EINES SYSTEMS FUER DAS MACHINE LEAMING . 39 1.4.1 VORVERARBEITUNG: DATEN IN FORM BRINGEN . 40 1.4.2 TRAINIEREN UND AUSWAEHLEN EINES VORHERSAGEMODELLS . 40 1.4.3 BEWERTUNG VON MODELLEN UND VORHERSAGE ANHAND UNBEKANNTER DATENINSTANZEN . 41 1.5 MACHINE LEAMING MIT PYTHON . 42 1.5.1 PYTHON UND PYTHON-PAKETE INSTALLIEREN . 42 1.5.2 VERWENDUNG DER PYTHON-DISTRIBUTION ANACONDA . 43 1.5.3 PAKETE FUER WISSENSCHAFTLICHES RECHNEN, DATA SCIENCE UND MACHINE LEAMING . 43 1.6 ZUSAMMENFASSUNG . 44 INHALTSVERZEICHNIS 2 LEMALGORITHMEN FUER DIE KLASSIFIKATION TRAINIEREN . 45 2.1 KUENSTLICHE NEURONEN: EIN KURZER BLICK AUF DIE ANFAENGE DES MACHINE LEAMINGS . 45 2.1.1 FORMALE DEFINITION EINES KUENSTLICHEN NEURONS . 46 2.1.2 DIE PERZEPTRON-LEMREGEL . 48 2.2 IMPLEMENTIERUNG EINES PERZEPTRON-LEMALGORITHMUS IN PYTHON . 51 2.2.1 EINE OBJEKTORIENTIERTE PERZEPTRON-API . 51 2.2.2 TRAINIEREN EINES PERZEPTRON-MODELLS MIT DER IRIS-DATENSAMMLUNG . 55 2.3 ADAPTIVE LINEARE NEURONEN UND DIE KONVERGENZ DES LERNENS . 61 2.3.1 STRAFFUNKTIONEN MIT DEM GRADIENTENABSTIEGSVERFAHREN MINIMIEREN . 62 2.3.2 IMPLEMENTIERUNG EINES ADAPTIVEN LINEAREN NEURONS IN PYTHON . 64 2.3.3 VERBESSERUNG DES GRADIENTENABSTIEGSVERFAHRENS DURCH MERKMALSTANDARDISIERUNG . 69 2.3.4 LARGE SCALE MACHINE LEAMING UND STOCHASTISCHES GRADIENTENABSTIEGSVERFAHREN . 71 2.4 ZUSAMMENFASSUNG . 77 3 MACHINE-LEAMING-KLASSIFIKATOREN MIT SCIKIT-LEAM VERWENDEN . 79 3.1 AUSWAHL EINES KLASSIFIKATIONSALGORITHMUS . 79 3.2 ERSTE SCHRITTE MIT SCIKIT-LEAM: TRAINIEREN EINES PERZEPTRONS . 80 3.3 KLASSENWAHRSCHEINLICHKEITEN DURCH LOGISTISCHE REGRESSION MODELLIEREN . 86 3.3.1 LOGISTISCHE REGRESSION UND BEDINGTE WAHRSCHEINLICHKEITEN . 87 3.3.2 GEWICHTE DER LOGISTISCHEN STRAFFUNKTION ERMITTELN . 91 3.3.3 KONVERTIEREN EINER ADALINE-IMPLEMENTIERUNG IN EINEN ALGORITHMUS FUER EINE LOGISTISCHE REGRESSION . 93 3.3.4 TRAINIEREN EINES LOGISTISCHEN REGRESSIONSMODELLS MIT SCIKIT-LEAM . 98 3.3.5 UEBERANPASSUNG DURCH REGULARISIERUNG VERHINDERN . 101 3.4 MAXIMUM-MARGIN-KLASSIFIKATION MIT SUPPORT VECTOR MACHINES . 104 3.4.1 MAXIMIERUNG DES RANDBEREICHS . 105 3.4.2 HANDHABUNG DES NICHT LINEAR TRENNBAREN FALLS MIT SCHLUPFVARIABLEN . 106 3.4.3 ALTERNATIVE IMPLEMENTIERUNGEN IN SCIKIT-LEAM . 108 6 INHALTSVERZEICHNIS 3.5 NICHTLINEARE AUFGABEN MIT EINER KEMEL-SVM LOESEN . 109 3.5.1 KEMEL-METHODEN FUER LINEAR NICHT TRENNBARE DATEN . 109 3.5.2 MIT DEM KEMEL-TRICK HYPEREBENEN IN HOEHERDIMENSIONALEN RAEUMEN FINDEN . 111 3.6 LERNEN MIT ENTSCHEIDUNGSBAEUMEN . 115 3.6.1 MAXIMIERUNG DES INFORMATIONSGEWINNS: DATEN AUSREIZEN . 116 3.6.2 KONSTRUKTION EINES ENTSCHEIDUNGSBAUMS . 120 3.6.3 MEHRERE ENTSCHEIDUNGSBAEUME ZU EINEM RANDOM FOREST KOMBINIEREN . 124 3.7 K-NEAREST-NEIGHBORS: EIN LAZY-LEAMING-ALGORITHMUS . 127 3.8 ZUSAMMENFASSUNG . 130 4 GUT GEEIGNETE TRAININGSDATENMENGEN: DATENVORVERARBEITUNG . 133 4.1 UMGANG MIT FEHLENDEN DATEN . 133 4.1.1 FEHLENDE WERTE IN TABELLENDATEN . 134 4.1.2 INSTANZEN ODER MERKMALE MIT FEHLENDEN DATEN ENTFERNEN . 135 4.1.3 FEHLENDE WERTE ERGAENZEN . 136 4.1.4 DIE SCHAETZER-API VON SCIKIT-LEAM . 137 4.2 HANDHABUNG KATEGORIALER DATEN . 138 4.2.1 CODIERUNG KATEGORIALER DATEN MIT PANDAS . 139 4.2.2 ZUWEISUNG VON ORDINALEN MERKMALEN . 139 4.2.3 CODIERUNG DER KLASSENBEZEICHNUNGEN . 140 4.2.4 ONE-HOT-CODIERUNG DER NOMINALEN MERKMALE . 141 4.3 AUFTEILUNG EINER DATENSAMMLUNG IN TRAININGS- UND TESTDATEN . 145 4.4 ANPASSUNG DER MERKMALE . 148 4.5 AUSWAHL AUSSAGEKRAEFTIGER MERKMALE . 150 4.5.1 LI- UND L2-REGULARISIERUNG ALS STRAFFUNKTIONEN . 151 4.5.2 GEOMETRISCHE INTERPRETATION DER L2-REGULARISIERUNG . 151 4.5.3 DUENN BESETZTE LOESUNGEN MIT LL-REGULARISIERUNG . 153 4.5.4 ALGORITHMEN ZUR SEQUENZIELLEN AUSWAHL VON MERKMALEN . 157 4.6 BEURTEILUNG DER BEDEUTUNG VON MERKMALEN MIT RANDOM FORESTS . 164 4.7 ZUSAMMENFASSUNG . 167 5 DATENKOMPRIMIERUNG DURCH DIMENSIONSREDUKTION . 169 5.1 UNUEBERWACHTE DIMENSIONSREDUKTION DURCH 7 INHALTSVERZEICHNIS HAUPTKOMPONENTENANALYSE . 169 5.1.1 SCHRITTE BEI DER HAUPTKOMPONENTENANALYSE . 170 5.1.2 SCHRITTWEISE EXTRAKTION DER HAUPTKOMPONENTEN . 171 5.1.3 TOTALE VARIANZ UND ERKLAERTE VARIANZ . 174 5.1.4 MERKMALSTRANSFORMATION . 176 5.1.5 HAUPTKOMPONENTENANALYSE MIT SCIKIT-LEAM . 179 5.2 UEBERWACHTE DATENKOMPRIMIERUNG DURCH LINEARE DISKRIMINANZANALYSE . 183 5.2.1 HAUPTKOMPONENTENANALYSE KONTRA LINEARE DISKRIMINANZANALYSE . 183 5.2.2 DIE INTERNE FUNKTIONSWEISE DER LINEAREN DISKRIMINANZANALYSE . 184 5.2.3 BERECHNUNG DER STREUMATRIZEN . 185 5.2.4 AUSWAHL LINEARER DISKRIMINANTEN FUER DEN NEUEN MERKMALSUNTERRAUM . 187 5.2.5 PROJEKTION IN DEN NEUEN MERKMALSRAUM . 190 5.2.6 LDA MIT SCIKIT-LEAM . 191 5.3 KEMEL-HAUPTKOMPONENTENANALYSE FUER NICHTLINEARE ZUORDNUNGEN VERWENDEN . 193 5.3.1 KEMEL-FUNKTIONEN UND DER KEMEL-TRICK . 194 5.3.2 IMPLEMENTIERUNG EINER KEMEL-HAUPTKOMPONENTENANALYSE IN PYTHON . 198 5.3.3 PROJIZIEREN NEUER DATENPUNKTE . 206 5.3.4 KERNEL-HAUPTKOMPONENTENANALYSE MIT SCIKIT-LEAM . 210 5.4 ZUSAMMENFASSUNG . 211 6 BEWAEHRTE VERFAHREN ZUR MODELLBEWERTUNG UND HYPERPARAMETER-OPTIMIERUNG . 213 6.1 ARBEITSABLAEUFE MIT PIPELINES OPTIMIEREN . 213 6.1.1 DIE WISCONSIN-BRUSTKREBS-DATENSAMMLUNG . 213 6.1.2 TRANSFORMER UND SCHAETZER IN EINER PIPELINE KOMBINIEREN . 215 6.2 BEURTEILUNG DES MODELLS DURCH K-FACHE KREUZVALIDIERUNG . 217 6.2.1 HOLDOUT-METHODE . 218 6.2.2 K-FACHE KREUZVALIDIERUNG . 219 6.3 ALGORITHMEN MIT LERN- UND VALIDIERUNGSKURVEN DEBUGGEN . 223 6.3.1 PROBLEME MIT BIAS UND VARIANZ ANHAND VON LERNKURVEN ERKENNEN . 224 8 INHALTSVERZEICHNIS 6.3.2 UEBERANPASSUNG UND UNTERANPASSUNG ANHAND VON VALIDIERUNGSKURVEN ERKENNEN . 227 6.4 FEINABSTIMMUNG EINES LEMMODELLS DURCH GRID SEARCH . 229 6.4.1 OPTIMIERUNG DER HYPERPARAMETER DURCH GRID SEARCH . 230 6.4.2 ALGORITHMENAUSWAHL DURCH VERSCHACHTELTE KREUZVALIDIERUNG . 232 6.5 VERSCHIEDENE KRITERIEN ZUR LEISTUNGSBEWERTUNG . 234 6.5.1 INTERPRETATION EINER VERWECHSLUNGSMATRIX . 234 6.5.2 OPTIMIERUNG DER GENAUIGKEIT UND DER TREFFERQUOTE EINES KLASSIFIKATIONSMODELLS . 236 6.5.3 RECEIVER-OPERATING-CHARACTERISTIC-DIAGRAMME . 238 6.5.4 BEWERTUNGSKRITERIEN FUER MEHRKLASSEN-KLASSIFIKATIONEN . 241 6.6 HANDHABUNG UNAUSGEWOGENER KLASSENVERTEILUNG . 242 6.7 ZUSAMMENFASSUNG . 245 7 KOMBINATION VERSCHIEDENER MODELLE FUER DAS ENSEMBLE LEAMING. . 247 7.1 ENSEMBLE LEAMING . 247 7.2 KLASSIFIKATOREN DURCH MEHRHEITSENTSCHEIDUNG KOMBINIEREN . 251 7.2.1 IMPLEMENTIERUNG EINES EINFACHEN MEHRHEITSENTSCHEIDUNGS-KLASSIFIKATORS . 251 7.2.2 VORHERSAGEN NACH DEM MEHRHEITSENTSCHEIDUNGSPRINZIP TREFFEN . 258 7.3 BEWERTUNG UND ABSTIMMUNG DES KLASSIFIKATOR-ENSEMBLES . 261 7.4 BAGGING: KLASSIFIKATOR-ENSEMBLES ANHAND VON BOOTSTRAP- STICHPROBEN ENTWICKELN . 268 7.4.1 BAGGING KURZ ZUSAMMENGEFASST . 269 7.4.2 KLASSIFIKATION DER WEIN-DATENSAMMLUNG DURCH BAGGING. . 270 7.5 SCHWACHE KLASSIFIKATOREN DURCH ADAPTIVES BOOSTING VERBESSERN . 274 7.5.1 FUNKTIONSWEISE DES BOOSTINGS . 274 7.5.2 ADABOOST MIT SCIKIT-LEAM ANWENDEN . 278 7.6 ZUSAMMENFASSUNG . 282 8 MACHINE LEAMING ZUR ANALYSE VON STIMMUNGSLAGEN NUTZEN . 283 8.1 DIE IMDB-FILMDATENBANK . 283 8.1.1 HERUNTERLADEN DER DATENSAMMLUNG . 284 8.1.2 VORVERARBEITEN DER FILMBEWERTUNGSDATEN . 284 8.2 DAS BAG-OF-WORDS-MODELL . 286 8.2.1 WOERTER IN MERKMALSVEKTOREN UMWANDELN . 287 8.2.2 BEURTEILUNG DER WORTRELEVANZ DURCH DAS TF-IDF-MASS . 289 9 INHALTSVERZEICHNIS 8.2.3 TEXTDATEN BEREINIGEN . 291 8.2.4 DOKUMENTE IN TOKENS ZERLEGEN . 293 8.3 EIN LOGISTISCHES REGRESSIONSMODELL FUER DIE DOKUMENTKLASSIFIKATION TRAINIEREN . 295 8.4 VERARBEITUNG GROSSER DATENMENGEN: ONLINE-ALGORITHMEN UND OUT-OF-CORE LEAMING . 298 8.5 TOPIC MODELING MIT LATENTER DIRICHLET-ALLOKATION . 302 8.5.1 AUFTEILUNG VON TEXTEN MIT DER LDA . 303 8.5.2 LDA MIT SCIKIT-LEAM . 303 8.6 ZUSAMMENFASSUNG . 307 9 EINBETTUNG EINES MACHINE-LEAMING-MODELLS IN EINE WEBANWENDUNG . 309 9.1 SERIALISIERUNG ANGEPASSTER SCHAETZER MIT SCIKIT-LEAM . 309 9.2 EINRICHTUNG EINER SQLITE-DATENBANK ZUM SPEICHERN VON DATEN . 313 9.3 ENTWICKLUNG EINER WEBANWENDUNG MIT FLASK . 315 9.3.1 DIE ERSTE WEBANWENDUNG MIT FLASK . 316 9.3.2 FORMULARVALIDIERUNG UND -AUSGABE . 318 9.4 DER FILMBEWERTUNGSKLASSIFIKATOR ALS WEBANWENDUNG . 324 9.4.1 DATEIEN UND ORDNER - DIE VERZEICHNISSTRUKTUR . 326 9.4.2 IMPLEMENTIERUNG DER HAUPTANWENDUNG APP.PY . 326 9.4.3 EINRICHTUNG DES BEWERTUNGSFORMULARS . 329 9.4.4 EINE VORLAGE FUER DIE ERGEBNISSEITE ERSTELLEN . 330 9.5 EINRICHTUNG DER WEBANWENDUNG AUF EINEM OEFFENTLICH ZUGAENGLICHEN WEBSERVER . 333 9.5.1 ERSTELLEN EINES BENUTZERKONTOS BEI PYTHONANYWHERE . 333 9.5.2 HOCHLADEN DER FILMBEWERTUNGSANWENDUNG . 334 9.5.3 UPDATEN DES FILMBEWERTUNGSKLASSIFIKATORS . 335 9.6 ZUSAMMENFASSUNG . 338 10 VORHERSAGE STETIGER ZIELVARIABLEN DURCH REGRESSIONSANALYSE . 339 10.1 LINEARE REGRESSION . 339 10.1.1 EIN EINFACHES LINEARES REGRESSIONSMODELL . 340 10.1.2 MULTIPLE LINEARE REGRESSION . 341 10.2 DIE BOSTON-HOUSING-DATENSAMMLUNG . 342 10.2.1 EINLESEN DER DATENMENGE IN EINEN DATAFRAME . 342 10.2.2 VISUALISIERUNG DER WICHTIGEN EIGENSCHAFTEN EINER DATENMENGE . 344 10 INHALTSVERZEICHNIS 10.2.3 ZUSAMMENHAENGE ANHAND DER KORRELATIONSMATRIX ERKENNEN . 346 10.3 IMPLEMENTIERUNG EINES LINEAREN REGRESSIONSMODELLS MIT DER METHODE DER KLEINSTEN QUADRATE . 348 10.3.1 BERECHNUNG DER REGRESSIONSPARAMETER MIT DEM GRADIENTENABSTIEGSVERFAHREN . 349 10.3.2 SCHAETZUNG DER KOEFFIZIENTEN EINES REGRESSIONSMODELLS MIT SCIKIT-LEAM . 353 10.4 ANPASSUNG EINES ROBUSTEN REGRESSIONSMODELLS MIT DEM RAN SAC-ALGORITHMUS . 355 10.5 BEWERTUNG DER LEISTUNG LINEARER REGRESSIONSMODELLE . 358 10.6 REGULARISIERUNGSVERFAHREN FUER DIE REGRESSION EINSETZEN . 361 10.7 POLYNOMIALE REGRESSION: UMWANDELN EINER LINEAREN REGRESSION IN EINE KURVE . 363 10.7.1 HINZUFUEGEN POLYNOMIALER TERME MIT SCIKIT-LEARN . 364 10.7.2 MODELLIERUNG NICHTLINEARER ZUSAMMENHAENGE IN DER BOSTON-HOUSING-DATENSAMMLUNG . 366 10.8 HANDHABUNG NICHTLINEARER BEZIEHUNGEN MIT RANDOM FORESTS . 369 10.8.1 ENTSCHEIDUNGSBAUM-REGRESSION . 370 10.8.2 RANDOM-FOREST-REGRESSION . 371 10.9 ZUSAMMENFASSUNG . 375 11 VERWENDUNG VON DATEN OHNE LABEL: CLUSTERANALYSE. 377 11.1 GRUPPIERUNG VON OBJEKTEN NACH AEHNLICHKEIT MIT DEM K-MEANS-ALGORITHMUS . 377 11.1.1 K-MEANS-CLUSTERING MIT SCIKIT-LEAM . 378 11.1.2 DER K-MEANS++-ALGORITHMUS . 383 11.1.3 CRISP UND SOFT CLUSTERING . 384 11.1.4 DIE OPTIMALE ANZAHL DER CLUSTER MIT DEM ELLENBOGENKRITERIUM ERMITTELN . 386 11.1.5 QUANTIFIZIERUNG DER CLUSTERING-GUETE MIT SILHOUETTENDIAGRAMMEN . 388 11.2 CLUSTER ALS HIERARCHISCHEN BAUM ORGANISIEREN . 393 11.2.1 GRUPPIERUNG VON CLUSTERN . 393 11.2.2 HIERARCHISCHES CLUSTERING MITTELS EINER DISTANZMATRIX . 395 11.2.3 DENDROGRAMME UND HEATMAPS VERKNUEPFEN . 399 11.2.4 AGGLOMERATIVES CLUSTERING MIT SCIKIT-LEAM . 401 11.3 BEREICHE HOHER DICHTE MIT DBSCAN ERMITTELN . 402 11.4 ZUSAMMENFASSUNG . 407 11 INHALTSVERZEICHNIS 12 IMPLEMENTIERUNG EINES KUENSTLICHEN NEURONALEN NETZES . 409 12.1 MODELLIERUNG KOMPLEXER FUNKTIONEN MIT KUENSTLICHEN NEURONALEN NETZEN . 409 12.1.1 EINSCHICHTIGE NEURONALE NETZE . 411 12.1.2 MEHRSCHICHTIGE NEURONALE NETZARCHITEKTUR . 413 12.1.3 AKTIVIERUNG EINES NEURONALEN NETZES DURCH VORWAERTSPROPAGATION . 416 12.2 KLASSIFIKATION HANDGESCHRIEBENER ZIFFERN . 418 12.2.1 DIE MNIST-DATENSAMMLUNG . 419 12.2.2 IMPLEMENTIERUNG EINES MEHRSCHICHTIGEN PERZEPTRONS . 426 12.3 TRAINIEREN EINES KUENSTLICHEN NEURONALEN NETZES . 438 12.3.1 BERECHNUNG DER LOGISTISCHEN STRAFFUNKTION . 439 12.3.2 EIN GESPUER FUER DIE BACKPROPAGATION ENTWICKELN . 441 12.3.3 TRAINIEREN NEURONALER NETZE DURCH BACKPROPAGATION . 443 12.4 KONVERGENZ IN NEURONALEN NETZEN . 447 12.5 ABSCHLIESSENDE BEMERKUNGEN ZUR IMPLEMENTIERUNG NEURONALER NETZE . 448 12.6 ZUSAMMENFASSUNG . 448 13 PARALLELISIERUNG DES TRAININGS NEURONALER NETZE MIT TENSORFLOW . 451 13.1 TENSORFLOW UND TRAININGSLEISTUNG . 451 13.1.1 HERAUSFORDERUNGEN . 451 13.1.2 WAS GENAU IST TENSORFLOW? . 453 13.1.3 TENSORFLOW ERLERNEN . 454 13.2 ERSTE SCHRITTE MIT TENSORFLOW . 455 13.2.1 TENSORFLOW INSTALLIEREN . 455 13.2.2 TENSOREN IN TENSORFLOW ERSTELLEN . 456 13.2.3 DATENTYP UND FORMAT EINES TENSORS AENDERN . 457 13.2.4 ANWENDUNG MATHEMATISCHER OPERATIONEN AUF TENSOREN . 458 13.2.5 TENSOREN AUFTEILEN, STAPELN UND VERKNUEPFEN . 460 13.3 EINGABE-PIPELINES MIT TF.DATA ERSTELLEN - DIE DATASET-API VON TENSORFLOW . 462 13.3.1 EIN TENSORFLOW-DATASET ANHAND VORHANDENER TENSOREN ERSTELLEN . 462 13.3.2 ZWEI TENSOREN ZU EINER DATENMENGE VEREINEN . 463 13.3.3 DURCHMISCHEN, BATCH ERSTELLEN UND WIEDERHOLEN . 465 13.3.4 ERSTELLEN EINER DATENMENGE ANHAND LOKAL GESPEICHERTER DATEIEN . 468 13.3.5 ZUGRIFF AUF DIE DATENMENGEN DER TENSORFLOW_DATASETS- BIBLIOTHEK . 472 12 INHALTSVERZEICHNIS 13.4 ENTWICKLUNG EINES NN-MODELLS MIT TENSORFLOW . 478 13.4.1 DIE KERAS-API (TF.KERAS) VON TENSORFLOW . 478 13.4.2 ENTWICKLUNG EINES LINEAREN REGRESSIONSMODELLS . 479 13.4.3 TRAINIEREN DES MODELLS MIT DEN METHODEN .COMPILE() UND.FIT() . 484 13.4.4 ENTWICKLUNG EINES MEHRSCHICHTIGEN PERZEPTRONS ZUR KLASSIFIKATION DER IRIS-DATENSAMMLUNG . 485 13.4.5 BEWERTUNG DES TRAINIERTEN MODELLS MIT DER TESTDATENMENGE . 490 13.4.6 DAS TRAINIERTE MODELL SPEICHERN UND EINLESEN . 490 13.5 AUSWAHL DER AKTIVIERUNGSFUNKTIONEN MEHRSCHICHTIGER NEURONALER N ETZE . 491 13.5.1 DIE LOGISTISCHE FUNKTION KURZ ZUSAMMENGEFASST . 492 13.5.2 WAHRSCHEINLICHKEITEN BEI DER MEHRKLASSEN-KLASSIFIKATION MIT DER SOFTMAX-FUNKTION SCHAETZEN . 494 13.5.3 VERBREITERUNG DES AUSGABESPEKTRUMS MITTELS TANGENS HYPERBOLICUS . 495 13.5.4 AKTIVIERUNG MITTELS RELU . 498 13.6 ZUSAMMENFASSUNG . 499 14 DIE FUNKTIONSWEISE VON TENSORFLOW IM DETAIL . 501 14.1 GRUNDLEGENDE MERKMALE VON TENSORFLOW . 502 14.2 TENSORFLOWS BERECHNUNGSGRAPHEN: MIGRATION NACH TENSORFLOW V2 . 503 14.2.1 FUNKTIONSWEISE VON BERECHNUNGSGRAPHEN . 503 14.2.2 ERSTELLEN EINES GRAPHEN IN TENSORFLOW VL.X . 504 14.2.3 MIGRATION EINES GRAPHEN NACH TENSORFLOW V2 . 505 14.2.4 EINGABEDATEN EINLESEN MIT TENSORFLOW VL.X . 506 14.2.5 EINGABEDATEN EINLESEN MIT TENSORFLOW V2 . 506 14.2.6 BESCHLEUNIGUNG VON BERECHNUNGEN MIT FUNKTIONSDEKORATOREN . 507 14.3 TENSORFLOWS VARIABIENOBJEKTE ZUM SPEICHERN UND AKTUALISIEREN VON MODELLPARAMETEM . 509 14.4 GRADIENTENBERECHNUNG DURCH AUTOMATISCHES DIFFERENZIEREN UND GRADIENTTAPE . 514 14.4.1 BERECHNUNG DER GRADIENTEN DER VERLUSTFUNKTION BEZUEGLICH TRAINIERBARER VARIABLEN . 514 14.4.2 BERECHNUNG DER GRADIENTEN BEZUEGLICH NICHT TRAINIERBARER TENSOREN . 516 13 INHALTSVERZEICHNIS 14.4.3 RESSOURCEN FUER MEHRFACHE GRADIENTENBERECHNUNG ERHALTEN . 516 14.5 VEREINFACHUNG DER IMPLEMENTIERUNG GEBRAEUCHLICHER ARCHITEKTUREN MIT DER KERAS-API . 517 14.5.1 LOESEN EINER XOR-KLASSIFIKATIONSAUFGABE . 521 14.5.2 FLEXIBLERE MODELLERSTELLUNG MIT KERAS * FUNKTIONALER API . 526 14.5.3 MODELLE MIT KERAS * MODEL-KLASSE IMPLEMENTIEREN . 528 14.5.4 BENUTZERDEFINIERTE KERAS-SCHICHTEN . 529 14.6 TENSORFLOWS SCHAETZER . 533 14.6.1 MERKMALSSPALTEN . 534 14.6.2 MACHINE LEAMING MIT VORGEFERTIGTEN SCHAETZERN . 538 14.6.3 KLASSIFIKATION HANDGESCHRIEBENER ZIFFERN MIT SCHAETZERN . 543 14.6.4 BENUTZERDEFINIERTE SCHAETZER ANHAND EINES KERAS-MODELLS ERSTELLEN . 545 14.7 ZUSAMMENFASSUNG . 548 15 BILDKLASSIFIKATION MIT DEEP CONVOLUTIONAL NEURAL NETWORKS . 549 15.1 BAUSTEINE VON CONVOLUTIONAL NEURAL NETWORKS . 549 15.1.1 CNNS UND MERKMALSHIERARCHIE . 550 15.1.2 DISKRETE FALTUNGEN . 552 15.1.3 SUBSAMPLING . 561 15.2 IMPLEMENTIERUNG EINES CNNS . 563 15.2.1 VERWENDUNG MEHRERER EINGABE- ODER FARBKANAELE . 563 15.2.2 REGULARISIERUNG EINES NEURONALEN NETZES MIT DROPOUT . 566 15.2.3 VERLUSTFUNKTIONEN FUER KLASSIFIKATIONEN . 570 15.3 IMPLEMENTIERUNG EINES TIEFEN CNNS MIT TENSORFLOW . 572 15.3.1 DIE MEHRSCHICHTIGE CNN-ARCHITEKTUR . 573 15.3.2 EINLESEN UND VORVERARBEITEN DER DATEN . 574 15.3.3 IMPLEMENTIERUNG EINES CNNS MIT TENSORFLOWS KERAS-API . 575 15.4 KLASSIFIKATION DES GESCHLECHTS ANHAND VON PORTRAETFOTOS MIT EINEM CNN . 582 15.4.1 EINLESEN DER CELEBA-DATENMENGE . 582 15.4.2 BILDTRANSFORMATION UND DATENAUGMENTATION . 583 15.4.3 TRAINING EINES CNN-KLASSIFIKATORS . 590 15.5 ZUSAMMENFASSUNG . 596 16 MODELLIERUNG SEQUENZIELLER DATEN DURCH REKURRENTE NEURONALE NETZE . 597 16.1 SEQUENZIELLE DATEN . 597 14 INHALTSVERZEICHNIS 16.1.1 MODELLIERUNG SEQUENZIELLER DATEN: DIE REIHENFOLGE IST VON BEDEUTUNG . 598 16.1.2 REPRAESENTIERUNG VON SEQUENZEN . 598 16.1.3 VERSCHIEDENE KATEGORIEN DER SEQUENZMODELLIERUNG . 599 16.2 SEQUENZMODELLIERUNG MIT RNNS . 601 16.2.1 STRUKTUR UND ABLAUF EINES RNNS . 601 16.2.2 AKTIVIERUNGEN EINES RNNS BERECHNEN . 603 16.2.3 RUECKKOPPLUNG MIT DER VERDECKTEN SCHICHT ODER DER AUSGABESCHICHT . 606 16.2.4 PROBLEME BEI DER ERKENNUNG WEITREICHENDER INTERAKTIONEN . 609 16.2.5 LSTM-SPEICHERZELLEN . 610 16.3 IMPLEMENTIERUNG VON RNNS ZUR SEQUENZMODELLIERUNG MIT TENSORFLOW . 612 16.3.1 PROJEKT 1: VORHERSAGE DER STIMMUNGSLAGE VON IMDB-FILMBEWERTUNGEN . 612 16.3.2 PROJEKT 2: SPRACHMODELLIERUNG DURCH ZEICHEN MIT TENSORFLOW . 629 16.4 SPRACHE MIT DEM TRANSFORMER-MODELL VERSTEHEN . 642 16.4.1 DER MECHANISMUS DER SELBST-AUFMERKSAMKEIT . 643 16.4.2 MULTI-HEAD-ATTENTION UND TRANSFORMER-BLOCK . 646 16.5 ZUSAMMENFASSUNG . 647 17 SYNTHETISIEREN NEUER DATEN MIT GENERATIVE ADVERSARIAL NETWORKS . 649 17.1 EINFUEHRUNG IN GANS . 649 17.1.1 AUTOENCODER . 650 17.1.2 GENERATIVE MODELLE ZUM SYNTHETISIEREN NEUER DATEN . 652 17.1.3 MIT GANS NEUE BEISPIELE ERZEUGEN . 654 17.1.4 DIE VERLUSTFUNKTION DES GENERATOR- UND DISKRIMINATOR- NETZES IN EINEM GAN-MODELL . 655 17.2 EIN GAN VON GRUND AUF IMPLEMENTIEREN . 658 17.2.1 GAN-MODELLE MIT GOOGLE COLAB TRAINIEREN . 658 17.2.2 IMPLEMENTIERUNG DER GENERATOR- UND DISKRIMINATOR-NETZE . 661 17.2.3 DEFINITION DER TRAININGSDATENMENGE . 665 17.2.4 TRAINIEREN DES GAN-MODELLS . 667 17.3 VERBESSERUNG DER QUALITAET SYNTHETISIERTER BILDER DURCH CONVOLUTIONAL GAN UND WASSERSTEIN-GAN . 676 15 INHALTSVERZEICHNIS 17.3.1 TRANSPONIERTE FALTUNG . 677 17.3.2 BATCHNORMIERUNG . 678 17.3.3 IMPLEMENTIERUNG DES GENERATORS UND DES DISKRIMINATORS . 681 17.3.4 MASSE FUER DEN UNTERSCHIED ZWISCHEN ZWEI VERTEILUNGEN. . 688 17.3.5 VERWENDUNG DER EM-DISTANZ IN DER PRAXIS . 691 17.3.6 STRAFTERM . 692 17.3.7 IMPLEMENTIERUNG VON WGAN-GP ZUM TRAINIEREN DES DCGAN-MODELLS . 693 17.3.8 ZUSAMMENBRECHEN DES VERFAHRENS . 697 17.4 WEITERE GAN-ANWENDUNGEN . 699 17.5 ZUSAMMENFASSUNG . 700 18 ENTSCHEIDUNGSFINDUNG IN KOMPLEXEN UMGEBUNGEN PER REINFORCEMENT LEAMING . 701 18.1 EINFUEHRUNG: AUS ERFAHRUNG LERNEN . 702 18.1.1 REINFORCEMENT LEAMING . 702 18.1.2 DEFINITION DER AGENT-UMGEBUNG-SCHNITTSTELLE FUER EIN REINFORCEMENT- LEAMING-SYSTEM . 704 18.2 THEORETISCHE GRUNDLAGEN DES RLS . 705 18.2.1 MARKOV-ENTSCHEIDUNGSPROZESSE . 705 18.2.2 MATHEMATISCHE FORMULIERUNG VON MARKOV- ENTSCHEIDUNGSPROZESSEN . 706 18.2.3 RL-TERMINOLOGIE: RETURN, POLICY UND WERTFUNKTION . 710 18.2.4 DYNAMISCHE PROGRAMMIERUNG UND BELLMAN-GLEICHUNG. . 714 18.3 REINFORCEMENT- LEAMING-ALGORITHMEN . 715 18.3.1 DYNAMISCHE PROGRAMMIERUNG . 715 18.3.2 REINFORCEMENT LEAMING MIT MONTE-CARLO-ALGORITHMEN. . 718 18.3.3 TEMPORAL DIFFERENCE LEAMING . 720 18.4 IMPLEMENTIERUNG EINES RL-ALGORITHMUS . 723 18.4.1 OPENAI GYM . 723 18.4.2 LOESUNG DER GRID-WORLD-AUFGABE MIT Q-LEAMING . 734 18.4.3 EIN BLICK AUF DEEP Q-LEAMING . 739 18.5 ZUSAMMENFASSUNG UND SCHLUSSWORT . 747 STICHWORTVERZEICHNIS . 751 16
any_adam_object	1
any_adam_object_boolean	1
author	Raschka, Sebastian Mirjalili, Vahid
author2	Lorenzen, Knut
author2_role	trl
author2_variant	k l kl
author_GND	(DE-588)1080537872 (DE-588)1147615993 (DE-588)1020241446
author_facet	Raschka, Sebastian Mirjalili, Vahid Lorenzen, Knut
author_role	aut aut
author_sort	Raschka, Sebastian
author_variant	s r sr v m vm
building	Verbundindex
bvnumber	BV047199372
classification_rvk	ST 302 ST 250
ctrlnum	(OCoLC)1237702787 (DE-599)DNB1226790577
discipline	Informatik
discipline_str_mv	Informatik
edition	3., aktualisierte und erweiterte Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03554nam a22007578c 4500</leader><controlfield tag="001">BV047199372</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20231025 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">210316s2021 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">21,N07</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1226790577</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783747502136</subfield><subfield code="c">Pb. : EUR 49.99 (DE), EUR 51.40 (AT)</subfield><subfield code="9">978-3-7475-0213-6</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">374750213X</subfield><subfield code="9">3-7475-0213-X</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783747502136</subfield></datafield><datafield tag="028" ind1="5" ind2="2"><subfield code="a">Bestellnummer: 74750213</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1237702787</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1226790577</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-NW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-706</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-824</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-861</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-1049</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 250</subfield><subfield code="0">(DE-625)143626:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="8">1\p</subfield><subfield code="a">004</subfield><subfield code="2">23sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Raschka, Sebastian</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1080537872</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="0">(DE-588)115482389X</subfield><subfield code="a">Python machine learning</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn</subfield><subfield code="b">das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics</subfield><subfield code="c">Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">3., aktualisierte und erweiterte Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Frechen</subfield><subfield code="b">MITP</subfield><subfield code="c">2021</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">759 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 17 cm, 1259 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="490" ind1="0" ind2=" "><subfield code="a">mitp Professional</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Cluster-Analyse</subfield><subfield code="0">(DE-588)4070044-6</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">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">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">Python 3.6</subfield><subfield code="0">(DE-588)113674746X</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Keras</subfield><subfield code="g">Framework, Informatik</subfield><subfield code="0">(DE-588)1160521077</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Python 3.6</subfield><subfield code="0">(DE-588)113674746X</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="4"><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="5"><subfield code="a">TensorFlow</subfield><subfield code="0">(DE-588)1153577011</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="6"><subfield code="a">Keras</subfield><subfield code="g">Framework, Informatik</subfield><subfield code="0">(DE-588)1160521077</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="7"><subfield code="a">Cluster-Analyse</subfield><subfield code="0">(DE-588)4070044-6</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">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><subfield code="a">Python 3.6</subfield><subfield code="0">(DE-588)113674746X</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Mirjalili, Vahid</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1147615993</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Lorenzen, Knut</subfield><subfield code="0">(DE-588)1020241446</subfield><subfield code="4">trl</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">mitp Verlags GmbH & Co. KG</subfield><subfield code="0">(DE-588)1065362072</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe</subfield><subfield code="z">9783747502143</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">9783747502150</subfield></datafield><datafield tag="780" ind1="0" ind2="0"><subfield code="i">Vorangegangen ist</subfield><subfield code="z">9783958457331</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=032604447&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:BVB01-032604447</subfield></datafield><datafield tag="883" ind1="0" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">aepgnd</subfield><subfield code="c">0,03688</subfield><subfield code="d">20210308</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#aepgnd</subfield></datafield></record></collection>
id	DE-604.BV047199372
illustrated	Illustrated
index_date	2024-07-03T16:50:34Z
indexdate	2025-02-20T06:44:11Z
institution	BVB
institution_GND	(DE-588)1065362072
isbn	9783747502136 374750213X
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-032604447
oclc_num	1237702787
open_access_boolean
owner	DE-706 DE-860 DE-355 DE-BY-UBR DE-1043 DE-634 DE-824 DE-29T DE-523 DE-859 DE-1102 DE-861 DE-11 DE-573 DE-862 DE-BY-FWS DE-898 DE-BY-UBR DE-19 DE-BY-UBM DE-83 DE-1049
owner_facet	DE-706 DE-860 DE-355 DE-BY-UBR DE-1043 DE-634 DE-824 DE-29T DE-523 DE-859 DE-1102 DE-861 DE-11 DE-573 DE-862 DE-BY-FWS DE-898 DE-BY-UBR DE-19 DE-BY-UBM DE-83 DE-1049
physical	759 Seiten Illustrationen, Diagramme 24 cm x 17 cm, 1259 g
publishDate	2021
publishDateSearch	2021
publishDateSort	2021
publisher	MITP
record_format	marc
series2	mitp Professional
spellingShingle	Raschka, Sebastian Mirjalili, Vahid Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics Datenanalyse (DE-588)4123037-1 gnd Cluster-Analyse (DE-588)4070044-6 gnd Python Programmiersprache (DE-588)4434275-5 gnd Maschinelles Lernen (DE-588)4193754-5 gnd TensorFlow (DE-588)1153577011 gnd Python 3.6 (DE-588)113674746X gnd Keras Framework, Informatik (DE-588)1160521077 gnd Big Data (DE-588)4802620-7 gnd
subject_GND	(DE-588)4123037-1 (DE-588)4070044-6 (DE-588)4434275-5 (DE-588)4193754-5 (DE-588)1153577011 (DE-588)113674746X (DE-588)1160521077 (DE-588)4802620-7
title	Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
title_GND	(DE-588)115482389X
title_alt	Python machine learning
title_auth	Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
title_exact_search	Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
title_exact_search_txtP	Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
title_full	Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen
title_fullStr	Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen
title_full_unstemmed	Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen
title_short	Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn
title_sort	machine learning mit python und keras tensorflow 2 und scikit learn das umfassende praxis handbuch fur data science deep learning und predictive analytics
title_sub	das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
topic	Datenanalyse (DE-588)4123037-1 gnd Cluster-Analyse (DE-588)4070044-6 gnd Python Programmiersprache (DE-588)4434275-5 gnd Maschinelles Lernen (DE-588)4193754-5 gnd TensorFlow (DE-588)1153577011 gnd Python 3.6 (DE-588)113674746X gnd Keras Framework, Informatik (DE-588)1160521077 gnd Big Data (DE-588)4802620-7 gnd
topic_facet	Datenanalyse Cluster-Analyse Python Programmiersprache Maschinelles Lernen TensorFlow Python 3.6 Keras Framework, Informatik Big Data
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032604447&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT raschkasebastian pythonmachinelearning AT mirjalilivahid pythonmachinelearning AT lorenzenknut pythonmachinelearning AT mitpverlagsgmbhcokg pythonmachinelearning AT raschkasebastian machinelearningmitpythonundkerastensorflow2undscikitlearndasumfassendepraxishandbuchfurdatasciencedeeplearningundpredictiveanalytics AT mirjalilivahid machinelearningmitpythonundkerastensorflow2undscikitlearndasumfassendepraxishandbuchfurdatasciencedeeplearningundpredictiveanalytics AT lorenzenknut machinelearningmitpythonundkerastensorflow2undscikitlearndasumfassendepraxishandbuchfurdatasciencedeeplearningundpredictiveanalytics AT mitpverlagsgmbhcokg machinelearningmitpythonundkerastensorflow2undscikitlearndasumfassendepraxishandbuchfurdatasciencedeeplearningundpredictiveanalytics

Holdings

Indexes

Sonderstandort Fakultät

Holdings details from Sonderstandort Fakultät
Call Number:	2000 ST 250 P99 R223 M1(3)
Copy 1	nicht ausleihbar Checked out – Due: 31.12.2099 Recall This

MARC

Record in the Search Index

Sonderstandort Fakultät

Similar Items