Maschinelles Lernen - Grundlagen und Anwendungen: Mit Beispielen in Python
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
Berlin
Springer
2023
Springer Spektrum 2023 |
| Ausgabe: | 1. Auflage 2023 |
| Schlagworte: | |
| Online-Zugang: | Inhaltstext Auszug Inhaltsverzeichnis |
| Beschreibung: | 50 Illustrationen, 50 Illustrationen 23.5 cm x 15.5 cm |
| ISBN: | 9783662672761 3662672766 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV049434783 | ||
| 003 | DE-604 | ||
| 005 | 20241218 | ||
| 007 | t| | ||
| 008 | 231128s2023 gw a||| |||| 00||| ger d | ||
| 015 | |a 23,N14 |2 dnb | ||
| 016 | 7 | |a 1284721590 |2 DE-101 | |
| 020 | |a 9783662672761 |c Festeinband : circa EUR 37.99 (DE), circa EUR 39.06 (AT), circa CHF 42.00 (freier Preis), circa EUR 35.51 |9 978-3-662-67276-1 | ||
| 020 | |a 3662672766 |9 3-662-67276-6 | ||
| 024 | 3 | |a 9783662672761 | |
| 028 | 5 | 2 | |a Bestellnummer: 978-3-662-67276-1 |
| 028 | 5 | 2 | |a Bestellnummer: 89213695 |
| 035 | |a (OCoLC)1374999965 | ||
| 035 | |a (DE-599)DNB1284721590 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-BE | ||
| 049 | |a DE-522 | ||
| 084 | |8 1\p |a 004 |2 23sdnb | ||
| 100 | 1 | |a Botsch, Benny |e Verfasser |0 (DE-588)1317361164 |4 aut | |
| 245 | 1 | 0 | |a Maschinelles Lernen - Grundlagen und Anwendungen |b Mit Beispielen in Python |c Benny Botsch |
| 250 | |a 1. Auflage 2023 | ||
| 263 | |a 202309 | ||
| 264 | 1 | |a Berlin |b Springer |c 2023 | |
| 264 | 1 | |b Springer Spektrum |c 2023 | |
| 300 | |b 50 Illustrationen, 50 Illustrationen |c 23.5 cm x 15.5 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 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 |
| 653 | |a Deep Learning | ||
| 653 | |a Maschinelles Lernen | ||
| 653 | |a Data Science | ||
| 653 | |a Python | ||
| 653 | |a Künstliche Intelligenz | ||
| 653 | |a AI | ||
| 689 | 0 | 0 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |D s |
| 689 | 0 | |5 DE-604 | |
| 689 | 1 | 0 | |a Python |g Programmiersprache |0 (DE-588)4434275-5 |D s |
| 689 | 1 | |5 DE-604 | |
| 710 | 2 | |a Springer-Verlag GmbH |0 (DE-588)1065168780 |4 pbl | |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe |z 9783662672778 |
| 856 | 4 | 2 | |m X:MVB |q text/html |u http://deposit.dnb.de/cgi-bin/dokserv?id=20f6bc0fbcfa4dad890ee1800d66b348&prov=M&dok_var=1&dok_ext=htm |3 Inhaltstext |
| 856 | 4 | 2 | |m X:MVB |u https://link.springer.com/978-3-662-67276-1 |3 Auszug |
| 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=034780852&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 883 | 1 | |8 1\p |a vlb |d 20230329 |q DE-101 |u https://d-nb.info/provenance/plan#vlb | |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-034780852 | |
Datensatz im Suchindex
| _version_ | 1818783255255580672 |
|---|---|
| adam_text |
1
EINFUEHRUNG
.
1
1.1
WAS
IST
MASCHINELLES
LERNEN
.
1
1.2
UEBERWACHTES
LERNEN
.
2
1.2.1
KLASSIFIKATION
UND
REGRESSION
.
3
1.2.2
GENERALISIERUNG,
UEBERANPASSUNG
UND
UNTERANPASSUNG
.
4
1.3
UNUEBERWACHTES
LERNEN
.
5
1.4
BESTAERKENDES
LERNEN
.
5
1.5
TEILUEBERWACHTES
LERNEN
.
6
1.6
HERAUSFORDERUNGEN
DES
MASCHINELLEN
LERNENS
.
7
1.6.1
UNZUREICHENDE
MENGE
AN
TRAININGSDATEN
.
7
1.6.2
NICHT
REPRAESENTATIVE
TRAININGSDATEN
.
8
1.6.3
DATEN
VON
SCHLECHTER
QUALITAET
.
9
1.6.4
IRRELEVANTE
MERKMALE
.
9
1.6.5
EXPLAINABLE
ARTIFICIAL
INTELLIGENCE
.
10
1.7
BEWERTUNG
UND
VERGLEICH
VON
ALGORITHMEN
.
11
1.7.1
KREUZVALIDIERUNG
.
12
1.7.2
MESSFEHLER
.
13
1.7.3
INTERVALLSCHAETZUNG
.
15
1.7.4
HYPOTHESENPRUEFUNG
.
15
1.8
WERKZEUGE
UND
RESSOURCEN
.
16
1.8.1
INSTALLATION
VON
PYTHON
MIT
ANACONDA
.
16
1.8.2
ENTWICKLUNGSUMGEBUNGEN
.
17
1.8.3
PYTHON-BIBLIOTHEKEN
.
18
1.8.4
GRUNDLAGEN
IN
PYTHON
.
19
2
LINEARE
ALGEBRA
.
25
2.1
SKALARE,
VEKTOREN
UND
MATRIZEN
.
25
2.1.1
OPERATIONEN
MIT
SKALAREN
UND
VEKTOREN
.
27
2.1.2
OPERATIONEN
MIT
VEKTOREN
UND
MATRIZEN
.
29
2.1.3
DIE
INVERSE
EINER
MATRIX
.
30
2.2
LINEARE
GLEICHUNGSSYSTEME
.
31
2.2.1
GAUSS-ALGORITHMUS
.
31
2.2.2
NUMERISCHE
LOESUNGSMETHODEN
LINEARER
GLEICHUNGSSYSTEME
.
32
3
WAHRSCHEINLICHKEIT
UND
STATISTIK
.
35
3.1
GRUNDBEGRIFFE
DER
WAHRSCHEINLICHKEIT
.
35
3.2
ZUFALLSGROESSEN
UND
VERTEILUNGSFUNKTIONEN
.
37
3.3
MOMENTE
EINER
VERTEILUNG
.
38
3.3.1
ERWARTUNGSWERT
UND
STREUUNG
.
39
3.3.2
SCHIEFE
UND
EXZESS
.
40
3.4
BEDINGTE
WAHRSCHEINLICHKEITEN
.
41
3.5
DESKRIPTIVE
STATISTIK
.
42
3.6
EINFACHE
STATISTISCHE
TESTS
.
44
3.6.1
ABLAUFEINES
STATISTISCHEN
TESTS
.
45
3.6.2
PARAMETERTESTS
BEI
NORMALVERTEILTER
GRUNDGESAMTHEIT
.
46
3.6.3
MITTELWERTTEST
.
46
3.6.4
X2-STREUUNGSTEST
.
47
4
OPTIMIERUNG
.
49
4.1
GRUNDLAGEN
DER
OPTIMIERUNG
.
49
4.1.1
UNIVARIATE
OPTIMIERUNG
.
50
4.1.2
BIVARIATE
OPTIMIERUNG
.
50
4.1.3
MULTIVARIATE
OPTIMIERUNG
.
51
4.2
GRADIENT
DESCENT
.52
4.2.1
MOMENTUM-BASED
LEARNING
.
54
4.2.2
ADAGRAD
.
55
4.2.3
ADAM
.57
4.3
NEWTON-METHODE
.59
5
PARAMETRISCHE
METHODEN
.
61
5.1
REGRESSIONSANALYSE
.
61
5.1.1
LINEARE
REGRESSION
.62
5.1.2
LOGISTISCHE
REGRESSION
.
66
5.2
LINEARE
SUPPORT
VECTOR
MACHINES
.
71
5.2.1
DIE
OPTIMALE
TRENNEBENE
.
72
5.2.2
SOFT-MARGIN
.
75
5.2.3
KERNFUNKTIONEN
.
76
5.3
DER
BAYES
'
SCHE
SCHAETZER
.
77
5.3.1
STOCHASTISCHE
UNABHAENGIGKEIT
.
81
5.3.2
BAYES
'
SCHE
NETZE
.
82
5.4
NEURONALE
NETZE
.
84
5.4.1
DAS
KUENSTLICHE
NEURON
.
84
5.4.2
MEHRSCHICHTIGE
NEURONALE
NETZE
.
85
5.4.3
LERNVORGANG
.
87
5.5
DEEP
LEARNING
.
96
5.5.1
CONVOLUTIONAL
NEURAL
NETWORKS
.
97
5.5.2
REKURRENT
NEURAL
NETWORKS
.
100
5.5.3
GENERATIVE
MODELLE
.
102
6
NICHTPARAMETRISCHE
METHODEN
.
103
6.1
NICHTPARAMETRISCHE
DICHTESCHAETZUNG
.
103
6.1.1
HISTOGRAMMSCHAETZER
.
104
6.1.2
KERNSCHAETZER
.
105
6.1.3
K-NAECHSTE-NACHBARN-SCHAETZER
.
106
6.2
ENTSCHEIDUNGSBAEUME
.
109
6.2.1
UNIVARIATE
BAEUME
.
111
6.2.2
MULTIVARIATE
BAEUME
.
118
6.2.3
PRUNING
.
119
6.2.4
RANDOM
FOREST
.
120
7
BESTAERKENDES
LERNEN
.
123
7.1
WAS
IST
BESTAERKENDES
LERNEN?
.
123
7.1.1
BELOHNUNG
.
124
7.1.2
DER
AGENT
.
125
7.1.3
DIE
UMGEBUNG
.
127
7.1.4
AKTIONEN
.
129
7.1.5
BEOBACHTUNGEN
.
131
7.2
THEORETISCHE
GRUNDLAGEN
.
132
7.2.1
MARKOV-ENTSCHEIDUNGSPROZESSE
.
132
7.2.2
MARKOV-PROZESS
.
133
7.2.3
MARKOV-BELOHNUNGSPROZESS
.
133
7.2.4
POLICY
.
134
7.3
WERTEBASIERTE
VERFAHREN
.
135
7.3.1
GRUNDLAGEN
DER
WERTEFUNKTION
UND
DER
BELLMAN-GLEICHUNG
.
135
7.3.2
Q-LEARNING
.
136
7.3.3
SARSA
.
137
7.3.4
DEEP
Q-NETWORKS
(DQN)
.
138
7.4
POLICY-BASIERTE
VERFAHREN
.
139
7.4.1
POLICY
GRADIENT
.
139
7.4.2
ACTOR-CRITIC-VERFAHREN
.
141
7.4.3
SOFT
ACTOR-CRITIC
(SAC)
.
143
8
CUSTERANALYSE
.
147
8.1
K-MEANS-CLUSTERMETHODE
.
147
8.2
HIERARCHISCHE
CLUSTERMETHODE
.
150
8.3
GAUSS
'
SCHE
MISCHMODELLE
.
152
9
ANWENDUNGEN
.
155
9.1
REGELUNGSTECHNIK
.
155
9.1.1
SYSTEMIDENTIFIKATION
.
156
9.1.2
NEURONALER
REGLER
.
164
9.1.3
REGELUNG
EINES
INVERSEN
PENDELS
.
170
9.2
BILDVERARBEITUNG
.
177
9.2.1
KLASSIFIKATION
VON
ZAHLEN
.
177
9.2.2
SEGMENTIERUNG
VON
BRUCHFLAECHEN
.
181
9.2.3
OBJEKTERKENNUNG
MIT
VISION
TRANSFORMERS
.
188
9.2.4
KUENSTLICHE
GENERIERUNG
VON
BILDERN
.
196
9.2.5
INTERPRETIERBARKEIT
VON
VISION-MODELLEN
MIT
GRAD-CAM
.
201
9.3
CHEMIE
.
205
9.3.1
KLASSIFIZIERUNG
VON
WEIN
.
205
9.3.2
VORHERSAGE
VON
EIGENSCHAFTEN
ORGANISCHER
MOLEKUELE
.
207
9.4
PHYSIK
.
210
9.4.1
STATISTISCHE
VERSUCHSPLANUNG
OPTIMIEREN
.
211
9.4.2
VORHERSAGE
VON
RANS-STROEMUNGEN
.
212
9.5
GENERIERUNG
VON
TEXT
.
220
9.5.1
TEXTGENERIERUNG
MIT
EINEM
MINIATUR-GPT
.
221
9.5.2
ENGLISCH-SPANISCH-UEBERSETZUNG
MIT
TENSORFLOW
.
231
9.6
AUDIODATENVERARBEITUNG
.
244
9.6.1
AUTOMATISCHE
SPRACHERKENNUNG
MIT
CTC
.
244
9.6.2
KLASSIFIZIERUNG
VON
SPRECHERN
MIT
FFT
.
251
LITERATUR
.
259
STICHWORTVERZEICHNIS
.
261 |
| adam_txt |
1
EINFUEHRUNG
.
1
1.1
WAS
IST
MASCHINELLES
LERNEN
.
1
1.2
UEBERWACHTES
LERNEN
.
2
1.2.1
KLASSIFIKATION
UND
REGRESSION
.
3
1.2.2
GENERALISIERUNG,
UEBERANPASSUNG
UND
UNTERANPASSUNG
.
4
1.3
UNUEBERWACHTES
LERNEN
.
5
1.4
BESTAERKENDES
LERNEN
.
5
1.5
TEILUEBERWACHTES
LERNEN
.
6
1.6
HERAUSFORDERUNGEN
DES
MASCHINELLEN
LERNENS
.
7
1.6.1
UNZUREICHENDE
MENGE
AN
TRAININGSDATEN
.
7
1.6.2
NICHT
REPRAESENTATIVE
TRAININGSDATEN
.
8
1.6.3
DATEN
VON
SCHLECHTER
QUALITAET
.
9
1.6.4
IRRELEVANTE
MERKMALE
.
9
1.6.5
EXPLAINABLE
ARTIFICIAL
INTELLIGENCE
.
10
1.7
BEWERTUNG
UND
VERGLEICH
VON
ALGORITHMEN
.
11
1.7.1
KREUZVALIDIERUNG
.
12
1.7.2
MESSFEHLER
.
13
1.7.3
INTERVALLSCHAETZUNG
.
15
1.7.4
HYPOTHESENPRUEFUNG
.
15
1.8
WERKZEUGE
UND
RESSOURCEN
.
16
1.8.1
INSTALLATION
VON
PYTHON
MIT
ANACONDA
.
16
1.8.2
ENTWICKLUNGSUMGEBUNGEN
.
17
1.8.3
PYTHON-BIBLIOTHEKEN
.
18
1.8.4
GRUNDLAGEN
IN
PYTHON
.
19
2
LINEARE
ALGEBRA
.
25
2.1
SKALARE,
VEKTOREN
UND
MATRIZEN
.
25
2.1.1
OPERATIONEN
MIT
SKALAREN
UND
VEKTOREN
.
27
2.1.2
OPERATIONEN
MIT
VEKTOREN
UND
MATRIZEN
.
29
2.1.3
DIE
INVERSE
EINER
MATRIX
.
30
2.2
LINEARE
GLEICHUNGSSYSTEME
.
31
2.2.1
GAUSS-ALGORITHMUS
.
31
2.2.2
NUMERISCHE
LOESUNGSMETHODEN
LINEARER
GLEICHUNGSSYSTEME
.
32
3
WAHRSCHEINLICHKEIT
UND
STATISTIK
.
35
3.1
GRUNDBEGRIFFE
DER
WAHRSCHEINLICHKEIT
.
35
3.2
ZUFALLSGROESSEN
UND
VERTEILUNGSFUNKTIONEN
.
37
3.3
MOMENTE
EINER
VERTEILUNG
.
38
3.3.1
ERWARTUNGSWERT
UND
STREUUNG
.
39
3.3.2
SCHIEFE
UND
EXZESS
.
40
3.4
BEDINGTE
WAHRSCHEINLICHKEITEN
.
41
3.5
DESKRIPTIVE
STATISTIK
.
42
3.6
EINFACHE
STATISTISCHE
TESTS
.
44
3.6.1
ABLAUFEINES
STATISTISCHEN
TESTS
.
45
3.6.2
PARAMETERTESTS
BEI
NORMALVERTEILTER
GRUNDGESAMTHEIT
.
46
3.6.3
MITTELWERTTEST
.
46
3.6.4
X2-STREUUNGSTEST
.
47
4
OPTIMIERUNG
.
49
4.1
GRUNDLAGEN
DER
OPTIMIERUNG
.
49
4.1.1
UNIVARIATE
OPTIMIERUNG
.
50
4.1.2
BIVARIATE
OPTIMIERUNG
.
50
4.1.3
MULTIVARIATE
OPTIMIERUNG
.
51
4.2
GRADIENT
DESCENT
.52
4.2.1
MOMENTUM-BASED
LEARNING
.
54
4.2.2
ADAGRAD
.
55
4.2.3
ADAM
.57
4.3
NEWTON-METHODE
.59
5
PARAMETRISCHE
METHODEN
.
61
5.1
REGRESSIONSANALYSE
.
61
5.1.1
LINEARE
REGRESSION
.62
5.1.2
LOGISTISCHE
REGRESSION
.
66
5.2
LINEARE
SUPPORT
VECTOR
MACHINES
.
71
5.2.1
DIE
OPTIMALE
TRENNEBENE
.
72
5.2.2
SOFT-MARGIN
.
75
5.2.3
KERNFUNKTIONEN
.
76
5.3
DER
BAYES
'
SCHE
SCHAETZER
.
77
5.3.1
STOCHASTISCHE
UNABHAENGIGKEIT
.
81
5.3.2
BAYES
'
SCHE
NETZE
.
82
5.4
NEURONALE
NETZE
.
84
5.4.1
DAS
KUENSTLICHE
NEURON
.
84
5.4.2
MEHRSCHICHTIGE
NEURONALE
NETZE
.
85
5.4.3
LERNVORGANG
.
87
5.5
DEEP
LEARNING
.
96
5.5.1
CONVOLUTIONAL
NEURAL
NETWORKS
.
97
5.5.2
REKURRENT
NEURAL
NETWORKS
.
100
5.5.3
GENERATIVE
MODELLE
.
102
6
NICHTPARAMETRISCHE
METHODEN
.
103
6.1
NICHTPARAMETRISCHE
DICHTESCHAETZUNG
.
103
6.1.1
HISTOGRAMMSCHAETZER
.
104
6.1.2
KERNSCHAETZER
.
105
6.1.3
K-NAECHSTE-NACHBARN-SCHAETZER
.
106
6.2
ENTSCHEIDUNGSBAEUME
.
109
6.2.1
UNIVARIATE
BAEUME
.
111
6.2.2
MULTIVARIATE
BAEUME
.
118
6.2.3
PRUNING
.
119
6.2.4
RANDOM
FOREST
.
120
7
BESTAERKENDES
LERNEN
.
123
7.1
WAS
IST
BESTAERKENDES
LERNEN?
.
123
7.1.1
BELOHNUNG
.
124
7.1.2
DER
AGENT
.
125
7.1.3
DIE
UMGEBUNG
.
127
7.1.4
AKTIONEN
.
129
7.1.5
BEOBACHTUNGEN
.
131
7.2
THEORETISCHE
GRUNDLAGEN
.
132
7.2.1
MARKOV-ENTSCHEIDUNGSPROZESSE
.
132
7.2.2
MARKOV-PROZESS
.
133
7.2.3
MARKOV-BELOHNUNGSPROZESS
.
133
7.2.4
POLICY
.
134
7.3
WERTEBASIERTE
VERFAHREN
.
135
7.3.1
GRUNDLAGEN
DER
WERTEFUNKTION
UND
DER
BELLMAN-GLEICHUNG
.
135
7.3.2
Q-LEARNING
.
136
7.3.3
SARSA
.
137
7.3.4
DEEP
Q-NETWORKS
(DQN)
.
138
7.4
POLICY-BASIERTE
VERFAHREN
.
139
7.4.1
POLICY
GRADIENT
.
139
7.4.2
ACTOR-CRITIC-VERFAHREN
.
141
7.4.3
SOFT
ACTOR-CRITIC
(SAC)
.
143
8
CUSTERANALYSE
.
147
8.1
K-MEANS-CLUSTERMETHODE
.
147
8.2
HIERARCHISCHE
CLUSTERMETHODE
.
150
8.3
GAUSS
'
SCHE
MISCHMODELLE
.
152
9
ANWENDUNGEN
.
155
9.1
REGELUNGSTECHNIK
.
155
9.1.1
SYSTEMIDENTIFIKATION
.
156
9.1.2
NEURONALER
REGLER
.
164
9.1.3
REGELUNG
EINES
INVERSEN
PENDELS
.
170
9.2
BILDVERARBEITUNG
.
177
9.2.1
KLASSIFIKATION
VON
ZAHLEN
.
177
9.2.2
SEGMENTIERUNG
VON
BRUCHFLAECHEN
.
181
9.2.3
OBJEKTERKENNUNG
MIT
VISION
TRANSFORMERS
.
188
9.2.4
KUENSTLICHE
GENERIERUNG
VON
BILDERN
.
196
9.2.5
INTERPRETIERBARKEIT
VON
VISION-MODELLEN
MIT
GRAD-CAM
.
201
9.3
CHEMIE
.
205
9.3.1
KLASSIFIZIERUNG
VON
WEIN
.
205
9.3.2
VORHERSAGE
VON
EIGENSCHAFTEN
ORGANISCHER
MOLEKUELE
.
207
9.4
PHYSIK
.
210
9.4.1
STATISTISCHE
VERSUCHSPLANUNG
OPTIMIEREN
.
211
9.4.2
VORHERSAGE
VON
RANS-STROEMUNGEN
.
212
9.5
GENERIERUNG
VON
TEXT
.
220
9.5.1
TEXTGENERIERUNG
MIT
EINEM
MINIATUR-GPT
.
221
9.5.2
ENGLISCH-SPANISCH-UEBERSETZUNG
MIT
TENSORFLOW
.
231
9.6
AUDIODATENVERARBEITUNG
.
244
9.6.1
AUTOMATISCHE
SPRACHERKENNUNG
MIT
CTC
.
244
9.6.2
KLASSIFIZIERUNG
VON
SPRECHERN
MIT
FFT
.
251
LITERATUR
.
259
STICHWORTVERZEICHNIS
.
261 |
| any_adam_object | 1 |
| any_adam_object_boolean | 1 |
| author | Botsch, Benny |
| author_GND | (DE-588)1317361164 |
| author_facet | Botsch, Benny |
| author_role | aut |
| author_sort | Botsch, Benny |
| author_variant | b b bb |
| building | Verbundindex |
| bvnumber | BV049434783 |
| ctrlnum | (OCoLC)1374999965 (DE-599)DNB1284721590 |
| edition | 1. Auflage 2023 |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a22000008c 4500</leader><controlfield tag="001">BV049434783</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20241218</controlfield><controlfield tag="007">t|</controlfield><controlfield tag="008">231128s2023 gw a||| |||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">23,N14</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1284721590</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783662672761</subfield><subfield code="c">Festeinband : circa EUR 37.99 (DE), circa EUR 39.06 (AT), circa CHF 42.00 (freier Preis), circa EUR 35.51</subfield><subfield code="9">978-3-662-67276-1</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3662672766</subfield><subfield code="9">3-662-67276-6</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783662672761</subfield></datafield><datafield tag="028" ind1="5" ind2="2"><subfield code="a">Bestellnummer: 978-3-662-67276-1</subfield></datafield><datafield tag="028" ind1="5" ind2="2"><subfield code="a">Bestellnummer: 89213695</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1374999965</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1284721590</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-BE</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-522</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">Botsch, Benny</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1317361164</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Maschinelles Lernen - Grundlagen und Anwendungen</subfield><subfield code="b">Mit Beispielen in Python</subfield><subfield code="c">Benny Botsch</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage 2023</subfield></datafield><datafield tag="263" ind1=" " ind2=" "><subfield code="a">202309</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Berlin</subfield><subfield code="b">Springer</subfield><subfield code="c">2023</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="b">Springer Spektrum</subfield><subfield code="c">2023</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="b">50 Illustrationen, 50 Illustrationen</subfield><subfield code="c">23.5 cm x 15.5 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="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="653" ind1=" " ind2=" "><subfield code="a">Deep Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maschinelles Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Python</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligenz</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">AI</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=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Springer-Verlag GmbH</subfield><subfield code="0">(DE-588)1065168780</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">9783662672778</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="q">text/html</subfield><subfield code="u">http://deposit.dnb.de/cgi-bin/dokserv?id=20f6bc0fbcfa4dad890ee1800d66b348&prov=M&dok_var=1&dok_ext=htm</subfield><subfield code="3">Inhaltstext</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="u">https://link.springer.com/978-3-662-67276-1</subfield><subfield code="3">Auszug</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=034780852&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">vlb</subfield><subfield code="d">20230329</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#vlb</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-034780852</subfield></datafield></record></collection> |
| id | DE-604.BV049434783 |
| illustrated | Illustrated |
| index_date | 2024-07-03T23:10:51Z |
| indexdate | 2024-12-18T13:01:17Z |
| institution | BVB |
| institution_GND | (DE-588)1065168780 |
| isbn | 9783662672761 3662672766 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-034780852 |
| oclc_num | 1374999965 |
| open_access_boolean | |
| owner | DE-522 |
| owner_facet | DE-522 |
| physical | 50 Illustrationen, 50 Illustrationen 23.5 cm x 15.5 cm |
| publishDate | 2023 |
| publishDateSearch | 2023 |
| publishDateSort | 2023 |
| publisher | Springer Springer Spektrum |
| record_format | marc |
| spelling | Botsch, Benny Verfasser (DE-588)1317361164 aut Maschinelles Lernen - Grundlagen und Anwendungen Mit Beispielen in Python Benny Botsch 1. Auflage 2023 202309 Berlin Springer 2023 Springer Spektrum 2023 50 Illustrationen, 50 Illustrationen 23.5 cm x 15.5 cm txt rdacontent n rdamedia nc rdacarrier Python Programmiersprache (DE-588)4434275-5 gnd rswk-swf Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf Deep Learning Maschinelles Lernen Data Science Python Künstliche Intelligenz AI Maschinelles Lernen (DE-588)4193754-5 s DE-604 Python Programmiersprache (DE-588)4434275-5 s Springer-Verlag GmbH (DE-588)1065168780 pbl Erscheint auch als Online-Ausgabe 9783662672778 X:MVB text/html http://deposit.dnb.de/cgi-bin/dokserv?id=20f6bc0fbcfa4dad890ee1800d66b348&prov=M&dok_var=1&dok_ext=htm Inhaltstext X:MVB https://link.springer.com/978-3-662-67276-1 Auszug DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034780852&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis 1\p vlb 20230329 DE-101 https://d-nb.info/provenance/plan#vlb |
| spellingShingle | Botsch, Benny Maschinelles Lernen - Grundlagen und Anwendungen Mit Beispielen in Python Python Programmiersprache (DE-588)4434275-5 gnd Maschinelles Lernen (DE-588)4193754-5 gnd |
| subject_GND | (DE-588)4434275-5 (DE-588)4193754-5 |
| title | Maschinelles Lernen - Grundlagen und Anwendungen Mit Beispielen in Python |
| title_auth | Maschinelles Lernen - Grundlagen und Anwendungen Mit Beispielen in Python |
| title_exact_search | Maschinelles Lernen - Grundlagen und Anwendungen Mit Beispielen in Python |
| title_exact_search_txtP | Maschinelles Lernen - Grundlagen und Anwendungen Mit Beispielen in Python |
| title_full | Maschinelles Lernen - Grundlagen und Anwendungen Mit Beispielen in Python Benny Botsch |
| title_fullStr | Maschinelles Lernen - Grundlagen und Anwendungen Mit Beispielen in Python Benny Botsch |
| title_full_unstemmed | Maschinelles Lernen - Grundlagen und Anwendungen Mit Beispielen in Python Benny Botsch |
| title_short | Maschinelles Lernen - Grundlagen und Anwendungen |
| title_sort | maschinelles lernen grundlagen und anwendungen mit beispielen in python |
| title_sub | Mit Beispielen in Python |
| topic | Python Programmiersprache (DE-588)4434275-5 gnd Maschinelles Lernen (DE-588)4193754-5 gnd |
| topic_facet | Python Programmiersprache Maschinelles Lernen |
| url | http://deposit.dnb.de/cgi-bin/dokserv?id=20f6bc0fbcfa4dad890ee1800d66b348&prov=M&dok_var=1&dok_ext=htm https://link.springer.com/978-3-662-67276-1 http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034780852&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT botschbenny maschinelleslernengrundlagenundanwendungenmitbeispieleninpython AT springerverlaggmbh maschinelleslernengrundlagenundanwendungenmitbeispieleninpython |