Machine Learning mit Python : das Praxis-Handbuch für Data Science, Predictive Analytics und Deep Learning

Cover -- Titel -- Impressum -- Inhaltsverzeichnis -- Vorwort -- Über den Autor -- Danksagungen -- Über die Korrektoren -- Einleitung -- Kapitel 1: Wie Computer aus Daten lernen können -- 1.1 Intelligente Maschinen, die Daten in Wissen verwandeln -- 1.2 Die drei Arten des Machine Learnings -- 1.2.1 M...

Full description

Bibliographic Details
Main Author: Raschka, Sebastian (Author)
Format: eBook
Language:German
Published: Frechen : mitp [2017]
Edition:1. Auflage
ISBN:9783958454224
3958454224
9783958454248
3958454240
9783958454231
3958454232
Series:mitp Professional
Physical Description:1 Online-Ressource (424 Seiten) Illustrationen, Diagramme
Subjects:
Other Editions:Show all 3 Editions
QR Code: Show QR Code
LEADER 14436cam a2201021 4500
001 877932131
003 DE-627
005 20200123203013.0
007 cr uuu---uuuuu
008 170213s2017 xx |||||o 00| ||ger c
020 |a 9783958454224  |c Print  |9 978-3-95845-422-4 
020 |a 3958454224  |9 3-95845-422-4 
020 |a 9783958454248  |c : electronic bk.  |9 978-3-95845-424-8 
020 |z 9783958454224  |9 978-3-95845-422-4 
035 |a (DE-627)877932131 
035 |a (DE-576)483386278 
035 |a (DE-599)GBV877932131 
035 |a (OCoLC)974522026 
035 |a (EBP)020655703 
035 |a (EBL)4761626 
035 |a (EBR)11317105 
035 |a (EBC)EBC4761626 
040 |a DE-627  |b ger  |c DE-627  |e rda 
041 |a ger 
041 |h eng 
044 |c XA-DE-NW  |c XA-DE 
082 0 4 |a 004‡DNB 
100 1 |a Raschka, Sebastian  |e verfasserin  |0 (DE-588)1080537872  |0 (DE-627)844784451  |0 (DE-576)453606717  |4 aut 
240 1 0 |a Python machine learning  |0 (DE-588)115482389X  |0 (DE-627)1016196539  |0 (DE-576)501266518 
245 1 0 |a Machine Learning mit Python  |b das Praxis-Handbuch für Data Science, Predictive Analytics und Deep Learning  |c Sebastian Raschka ; Übersetzung aus dem Englischen von Knut Lorenzen 
250 |a 1. Auflage 
264 1 |a Frechen  |b mitp  |c [2017] 
264 4 |c © 2017 
300 |a 1 Online-Ressource (424 Seiten)  |b Illustrationen, Diagramme 
336 |a Text  |b txt  |2 rdacontent 
337 |a Computermedien  |b c  |2 rdamedia 
338 |a Online-Ressource  |b cr  |2 rdacarrier 
490 0 |a mitp Professional 
520 |a Cover -- Titel -- Impressum -- Inhaltsverzeichnis -- Vorwort -- Über den Autor -- Danksagungen -- Über die Korrektoren -- Einleitung -- Kapitel 1: Wie Computer aus Daten lernen können -- 1.1 Intelligente Maschinen, die Daten in Wissen verwandeln -- 1.2 Die drei Arten des Machine Learnings -- 1.2.1 Mit überwachtem Lernen Vorhersagen treffen -- 1.2.2 Interaktive Aufgaben durch verstärkendes Lernen lösen -- 1.2.3 Durch unüberwachtes Lernen verborgene Strukturen erkennen -- 1.3 Grundlegende Terminologie und Notation -- 1.4 Entwicklung eines Systems für das Machine Learning -- 1.4.1 Vorverarbeitung: Daten in Form bringen -- 1.4.2 Trainieren und Auswählen eines Vorhersagemodells -- 1.4.3 Bewertung von Modellen und Vorhersage anhand unbekannter Dateninstanzen -- 1.5 Machine Learning mit Python -- 1.5.1 Python-Pakete installieren -- 1.6 Zusammenfassung -- Kapitel 2: Lernalgorithmen für die Klassifizierung trainieren -- 2.1 Künstliche Neuronen: Ein kurzer Blick auf die Anfänge des Machine Learnings -- 2.2 Implementierung eines Perzeptron-Lernalgorithmus in Python -- 2.2.1 Trainieren eines Perzeptron-Modells auf die Iris-Datensammlung -- 2.3 Adaptive lineare Neuronen und die Konvergenz des Lernens -- 2.3.1 Straffunktionen mit dem Gradientenabstiegsverfahren minimieren -- 2.3.2 Implementierung eines adaptiven linearen Neurons in Python -- 2.3.3 Large-scale Machine Learning und stochastisches Gradientenabstiegsverfahren -- 2.4 Zusammenfassung -- Kapitel 3: Machine-Learning-Klassifizierer mit scikit-learn verwenden -- 3.1 Auswahl eines Klassifizierungsalgorithmus -- 3.2 Erste Schritte mit scikit-learn -- 3.2.1 Trainieren eines Perzeptrons mit scikit-learn -- 3.3 Klassenwahrscheinlichkeiten durch logistische Regression modellieren -- 3.3.1 Logistische Regression und bedingte Wahrscheinlichkeiten -- 3.3.2 Gewichtungen der logistischen Straffunktion ermitteln. 
520 |a 3.3.3 Trainieren eines logistischen Regressionsmodells mit scikit-learn -- 3.3.4 Überanpassung durch Regularisierung verhindern -- 3.4 Maximum-Margin-Klassifizierung mit Support Vector Machines -- 3.4.1 Maximierung des Randbereichs -- 3.4.2 Handhabung des nicht linear trennbaren Falls mit Schlupfvariablen -- 3.4.3 Alternative Implementierungen in scikit-learn -- 3.5 Nichtlineare Aufgaben mit einer Kernel-SVM lösen -- 3.5.1 Mit dem Kernel-Trick Hyperebenen in höherdimensionalen Räumen finden -- 3.6 Lernen mit Entscheidungsbäumen -- 3.6.1 Maximierung des Informationsgewinns: Daten ausreizen -- 3.6.2 Konstruktion eines Entscheidungsbaums -- 3.6.3 Schwache Klassifizierer mit Random Forests zu besseren kombinieren -- 3.7 k-Nearest-Neighbor: Ein Lazy-Learning-Algorithmus -- 3.8 Zusammenfassung -- Kapitel 4: Gut geeignete Trainingsdatenmengen: Datenvorverarbeitung -- 4.1 Umgang mit fehlenden Daten -- 4.1.1 Exemplare oder Merkmale mit fehlenden Werten entfernen -- 4.1.2 Fehlende Werte ergänzen -- 4.1.3 Die Schätzer-API von scikit-learn -- 4.2 Handhabung kategorialer Daten -- 4.2.1 Zuweisung von ordinalen Merkmalen -- 4.2.2 Kodierung der Klassenbezeichnungen -- 4.2.3 One-hot-Kodierung der nominalen Merkmale -- 4.3 Aufteilung einer Datensammlung in Trainings- und Testdaten -- 4.4 Anpassung der Merkmale -- 4.5 Auswahl aussagekräftiger Merkmale -- 4.5.1 Dünnbesetzte Lösungen durch L1-Regularisierung -- 4.5.2 Algorithmen zur sequenziellen Auswahl von Merkmalen -- 4.6 Beurteilung der Bedeutung von Merkmalen mit Random Forests -- 4.7 Zusammenfassung -- Kapitel 5: Datenkomprimierung durch Dimensionsreduktion -- 5.1 Unüberwachte Dimensionsreduktion durch Hauptkomponentenanalyse -- 5.1.1 Totale Varianz und Varianzaufklärung -- 5.1.2 Merkmalstransformation -- 5.1.3 Hauptkomponentenanalyse mit scikit-learn 
520 |a 5.2 Überwachte Datenkomprimierung durch lineare Diskriminanzanalyse -- 5.2.1 Berechnung der Streumatrizen -- 5.2.2 Auswahl linearer Diskriminanten für den neuen Merkmalsunterraum -- 5.2.3 Projektion in den neuen Merkmalsraum -- 5.2.4 LDA mit scikit-learn -- 5.3 Kernel-Hauptkomponentenanalyse für nichtlineare Zuordnungen verwenden -- 5.3.1 Kernel-Funktionen und der Kernel-Trick -- 5.3.2 Implementierung einer Kernel-Hauptkomponentenanalyse in Python -- 5.3.3 Projizieren neuer Datenpunkte -- 5.3.4 Kernel-Hauptkomponentenanalyse mit scikit-learn -- 5.4 Zusammenfassung -- Kapitel 6: Bewährte Verfahren zur Modellbewertung und Hyperparameter-Abstimmung -- 6.1 Arbeitsabläufe mit Pipelines optimieren -- 6.1.1 Die Wisconsin-Brustkrebs-Datensammlung -- 6.1.2 Transformer und Schätzer in einer Pipeline kombinieren -- 6.2 Beurteilung des Modells durch k-fache Kreuzvalidierung -- 6.2.1 2-fache Kreuzvalidierung -- 6.2.2 k-fache Kreuzvalidierung -- 6.3 Algorithmen mit Lern- und Validierungskurven debuggen -- 6.3.1 Probleme mit Bias und Varianz anhand von Lernkurven erkennen -- 6.3.2 Überanpassung und Unteranpassung anhand von Validierungskurven erkennen -- 6.4 Feinabstimmung eines Lernmodells durch Rastersuche -- 6.4.1 Hyperparameterabstimmung durch Rastersuche -- 6.4.2 Algorithmenauswahl durch verschachtelte Kreuzvalidierung -- 6.5 Verschiedene Kriterien zur Leistungsbewertung -- 6.5.1 Interpretation einer Wahrheitsmatrix -- 6.5.2 Optimierung der Genauigkeit und der Trefferquote eines Klassifizierungsmodells -- 6.5.3 Receiver-Operating-Characteristic-Diagramme -- 6.5.4 Bewertungskriterien für Mehrfachklassifizierungen -- 6.6 Zusammenfassung -- Kapitel 7: Kombination verschiedener Modelle für das Ensemble Learning -- 7.1 Ensemble Learning -- 7.2 Implementierung eines einfachen Mehrheitsentscheidungs-Klassifizierers 
520 |a 7.2.1 Kombination mehrerer Klassifizierungsalgorithmen per Mehrheitsentscheidung -- 7.3 Bewertung und Abstimmung des Klassifizierer-Ensembles -- 7.4 Bagging: Klassifizierer-Ensembles anhand von Bootstrap-Stichproben entwickeln -- 7.5 Schwache Klassifizierer durch adaptives Boosting verbessern -- 7.6 Zusammenfassung -- Kapitel 8: Machine Learning zur Analyse von Stimmungslagen nutzen -- 8.1 Die IMDb-Filmdatenbank -- 8.2 Das Bag-of-words-Modell -- 8.2.1 Wörter in Merkmalsvektoren umwandeln -- 8.2.2 Beurteilung der Wortrelevanz durch das Tf-idf-Maß -- 8.2.3 Textdaten bereinigen -- 8.2.4 Dokumente in Token zerlegen -- 8.3 Ein logistisches Regressionsmodell für die Dokumentklassifizierung trainieren -- 8.4 Verarbeitung großer Datenmengen: Online-Algorithmen und Out-of-Core Learning -- 8.5 Zusammenfassung -- Kapitel 9: Einbettung eines Machine-Learning-Modells in eine Webanwendung -- 9.1 Serialisierung angepasster Schätzer mit scikit-learn -- 9.2 Einrichtung einer SQLite-Datenbank zum Speichern von Daten -- 9.3 Entwicklung einer Webanwendung mit Flask -- 9.3.1 Die erste Webanwendung mit Flask -- 9.3.2 Formularvalidierung und -ausgabe -- 9.4 Der Filmbewertungsklassifizierer als Webanwendung -- 9.5 Einrichtung der Webanwendung auf einem öffentlich zugänglichen Webserver -- 9.5.1 Updaten des Filmbewertungsklassifizierers -- 9.6 Zusammenfassung -- Kapitel 10: Vorhersage stetiger Zielvariablen durch Regressionsanalyse -- 10.1 Ein einfaches lineares Regressionsmodell -- 10.2 Die Lebensbedingungen-Datensammlung -- 10.2.1 Visualisierung der wichtigen Eigenschaften einer Datenmenge -- 10.3 Implementierung eines linearen Regressionsmodells mit der Methode der kleinsten Quadrate -- 10.3.1 Berechnung der Regressionsparameter mit dem Gradientenabstiegsverfahren -- 10.3.2 Abschätzung der Koeffizienten eines Regressionsmodells mit scikit-learn 
520 |a 10.4 Anpassung eines robusten Regressionsmodells mit dem RANSAC-Algorithmus -- 10.5 Bewertung der Leistung linearer Regressionsmodelle -- 10.6 Regularisierungsverfahren für die Regression einsetzen -- 10.7 Polynomiale Regression: Umwandeln einer linearen Regression in eine Kurve -- 10.7.1 Modellierung nichtlinearer Zusammenhänge in der Lebensbedingungen-Datensammlung -- 10.7.2 Handhabung nichtlinearer Beziehungen mit Random Forests -- 10.8 Zusammenfassung -- Kapitel 11: Verwendung nicht gekennzeichneter Daten: Clusteranalyse -- 11.1 Gruppierung von Objekten nach Ähnlichkeit mit dem k-Means-Algorithmus -- 11.1.1 Der k-Means++-Algorithmus -- 11.1.2 »Harte« und »weiche« Clustering-Algorithmen -- 11.1.3 Die optimale Anzahl der Cluster mit dem Ellenbogenkriterium ermitteln -- 11.1.4 Quantifizierung der Clustering-Güte mit Silhouettendiagrammen -- 11.2 Cluster als hierarchischen Baum organisieren -- 11.2.1 Hierarchisches Clustering einer Distanzmatrix -- 11.2.2 Dendrogramme und Heatmaps verknüpfen -- 11.2.3 Agglomeratives Clustering mit scikit-learn -- 11.3 Bereiche hoher Dichte mit DBSCAN ermitteln -- 11.4 Zusammenfassung -- Kapitel 12: Künstliche neuronale Netze für die Bilderkennung trainieren -- 12.1 Modellierung komplexer Funktionen mit künstlichen neuronalen Netzen -- 12.1.1 Einschichtige neuronale Netze -- 12.1.2 Mehrschichtige neuronale Netzarchitektur -- 12.1.3 Aktivierung eines neuronalen Netzes durch Vorwärtspropagation -- 12.2 Klassifizierung handgeschriebener Ziffern -- 12.2.1 Die MNIST-Datensammlung -- 12.2.2 Implementierung eines mehrschichtigen Perzeptrons -- 12.3 Trainieren eines künstlichen neuronalen Netzes -- 12.3.1 Berechnung der logistischen Straffunktion -- 12.3.2 Trainieren neuronaler Netze durch Backpropagation -- 12.4 Ein Gespür für die Backpropagation entwickeln -- 12.5 Debugging neuronaler Netze durch Gradientenprüfung 
520 |a 12.6 Konvergenz in neuronalen Netzen 
689 0 0 |D s  |0 (DE-588)4193754-5  |0 (DE-627)105224782  |0 (DE-576)21008944X  |a Maschinelles Lernen  |2 gnd 
689 0 1 |D s  |0 (DE-588)4123037-1  |0 (DE-627)105758051  |0 (DE-576)209556331  |a Datenanalyse  |2 gnd 
689 0 2 |D s  |0 (DE-588)4802620-7  |0 (DE-627)472310364  |0 (DE-576)216543657  |a Big Data  |2 gnd 
689 0 3 |D s  |0 (DE-588)1053433689  |0 (DE-627)790062666  |0 (DE-576)40919073X  |a Python 3.4  |2 gnd 
689 0 4 |D s  |0 (DE-588)1113598565  |0 (DE-627)867645741  |0 (DE-576)477006663  |a Python 3.5  |2 gnd 
689 0 |5 DE-101 
776 1 |z 9783958454224  |9 978-3-95845-422-4 
776 1 |z 9783958454231  |9 978-3-95845-423-1 
776 0 8 |n Druck-Ausgabe  |a Erscheint auch als  |z 9783958454224 
856 4 0 |u http://ebookcentral.proquest.com/lib/gbv/detail.action?docID=4761626  |m X:EBC  |x Verlag  |3 Volltext 
856 4 0 |u https://ebookcentral.proquest.com/lib/gbv/detail.action?docID=4761626  |x Aggregator  |3 Volltext 
856 4 2 |u http://deposit.d-nb.de/cgi-bin/dokserv?id=89f97702141e474389ba08a9128f37cf&prov=M&dok_var=1&dok_ext=htm  |m X:MVB  |q text/html  |3 Inhaltstext 
856 4 2 |u http://d-nb.info/1096181851/04  |m B:DE-101  |q application/pdf  |3 Inhaltsverzeichnis 
856 4 2 |u https://external.dandelon.com/download/attachments/dandelon/ids/DE00137E08DC972492F0DC12580A5003D51B1.pdf  |m V:DE-601  |m X:AGI  |q pdf/application  |v 2019-02-01  |x Verlag  |3 Inhaltsverzeichnis 
912 |a ZDB-30-PQE 
912 |a BSZ-30-PQE-SBUB 
912 |a ZDB-30-PQE 
912 |a ZDB-89-EBL 
912 |a GBV_ILN_70 
912 |a SYSFLAG_1 
912 |a GBV_KXP 
912 |a GBV_ILN_206 
912 |a GBV_ILN_617 
912 |a GBV_ILN_2027 
912 |a GBV_ILN_2111 
935 |i Blocktest 
951 |a BO 
980 |2 70  |1 01  |b 1726074153  |h OLR-EBC  |x 0089  |y z  |z 01-12-17 
980 |2 206  |1 01  |b 166647052X  |d Online-Ressource  |e g  |h OLR-EBL  |k Please send a request, if the ebook is not available!  |l E-Books (Schweitzer)  |x 3350  |y zh  |z 23-02-17 
980 |2 617  |1 01  |b 1662361807  |h OLR-EBL  |k Keine Weitergabe an Dritte.Ebook noch nicht erworben!Nach dem Kauf: Vervielfältigungen (z. B. Kopien, Downloads) sind nur von einzelnen Kapiteln oder Seiten und nur zum eigenen wissenschaftlichen Gebrauch erlaubt. Keine Weitergabe an Dritte.  |x 4617  |y ze  |z 09-02-17 
980 |2 2027  |1 01  |b 3383590984  |e n  |k 1-user license / Zugriff nur im Campus f. Angehörige der TU Bergakademie Freiberg  |x 20810  |y l01  |z 10-07-17 
980 |2 2111  |1 01  |b 3383591131  |d eBook mitp  |k Elektronischer Volltext - Campuslizenz  |x 20869  |y l01  |z 14-02-17 
981 |2 70  |1 01  |r http://ebookcentral.proquest.com/lib/tib-hannover/detail.action?docID=4761626 
981 |2 206  |1 01  |y Fulltext  |r https://thh-friedensau.idm.oclc.org/login?url=https://ebookcentral.proquest.com/lib/thhfriedensau/detail.action?docID=4761626 
981 |2 617  |1 01  |y Zeitlich begrenzter Lesezugriff nur für Angehörige und Studierende der Leibniz-Fachhochschule / Leibniz-Akademie Hannover  |r http://ebookcentral.proquest.com/lib/gbv/detail.action?docID=4761626 
981 |2 2027  |1 01  |r https://ebookcentral.proquest.com/lib/freiberg-ebooks/detail.action?docID=4761626 
981 |2 2111  |1 01  |r https://ebookcentral.proquest.com/lib/hochschule-aalen/detail.action?docID=4761626 
982 |2 2027  |1 01  |8 00  |a ebook 
983 |2 2027  |1 01  |8 00  |0 (DE-627)1292188162  |a DK 681.3 
983 |2 2027  |1 01  |8 01  |0 (DE-627)1292197536  |a DK 519.23 
983 |2 2027  |1 01  |8 02  |0 (DE-627)1292263644  |a DK 519.25 
995 |2 70  |1 01  |a OLR-EBC 
995 |2 206  |1 01  |a OLR-EBL 
995 |2 617  |1 01  |a OLR-EBL