Aktion	Zweigstelle	Standorte	Status	Frist	Vorbestellungen
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: NT.EIA Rasch / College 6c - Informatik & Computer	Status: Verfügbar	Frist:	Vorbestellungen: 0
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: NT.EIA Rasch 2. A. / College 6c - Informatik & Computer	Status: Verfügbar	Frist:	Vorbestellungen: 0
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: NT.EIA Rasch 2. A. / College 6c - Informatik & Computer	Status: Verfügbar	Frist:	Vorbestellungen: 0

Datenanalyse mit ausgereiften statistischen Modellen des Machine Learnings

Anwendung der wichtigsten Algorithmen und Python-Bibliotheken wie NumPy, SciPy, Scikit-learn, TensorFlow, Matplotlib, Pandas und Keras

Best Practices zur Optimierung Ihrer Machine-Learning-Algorithmen

 

Machine Learning und Predictive Analytics verändern die Arbeitsweise von Unternehmen grundlegend. Die Fähigkeit, in komplexen Daten Trends und Muster zu erkennen, ist heutzutage für den langfristigen geschäftlichen Erfolg ausschlaggebend und entwickelt sich zu einer der entscheidenden Wachstumsstrategien.

Die zweite Auflage dieses Buchs berücksichtigt die jüngsten Entwicklungen und Technologien, die für Machine Learning, Neuronale Netze und Deep Learning wichtig sind. Dies betrifft insbesondere die neuesten Open-Source-Bibliotheken wie Scikit-learn, Keras und TensorFlow.

Python zählt zu den führenden Programmiersprachen in den Bereichen Machine Learning, Data Science und Deep Learning und ist besonders gut dazu geeignet, grundlegende Erkenntnisse aus Ihren Daten zu gewinnen sowie ausgefeilte Algorithmen und statistische Modelle auszuarbeiten, die neue Einsichten liefern und wichtige Fragen beantworten.

Die Autoren erläutern umfassend den Einsatz von Machine-Learning- und Deep-Learning-Algorithmen und wenden diese anhand zahlreicher Beispiele praktisch an. Dafür behandeln sie in diesem Buch ein breites Spektrum leistungsfähiger Python-Bibliotheken wie Scikit-learn, Keras und TensorFlow. Sie lernen detailliert, wie Sie Python für maschinelle Lernverfahren einsetzen und dabei eine Vielzahl von statistischen Modellen verwenden.

Aus dem Inhalt:

Trainieren von Lernalgorithmen für die Klassifizierung

Regressionsanalysen zum Prognostizieren von Ergebnissen

Clusteranalyse zum Auffinden verborgener Muster und Strukturen in Ihren Daten

Deep-Learning-Verfahren zur Bilderkennung

Optimale Organisation Ihrer Daten durch effektive Verfahren zur Vorverarbeitung

Datenkomprimierung durch Dimensionsreduktion

Training Neuronaler Netze mit TensorFlow

Kombination verschiedener Modelle für das Ensemble Learning

Einbettung eines Machine-Learning-Modells in eine Webanwendung

Stimmungsanalyse in Social Networks

Modellierung sequenzieller Daten durch rekurrente Neuronale Netze.

Verlagstext