Aktion	Zweigstelle	Standorte	Status	Frist	Vorbestellungen
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: NT.EIA Burk / College 6c - Informatik & Computer	Status: Verfügbar	Frist:	Vorbestellungen: 0
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: NT.EIA Burk / College 6c - Informatik & Computer	Status: Verfügbar	Frist:	Vorbestellungen: 0
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: NT.EIA Burk / College 6c - Informatik & Computer	Status: Verfügbar	Frist:	Vorbestellungen: 0
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: NT.EIA Burk / College 6c - Informatik & Computer	Status: Entliehen	Frist: 30.04.2024	Vorbestellungen: 0

Alles, was Sie über Machine Learning wissen müssen, auf nur 200 Seiten

Von Support Vector Machines über Gradient Boosting und tiefe neuronale Netze bis hin zu unüberwachten Lernmethoden

Zahlreiche Tipps und Empfehlungen für den praktischen Einsatz

Sie möchten Machine Learning verstehen und dafür nicht unendlich viel Zeit aufwenden und Hunderte von Seiten lesen? Dann ist dieses Buch das richtige für Sie.

Auf 200 Seiten bringt Andriy Burkov die wichtigsten Begriffe, Konzepte und Algorithmen des Machine Learnings auf den Punkt. Dabei vermittelt er nicht nur alle notwendigen theoretischen Grundlagen, sondern geht auch auf die praktische Anwendung der einzelnen Verfahren ein, ohne dabei die zugrundeliegenden mathematischen Gleichungen außer Acht zu lassen.

Dieses Buch bietet einen leicht zugänglichen, programmiersprachenunabhängigen und trotz seiner Kürze umfassenden Einstieg ins Machine Learning.

Aus dem Inhalt:

Notation und mathematische Grundlagen

Überwachtes, teilüberwachtes und unüberwachtes Lernen

Grundlegende Lernalgorithmen:

Lineare und logistische Regression

Entscheidungsbäume

Support Vector Machines

k-Nearest-Neighbors

Optimierung mittels Gradientenabstieg

Merkmalserstellung und Handhabung fehlender Merkmale

Auswahl des passenden Lernalgorithmus

Bias, Varianz und das Problem der Unter- und Überanpassung

Regularisierung, Bewertung eines Modells und Abstimmung der Hyperparameter

Deep Learning mit CNNs, RNNs und Autoencodern

Multi-Class-, One-Class- und Multi-Label-Klassifikation

Ensemble Learning

Clustering, Dimensionsreduktion und Erkennen von Ausreißern

Selbstüberwachtes Lernen

Wort-Embeddings, One-Shot und Zero-Shot Learning

Verlagstext