UID:
kobvindex_ERBEBC6379306
Format:
1 online resource (246 pages)
ISBN:
9783960104087
Note:
Intro -- Inhalt -- Vorwort -- Kapitel 1: Einleitung -- Verwendete Bibliotheken -- Installation mit pip -- Installation mit conda -- Kapitel 2: Der Vorgang des maschinellen Lernens: Überblick -- Kapitel 3: Klassifikation Schritt für Schritt: der Titanic-Datensatz -- Vorschlag für das Projektlayout -- Importe -- Eine Frage stellen -- Begriffe und Bezeichnungen für die Daten -- Daten sammeln -- Daten säubern -- Merkmale gewinnen -- Stichproben von Daten nehmen -- Daten auffüllen -- Daten normalisieren -- Refaktorieren -- Vergleichsmodell -- Verschiedene Algorithmenfamilien -- Stacking -- Ein Modell erstellen -- Das Modell auswerten -- Das Modell optimieren -- Wahrheitsmatrix -- Grenzwertoptimierungskurve (ROC-Kurve) -- Trainingskurve -- Das Modell einsetzen -- Kapitel 4: Fehlende Daten -- Fehlende Daten untersuchen -- Fehlende Daten entfernen -- Daten auffüllen -- Indikatorspalten hinzufügen -- Kapitel 5: Daten säubern -- Spaltennamen -- Fehlende Werte ersetzen -- Kapitel 6: Erkunden -- Datenmenge -- Zusammenfassende Statistiken -- Histogramm -- Streudiagramm -- Kombidiagramm -- Paarmatrix -- Kasten- und Violinendiagramme -- Vergleich zweier Ordinalwerte -- Korrelation -- RadViz -- Parallele Koordinaten -- Kapitel 7: Daten vorverarbeiten -- Standardisieren -- Den Wertebereich skalieren -- Dummy-Variablen -- Markierungen codieren -- Häufigkeitscodierung -- Kategorien aus Text gewinnen -- Weitere kategoriale Codierungen -- Datumsmerkmale konstruieren -- Ein Merkmal col_na hinzufügen -- Manuelle Merkmalskonstruktion -- Kapitel 8: Merkmalsauswahl -- Kollineare Spalten -- Lasso-Regression -- Rekursiver Ausschluss von Merkmalen -- Wechselseitige Aussagekraft -- Hauptkomponentenverfahren -- Merkmalsgewichtung -- Kapitel 9: Unausgeglichene Klassen -- Eine andere Metrik anwenden -- Baumalgorithmen und Ensembles -- Modelle mit Strafpunkten
,
Minderheiten erweitern -- Minderheitsdaten erzeugen -- Mehrheiten verkleinern -- Erweitern und danach verkleinern -- Kapitel 10: Klassifikation -- Logistische Regression -- Naiver Bayes-Klassifikator -- Supportvektormaschine -- K-nächste Nachbarn -- Entscheidungsbaum -- Random-Forest -- XGBoost -- Gradientenverstärkung mit LightGBM -- TPOT -- Kapitel 11: Modellauswahl -- Validierungskurve -- Lernkurve -- Kapitel 12: Metriken und Beurteilung der Klassifikation -- Wahrheitsmatrix -- Metriken -- Vertrauenswahrscheinlichkeit -- Trefferquote -- Genauigkeit -- F1 (F-Maß) -- Klassifikationstafel -- ROC-Kurve (Grenzwertoptimierungskurve) -- Kurve der Genauigkeit über der Trefferquote -- Kumulatives Gain-Diagramm -- Lift-Kurve -- Ausgeglichenheit der Klassen -- Klassenvorhersagefehler -- Ansprechschwelle -- Kapitel 13: Interpretation von Modellen -- Regressionskoeffizienten -- Merkmalsgewichtung -- LIME -- Interpretation von Bäumen -- Partielle Abhängigkeitsdiagramme -- Stellvertretermodelle -- Shapley -- Kapitel 14: Regression -- Vergleichsmodell -- Lineare Regression -- Supportvektormaschinen (SVM) -- K-nächste Nachbarn -- Entscheidungsbaum -- Random-Forest -- XGBoost-Regression -- Regression mit LightGBM -- Kapitel 15: Metriken und Bewertung der Regression -- Metriken -- Residuendiagramm -- Varianzheterogenität -- Normalverteilte Residuen -- Diagramm des Vorhersagefehlers -- Kapitel 16: Interpretation von Regressionsmodellen -- Shapley -- Kapitel 17: Dimensionsreduktion -- Hauptkomponentenverfahren (PCA) -- UMAP -- t-SNE -- PHATE -- Kapitel 18: Clustern -- K-Means-Algorithmus -- Agglomeratives (hierarchisches) Clustern -- Cluster verstehen -- Kapitel 19: Pipelines -- Klassifikationspipeline -- Regressionspipeline -- Pipeline für das Hauptkomponentenverfahren -- Index
Additional Edition:
Print version: Harrison, Matt Machine Learning – Die Referenz Heidelberg : o'Reilly,c2020 ISBN 9783960091356
Keywords:
Electronic books.
URL:
https://ebookcentral.proquest.com/lib/th-brandenburg/detail.action?docID=6379306
Bookmarklink
