Kooperativer Bibliotheksverbund

UID:

Umfang: 1 online resource (368 pages)

Ausgabe: 1

ISBN: 9783960103066

Anmerkung: Intro -- Einleitung -- Kapitel 1: Vektoren, Matrizen und Arrays -- 1.0 Einführung -- 1.1 Einen Vektor erzeugen -- 1.2 Eine Matrix erstellen -- 1.3 Eine dünn besetzte Matrix erzeugen -- 1.4 Elemente auswählen -- 1.5 Eine Matrix beschreiben -- 1.6 Operationen auf Elemente anwenden -- 1.7 Die Größt- und Kleinstwerte suchen -- 1.8 Mittelwert, Varianz und Standardabweichung berechnen -- 1.9 Die Gestalt von Arrays ändern -- 1.10 Einen Vektor oder eine Matrix transponieren -- 1.11 Eine Matrix verflachen -- 1.12 Den Rang einer Matrix ermitteln -- 1.13 Die Determinante berechnen -- 1.14 Die Diagonale einer Matrix ermitteln -- 1.15 Die Spur einer Matrix berechnen -- 1.16 Eigenwerte und Eigenvektoren suchen -- 1.17 Punktprodukte berechnen -- 1.18 Matrizen addieren und subtrahieren -- 1.19 Matrizen multiplizieren -- 1.20 Eine Matrix invertieren -- 1.21 Zufallswerte erzeugen -- Kapitel 2: Laden von Daten -- 2.0 Einführung -- 2.1 Einen Beispieldatensatz laden -- 2.2 Einen simulierten Datensatz erzeugen -- 2.3 Eine CSV-Datei laden -- 2.4 Eine Excel-Datei laden -- 2.5 Eine JSON-Datei laden -- 2.6 Eine SQL-Datenbank abfragen -- Kapitel 3: Datenaufbereitung -- 3.0 Einführung -- 3.1 Einen Dataframe erstellen -- 3.2 Die Daten beschreiben -- 3.3 In DataFrames navigieren -- 3.4 Zeilen abhängig von Bedingungen auswählen -- 3.5 Werte ersetzen -- 3.6 Spalten umbenennen -- 3.7 Minimum, Maximum, Summe, Mittelwert und Anzahl ermitteln -- 3.8 Eindeutige Werte ermitteln -- 3.9 Fehlende Werte behandeln -- 3.10 Eine Spalte löschen -- 3.11 Eine Zeile löschen -- 3.12 Doppelte Zeilen löschen -- 3.13 Zeilen nach Werten gruppieren -- 3.14 Zeilen nach Zeit gruppieren -- 3.15 Eine Spalte in einer Schleife durchlaufen -- 3.16 Eine Funktion auf alle Elemente in einer Spalte anwenden -- 3.17 Eine Funktion auf Gruppen anwenden -- 3.18 DataFrames verketten -- 3.19 DataFrames zusammenführen , Kapitel 4: Numerische Daten verarbeiten -- 4.0 Einführung -- 4.1 Ein Merkmal neu skalieren -- 4.2 Ein Merkmal standardisieren -- 4.3 Beobachtungen normalisieren -- 4.4 Polynom- und Interaktionsmerkmale erzeugen -- 4.5 Merkmale transformieren -- 4.6 Ausreißer erkennen -- 4.7 Mit Ausreißern umgehen -- 4.8 Merkmale diskretisieren -- 4.9 Beobachtungen durch Clustern gruppieren -- 4.10 Beobachtungen mit fehlenden Werten löschen -- 4.11 Fehlende Werte imputieren -- Kapitel 5: Kategorische Daten behandeln -- 5.0 Einführung -- 5.1 Nominale kategorische Merkmale codieren -- 5.2 Ordinale kategorische Merkmale codieren -- 5.3 Wörterbücher von Merkmalen codieren -- 5.4 Fehlende Klassenwerte imputieren -- 5.5 Umgang mit unausgewogenen Klassen -- Kapitel 6: Text verarbeiten -- 6.0 Einführung -- 6.1 Text bereinigen -- 6.2 HTML parsen und bereinigen -- 6.3 Satzzeichen entfernen -- 6.4 Text in Tokens zerlegen -- 6.5 Stoppwörter entfernen -- 6.6 Stemming -- 6.7 Wortarten markieren -- 6.8 Text als Bag of Words codieren -- 6.9 Wortbedeutung gewichten -- Kapitel 7: Datum und Uhrzeit -- 7.0 Einführung -- 7.1 Strings in Datumswerte konvertieren -- 7.2 Umgang mit Zeitzonen -- 7.3 Datum und Uhrzeit auswählen -- 7.4 Datumsdaten in mehrere Merkmale aufgliedern -- 7.5 Die Differenz zwischen Datumswerten bilden -- 7.6 Wochentage codieren -- 7.7 Ein verzögertes Merkmal erstellen -- 7.8 Gleitende Zeitfenster verwenden -- 7.9 Fehlende Daten in Zeitreihen behandeln -- Kapitel 8: Bilder verarbeiten -- 8.0 Einführung -- 8.1 Bilder laden -- 8.2 Bilder speichern -- 8.3 Bilder in der Größe ändern -- 8.4 Bilder beschneiden -- 8.5 Bilder weichzeichnen -- 8.6 Bilder scharfzeichnen -- 8.7 Kontrast erhöhen -- 8.8 Farben isolieren -- 8.9 Binärbilder erzeugen -- 8.10 Hintergründe entfernen -- 8.11 Kantendetektion -- 8.12 Eckenerkennung -- 8.13 Merkmale für maschinelles Lernen erzeugen , 8.14 Die mittlere Farbe als Merkmal codieren -- 8.15 Farbhistogramme als Merkmale codieren -- Kapitel 9: Verringerung der Dimensionalität durch Merkmalsextraktion -- 9.0 Einführung -- 9.1 Merkmale mithilfe von Hauptkomponenten reduzieren -- 9.2 Merkmale reduzieren, wenn Daten nicht linear separierbar sind -- 9.3 Merkmale durch Maximierung der Klassenseparierbarkeit reduzieren -- 9.4 Merkmale durch Matrixfaktorisierung reduzieren -- 9.5 Merkmale auf schwach besetzten Daten reduzieren -- Kapitel 10: Dimensionalität durch Merkmalsauswahl reduzieren -- 10.0 Einführung -- 10.1 Numerische Merkmale nach dem Schwellenwert von Varianzen auswählen -- 10.2 Binäre Merkmale nach dem Schwellenwert von Varianzen auswählen -- 10.3 Stark korrelierte Merkmale verarbeiten -- 10.4 Für eine Klassifizierung irrelevante Merkmale entfernen -- 10.5 Merkmale rekursiv entfernen -- Kapitel 11: Modellbewertung -- 11.0 Einführung -- 11.1 Kreuzvalidierungsmodelle -- 11.2 Ein Baseline-Regressionsmodell erstellen -- 11.3 Ein Baseline-Klassifizierungsmodell erstellen -- 11.4 Vorhersagen binärer Klassifikatoren bewerten -- 11.5 Schwellenwerte von binären Klassifikatoren bewerten -- 11.6 Mehrklassige Klassifikatorvorhersagen bewerten -- 11.7 Die Performance eines Klassifikators visualisieren -- 11.8 Regressionsmodelle bewerten -- 11.9 Clustermodelle bewerten -- 11.10 Eine benutzerdefinierte Bewertungsmetrik erstellen -- 11.11 Die Wirkung der Trainingsmengengröße visualisieren -- 11.12 Einen Textbericht der Bewertungsmetriken erstellen -- 11.13 Die Wirkung von Hyperparameter-Werten visualisieren -- Kapitel 12: Modellauswahl -- 12.0 Einführung -- 12.1 Beste Modelle mittels erschöpfender Suche auswählen -- 12.2 Beste Modelle mittels Zufallssuche auswählen -- 12.3 Beste Modelle von mehreren Lernalgorithmen auswählen -- 12.4 Beste Modelle bei Vorverarbeitung auswählen , 12.5 Die Modellauswahl durch Parallelisierung beschleunigen -- 12.6 Die Modellauswahl mit algorithmusspezifischen Methoden beschleunigen -- 12.7 Performance nach der Modellauswahl bewerten -- Kapitel 13: Lineare Regression -- 13.0 Einführung -- 13.1 Eine Gerade anpassen -- 13.2 Interaktive Effekte verarbeiten -- 13.3 Eine nichtlineare Beziehung anpassen -- 13.4 Varianz durch Regularisierung verringern -- 13.5 Merkmale mit Lasso-Regression reduzieren -- Kapitel 14: Bäume und Wälder -- 14.0 Einführung -- 14.1 Einen Klassifikator mittels Entscheidungsbaum trainieren -- 14.2 Einen Entscheidungsbaumregressor trainieren -- 14.3 Ein Entscheidungsbaummodell visualisieren -- 14.4 Einen Random-Forest-Klassifikator trainieren -- 14.5 Einen Random-Forest-Regressor trainieren -- 14.6 Wichtige Merkmale in Random Forests identifizieren -- 14.7 Wichtige Merkmale in Random Forests auswählen -- 14.8 Unausgewogene Klassen behandeln -- 14.9 Die Baumgröße steuern -- 14.10 Performance durch Boosting verbessern -- 14.11 Random Forests mit Out-of-Bag-Fehlern bewerten -- Kapitel 15: K-nächste Nachbarn -- 15.0 Einführung -- 15.1 Die nächsten Nachbarn einer Beobachtung suchen -- 15.2 Einen k-nächste-Nachbarn-Klassifikator erzeugen -- 15.3 Die Größe der besten Nachbarschaft ermitteln -- 15.4 Einen radiusbasierten Nächste-Nachbarn- Klassifikator erstellen -- Kapitel 16: Logistische Regression -- 16.0 Einführung -- 16.1 Einen binären Klassifikator trainieren -- 16.2 Einen Multiklassenklassifikator trainieren -- 16.3 Varianz durch Regularisierung verringern -- 16.4 Einen Klassifikator auf sehr großen Daten trainieren -- 16.5 Unausgewogene Klassen verarbeiten -- Kapitel 17: Support Vector Machines -- 17.0 Einführung -- 17.1 Einen linearen Klassifikator trainieren -- 17.2 Nicht linear separierbare Klassen mit Kernels behandeln -- 17.3 Vorhergesagte Wahrscheinlichkeiten erzeugen , 17.4 Stützvektoren bestimmen -- 17.5 Unausgewogene Klassen verarbeiten -- Kapitel 18: Naive Bayes-Klassifikatoren -- 18.0 Einführung -- 18.1 Einen Klassifikator für kontinuierliche Merkmale trainieren -- 18.2 Einen Klassifikator für diskrete und abzählbare Merkmale trainieren -- 18.3 Einen naiven Bayes-Klassifikator für binäre Merkmale trainieren -- 18.4 Vorhergesagte Wahrscheinlichkeiten kalibrieren -- Kapitel 19: Clustering -- 19.0 Einführung -- 19.1 K-Means-Clustering -- 19.2 K-Means-Clustering beschleunigen -- 19.3 Clustering mittels Mean-Shift -- 19.4 Clustering durch hierarchisches Zusammenführen -- Kapitel 20: Neuronale Netze -- 20.0 Einführung -- 20.1 Vorverarbeitung der Daten für neuronale Netze -- 20.2 Ein neuronales Netz entwerfen -- 20.3 Einen binären Klassifikator trainieren -- 20.4 Einen Klassifikator für mehrere Klassen trainieren -- 20.5 Einen Regressor trainieren -- 20.6 Vorhersagen treffen -- 20.7 Den Trainingsverlauf visualisieren -- 20.8 Überanpassung durch Regularisierung der Gewichte vermindern -- 20.9 Überanpassung durch frühes Stoppen verringern -- 20.10 Überanpassung durch Dropout verringern -- 20.11 Den Fortschritt beim Training eines Modells speichern -- 20.12 Neuronale Netze mit k-facher Kreuzvalidierung -- 20.13 Neuronale Netze optimieren -- 20.14 Neuronale Netze visualisieren -- 20.15 Bilder klassifizieren -- 20.16 Höhere Performance durch Bildverbesserung -- 20.17 Text klassifizieren -- Kapitel 21: Trainierte Modelle speichern und laden -- 21.0 Einführung -- 21.1 Ein scikit-learn-Modell speichern und laden -- 21.2 Ein Keras-Modell speichern und laden -- Index -- Über den Autor -- Kolophon

Weitere Ausg.: Print version: Albon, Chris Machine Learning Kochbuch Heidelberg : o'Reilly,c2019 ISBN 9783960090908

Schlagwort(e): Electronic books.

URL: https://ebookcentral.proquest.com/lib/th-brandenburg/detail.action?docID=5739787