Maschinelles Lernen ist aufregend: Mit schnellen Prozessoren und großen Speichern können Computer aus Erfahrungen lernen, künstliche Intelligenz kommt wieder in Reichweite. Mit diesem Buch verstehen Sie, was maschinelles Lernen bedeutet, für welche Probleme es sich eignet, welche neuen Herangehensweisen damit möglich sind und wie Sie mit Python, R und speziellen Werkzeugen maschinelles Lernen implementieren. Sie brauchen dafür keine jahrelange Erfahrung als Programmierer und kein Mathematikstudium. Die praktische Anwendung maschinellen Lernens steht in diesem Buch im Vordergrund. Spielen Sie…mehr
Maschinelles Lernen ist aufregend: Mit schnellen Prozessoren und großen Speichern können Computer aus Erfahrungen lernen, künstliche Intelligenz kommt wieder in Reichweite. Mit diesem Buch verstehen Sie, was maschinelles Lernen bedeutet, für welche Probleme es sich eignet, welche neuen Herangehensweisen damit möglich sind und wie Sie mit Python, R und speziellen Werkzeugen maschinelles Lernen implementieren. Sie brauchen dafür keine jahrelange Erfahrung als Programmierer und kein Mathematikstudium. Die praktische Anwendung maschinellen Lernens steht in diesem Buch im Vordergrund. Spielen Sie mit den Tools und haben Sie Spaß dabei! Lernen Sie Fakten und Mythen zum maschinellen Lernen zu unterscheiden.
John Mueller ist freier Autor und technischer Redakteur. Er hat das Bücherschreiben im Blut. Bis heute hat er 99 Bücher und mehr als 600 Artikel geschrieben. Sein Themenspektrum reicht von Netzwerken zu Datensicherheit und von Datenbankmanagement zu Programmierung. Luca Massaron ist Data Scientist und geübt darin, Big Data in Smart Data zu überführen. Er nutzt am liebsten die ganz einfachen, aber dennoch effektiven Techniken des Data Mining und des maschinellen Lernens.
Inhaltsangabe
Über die Autoren 13 Einführung 25 Teil I: Einführung in das maschinelle Lernen 29 Kapitel 1: Künstliche Intelligenz in Fiktion und Realität 31 Kapitel 2: Lernen im Zeitalter von Big Data 43 Kapitel 3: Ein Ausblick auf die Zukunft 53 Teil II: Einrichtung Ihrer Programmierumgebung 63 Kapitel 4: Installation einer R-Distribution 65 Kapitel 5: Programmierung mit R und RStudio 83 Kapitel 6: Installation einer Python-Distribution 107 Kapitel 7: Programmierung mit Python und Anaconda 127 Kapitel 8: Weitere Softwareprogramme für maschinelles Lernen 151 Teil III: Mathematische Grundlagen 159 Kapitel 9: Mathematische Grundlagen des maschinellen Lernens 161 Kapitel 10: Fehlerfunktionen und ihre Minimierung 179 Kapitel 11: Validierung von maschinellem Lernen 191 Kapitel 12: Einfache Lerner 209 Teil IV: Aufbereitung und Verwendung von Daten zum Lernen 225 Kapitel 13: Vorverarbeitung von Daten 227 Kapitel 14: Ausnutzung von Ähnlichkeiten in Daten 245 Kapitel 15: Einfache Anwendung von linearen Modellen 265 Kapitel 16: Komplexere Lernverfahren und neuronale Netze 287 Kapitel 17: Support Vector Machines und Kernel-Funktionen 303 Kapitel 18: Kombination von Lernalgorithmen in Ensembles 321 Teil V: Praktische Anwendung von maschinellem Lernen 337 Kapitel 19: Klassifikation von Bildern 339 Kapitel 20: Bewertung von Meinungen und Stimmungslagen 353 Kapitel 21: Produkt- und Filmempfehlungen 373 Teil VI: Der Top-Ten-Teil 387 Kapitel 22: Zehn wichtige Pakete für maschinelles Lernen 389 Kapitel 23: Zehn Methoden zur Verbesserung Ihrer maschinellen Lernmodelle 395 Stichwortverzeichnis 403
Über die Autoren 13 Einführung 25 Teil I: Einführung in das maschinelle Lernen 29 Kapitel 1: Künstliche Intelligenz in Fiktion und Realität 31 Kapitel 2: Lernen im Zeitalter von Big Data 43 Kapitel 3: Ein Ausblick auf die Zukunft 53 Teil II: Einrichtung Ihrer Programmierumgebung 63 Kapitel 4: Installation einer R-Distribution 65 Kapitel 5: Programmierung mit R und RStudio 83 Kapitel 6: Installation einer Python-Distribution 107 Kapitel 7: Programmierung mit Python und Anaconda 127 Kapitel 8: Weitere Softwareprogramme für maschinelles Lernen 151 Teil III: Mathematische Grundlagen 159 Kapitel 9: Mathematische Grundlagen des maschinellen Lernens 161 Kapitel 10: Fehlerfunktionen und ihre Minimierung 179 Kapitel 11: Validierung von maschinellem Lernen 191 Kapitel 12: Einfache Lerner 209 Teil IV: Aufbereitung und Verwendung von Daten zum Lernen 225 Kapitel 13: Vorverarbeitung von Daten 227 Kapitel 14: Ausnutzung von Ähnlichkeiten in Daten 245 Kapitel 15: Einfache Anwendung von linearen Modellen 265 Kapitel 16: Komplexere Lernverfahren und neuronale Netze 287 Kapitel 17: Support Vector Machines und Kernel-Funktionen 303 Kapitel 18: Kombination von Lernalgorithmen in Ensembles 321 Teil V: Praktische Anwendung von maschinellem Lernen 337 Kapitel 19: Klassifikation von Bildern 339 Kapitel 20: Bewertung von Meinungen und Stimmungslagen 353 Kapitel 21: Produkt- und Filmempfehlungen 373 Teil VI: Der Top-Ten-Teil 387 Kapitel 22: Zehn wichtige Pakete für maschinelles Lernen 389 Kapitel 23: Zehn Methoden zur Verbesserung Ihrer maschinellen Lernmodelle 395 Stichwortverzeichnis 403
Es gelten unsere Allgemeinen Geschäftsbedingungen: www.buecher.de/agb
Impressum
www.buecher.de ist ein Internetauftritt der buecher.de internetstores GmbH
Geschäftsführung: Monica Sawhney | Roland Kölbl | Günter Hilger
Sitz der Gesellschaft: Batheyer Straße 115 - 117, 58099 Hagen
Postanschrift: Bürgermeister-Wegele-Str. 12, 86167 Augsburg
Amtsgericht Hagen HRB 13257
Steuernummer: 321/5800/1497
USt-IdNr: DE450055826
