Buch Maschinelles Lernen

    BildHallo Khabrozhiteli, zu uns aus der Druckerei ist endlich eine Neuheit von Henrik Brink, Joseph Richards und Mark Feverowolf gekommen.

    In diesem Buch können Programmierer, Datenanalysten, Statistiker, Datenverarbeitungsspezialisten und alle anderen das maschinelle Lernen anwenden, um echte Probleme zu lösen, oder auch nur zu verstehen, was es ist. Der Leser kann, ohne auf eine gründliche theoretische Untersuchung spezifischer Algorithmen zurückgreifen zu müssen, praktische Erfahrung in der Verarbeitung realer Daten sowie in der Modellierung, Optimierung und Bereitstellung maschineller Lernsysteme sammeln. Für diejenigen, die sich für Theorie interessieren, diskutieren wir die mathematischen Grundlagen des maschinellen Lernens, erklären einige Algorithmen und stellen Links zu Materialien zum zusätzlichen Lesen bereit. Der Schwerpunkt liegt auf praktischen Ergebnissen bei der Lösung von Aufgaben.


    Das Buch richtet sich an diejenigen, die maschinelles Lernen anwenden möchten, um verschiedene Probleme zu lösen. Es beschreibt und erklärt die Prozesse, Algorithmen und Werkzeuge im Zusammenhang mit den Grundprinzipien des maschinellen Lernens. Das Augenmerk richtet sich nicht auf die Methoden zum Schreiben gängiger Algorithmen, sondern auf deren praktische Anwendung. Jede Phase des Aufbaus und der Verwendung von Modellen für maschinelles Lernen wird anhand von Beispielen veranschaulicht, deren Komplexität von einfach bis mittelschwer variiert.

    Buchstruktur


    In Teil I, „Die Abfolge der Aktionen beim maschinellen Lernen“, werden die fünf Phasen der grundlegenden Abfolge des maschinellen Lernens vorgestellt:

    • Kapitel 1, „Was ist maschinelles Lernen?“ Beschreibt, was maschinelles Lernen ist und wofür es gedacht ist.

    • In Kapitel 2, „Reale Daten“, werden die charakteristischen Phasen der Datenaufbereitung für maschinelle Lernmodelle ausführlich erläutert.

    • In Kapitel 3, Modellierung und Prognose, wird unter Verwendung gängiger Algorithmen und Bibliotheken das Erstellen einfacher ML-Modelle und das Generieren von Prognosen erläutert.

    • In Kapitel 4, „Schätzen und Optimieren eines Modells“, werden ML-Modelle ausführlich erläutert, um ihre Leistung zu bewerten und zu optimieren.

    • In Kapitel 5, „Grundlagen des Zeichendesigns“, wird erläutert, wie Sie die Menge der Rohdaten mithilfe der Informationen aus unserer Aufgabe erhöhen können.

    In Teil II, „Praktische Anwendung“, werden Skalierungstechniken für Modelle sowie Techniken zum Extrahieren von Merkmalen aus Text, Bildern und Zeitreihen vorgestellt, mit denen sich viele moderne Probleme beim maschinellen Lernen effizienter lösen lassen. Dieser Teil enthält drei Kapitel mit praktischen Beispielen.

    • In Kapitel 6, „Beispiel: Trinkgeld für Taxifahrer“, wird das Beispiel als erstes vollständig untersucht. Wir werden versuchen, die Chancen des Taxifahrers vorherzusagen, ein Trinkgeld zu erhalten.

    • In Kapitel 7, Erweitertes Feature-Design, werden erweiterte Feature-Design-Techniken zum Extrahieren von Werten aus Texten, Bildern und Zeitreihen vorgestellt.

    • In Kapitel 8, Ein Beispiel für die Verarbeitung natürlicher Sprachen, werden fortgeschrittene Feature-Design-Techniken verwendet, um die Tonalität von Filmkritiken vorherzusagen.

    • In Kapitel 9, „Skalieren des maschinellen Lernprozesses“, werden Techniker vorgestellt, die es ML-Systemen ermöglichen, mit großen Datenmengen zu arbeiten, die Prognosegeschwindigkeit zu erhöhen und die Wartezeiten zu verkürzen.

    • In Kapitel 10, „Beispiel für digitale Werbung“, wird eine große Datenmenge verwendet, um ein Modell zu erstellen, das die Wahrscheinlichkeit eines Übergangs durch ein Werbebanner vorhersagt.

    Wie lese ich dieses Buch?


    Diejenigen, die noch keine Erfahrung auf dem Gebiet des maschinellen Lernens haben, werden in den Kapiteln 1 bis 5 die Prozesse der Aufbereitung und Erforschung von Daten, des Entwerfens von Merkmalen, des Modellierens und Bewertens von Modellen vorstellen. In den Python-Codebeispielen werden beliebte Bibliotheken wie Pandas und Scikit-Learn verwendet. Die Kapitel 6 bis 10 enthalten drei praktische Beispiele für maschinelles Lernen sowie fortgeschrittene Themen wie Feature-Design und -Optimierung. Da der größte Rechenaufwand in Bibliotheken enthalten ist, können diese Code-Snippets einfach an Ihre eigenen ML-Anwendungen angepasst werden.

    Über Autoren


    Henrik Brink ist ein Datenverarbeitungs- und Analysespezialist und Softwareentwickler mit langjähriger praktischer Erfahrung im maschinellen Lernen sowohl in der Fertigung als auch in der Forschung.

    Joseph Richards ist Senior Fellow für angewandte Statistik und Predictive Analytics. Henrik und Joseph gründeten Wise.io, ein Unternehmen, das Lösungen für maschinelles Lernen für die Branche entwickelt.

    Mark Feverolf- Gründer und Präsident von Numinary Data Science, einem Unternehmen, das sich auf Datenmanagement und Predictive Analytics spezialisiert hat. Er arbeitete als Statistiker und Entwickler von analytischen Datenbanken in den Bereichen Sozialwissenschaften, Chemieingenieurwesen, Leistung von Informationssystemen, Produktionsplanung, Kabelfernsehen und Online-Werbeanwendungen.

    »Weitere Informationen zum Buch finden Sie auf der Website des Herausgebers.
    » Inhaltsverzeichnis
    » Auszug

    für Khabrozhiteley 25% Rabatt auf den Gutschein - Maschinelles Lernen

    Jetzt auch beliebt: