Nouveauté
Datenwissenschaft mit Python Überwachte Lerntechniken: KNN, SVM, Naive Bayes, Bagging, Boosting, Stacking und Neuronale Netzwerke. DATA SCIENCE
Par :Formats :
Disponible dans votre compte client Decitre ou Furet du Nord dès validation de votre commande. Le format ePub est :
- Compatible avec une lecture sur My Vivlio (smartphone, tablette, ordinateur)
- Compatible avec une lecture sur liseuses Vivlio
- Pour les liseuses autres que Vivlio, vous devez utiliser le logiciel Adobe Digital Edition. Non compatible avec la lecture sur les liseuses Kindle, Remarkable et Sony
, qui est-ce ?Notre partenaire de plateforme de lecture numérique où vous retrouverez l'ensemble de vos ebooks gratuitement
Pour en savoir plus sur nos ebooks, consultez notre aide en ligne ici
C'est si simple ! Lisez votre ebook avec l'app Vivlio sur votre tablette, mobile ou ordinateur :
- FormatePub
- ISBN8232018566
- EAN9798232018566
- Date de parution17/11/2025
- Protection num.pas de protection
- Infos supplémentairesepub
- ÉditeurHamza elmir
Résumé
Data-Science-Algorithmen nutzen rechnergestützte Methoden, um Informationen direkt aus Daten zu extrahieren. Beim maschinellen Lernen kommen zwei Arten von Techniken zum Einsatz: überwachtes Lernen, bei dem ein Modell mit bekannten Eingabe- und Ausgabedaten trainiert wird, sodass es zukünftige Ergebnisse vorhersagen kann, und unüberwachtes Lernen, bei dem in den Eingabedaten versteckte Muster oder inhärente Strukturen gefunden werden.
Die meisten Techniken des überwachten Lernens werden in diesem Buch sowohl aus methodischer als auch aus praktischer Sicht mit Anwendungen mithilfe der Python-Software entwickelt. Die folgenden Techniken werden ausführlich untersucht: Nearest Neighbor (kNN), Support Vector Machine (SVM), Naive Bayes, Ensemble-Methoden, Bagging, Boosting, Voting, Stacking, Blending, Random Forest, neuronale Netzwerke, Multilayer Perceptron, Radial Basis Networks, Hopfield Networks, LSTM Networks, RNN Recurrent Networks, GRU Networks und neuronale Netzwerke zur Zeitreihenvorhersage.
Die meisten Techniken des überwachten Lernens werden in diesem Buch sowohl aus methodischer als auch aus praktischer Sicht mit Anwendungen mithilfe der Python-Software entwickelt. Die folgenden Techniken werden ausführlich untersucht: Nearest Neighbor (kNN), Support Vector Machine (SVM), Naive Bayes, Ensemble-Methoden, Bagging, Boosting, Voting, Stacking, Blending, Random Forest, neuronale Netzwerke, Multilayer Perceptron, Radial Basis Networks, Hopfield Networks, LSTM Networks, RNN Recurrent Networks, GRU Networks und neuronale Netzwerke zur Zeitreihenvorhersage.
Data-Science-Algorithmen nutzen rechnergestützte Methoden, um Informationen direkt aus Daten zu extrahieren. Beim maschinellen Lernen kommen zwei Arten von Techniken zum Einsatz: überwachtes Lernen, bei dem ein Modell mit bekannten Eingabe- und Ausgabedaten trainiert wird, sodass es zukünftige Ergebnisse vorhersagen kann, und unüberwachtes Lernen, bei dem in den Eingabedaten versteckte Muster oder inhärente Strukturen gefunden werden.
Die meisten Techniken des überwachten Lernens werden in diesem Buch sowohl aus methodischer als auch aus praktischer Sicht mit Anwendungen mithilfe der Python-Software entwickelt. Die folgenden Techniken werden ausführlich untersucht: Nearest Neighbor (kNN), Support Vector Machine (SVM), Naive Bayes, Ensemble-Methoden, Bagging, Boosting, Voting, Stacking, Blending, Random Forest, neuronale Netzwerke, Multilayer Perceptron, Radial Basis Networks, Hopfield Networks, LSTM Networks, RNN Recurrent Networks, GRU Networks und neuronale Netzwerke zur Zeitreihenvorhersage.
Die meisten Techniken des überwachten Lernens werden in diesem Buch sowohl aus methodischer als auch aus praktischer Sicht mit Anwendungen mithilfe der Python-Software entwickelt. Die folgenden Techniken werden ausführlich untersucht: Nearest Neighbor (kNN), Support Vector Machine (SVM), Naive Bayes, Ensemble-Methoden, Bagging, Boosting, Voting, Stacking, Blending, Random Forest, neuronale Netzwerke, Multilayer Perceptron, Radial Basis Networks, Hopfield Networks, LSTM Networks, RNN Recurrent Networks, GRU Networks und neuronale Netzwerke zur Zeitreihenvorhersage.
