Maschinelles Lernen mit Python und R für Dummies
1st Edition
Published on 13. September 2017
Book
Paperback/Softback
405 pages
978-3-527-71363-9 (ISBN)
Description
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.
More details
Persons
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.
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.
Content
UEber die Autoren 13
Einfuehrung 25
Teil I: Einfuehrung in das maschinelle Lernen 29
Kapitel 1: Kuenstliche Intelligenz in Fiktion und Realitaet 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 fuer 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 AEhnlichkeiten 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 fuer maschinelles Lernen 389
Kapitel 23: Zehn Methoden zur Verbesserung Ihrer maschinellen Lernmodelle 395
Stichwortverzeichnis 403
Einfuehrung 25
Teil I: Einfuehrung in das maschinelle Lernen 29
Kapitel 1: Kuenstliche Intelligenz in Fiktion und Realitaet 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 fuer 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 AEhnlichkeiten 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 fuer maschinelles Lernen 389
Kapitel 23: Zehn Methoden zur Verbesserung Ihrer maschinellen Lernmodelle 395
Stichwortverzeichnis 403