Deep Learning mit strukturierten Daten

Bewertung: ⭐⭐⭐  (3,0 von 5)

Leserbewertungen

Zusammenfassung:

Das Buch richtet sich an Anfänger im Bereich des maschinellen Lernens und behandelt wichtige Themen wie Datenbereinigung und den Umgang mit realen Datensätzen. Für diejenigen, die bereits mit maschinellem Lernen vertraut sind und vertiefte Deep-Learning-Inhalte wünschen, ist das Buch jedoch nicht geeignet, da es dem Deep Learning nur zwei Kapitel widmet und es ihm an Komplexität in seinen Diskussionen mangelt.

Vorteile:

⬤ Geeignet für Anfänger im Bereich des maschinellen Lernens
⬤ gründliche Behandlung der Datenbereinigung und der Herausforderungen realer Datensätze
⬤ praktische Beispiele für den Einsatz von Modellen und den Umgang mit unausgewogenen Daten.

Nachteile:

⬤ Unzureichende Tiefe der Deep-Learning-Themen
⬤ beschränkt auf zwei Kapitel für Deep Learning
⬤ verwendet einfachere Datensätze (z.B. MNIST), die möglicherweise nicht mit dem Titel des Buches übereinstimmen
⬤ wenig überzeugende Leistung von Deep-Learning-Modellen im Vergleich zu traditionellen Modellen wie XGBoost.

(basierend auf 3 Leserbewertungen)

Originaltitel:

Deep Learning with Structured Data

Inhalt des Buches:

Deep Learning mit strukturierten Daten vermittelt Ihnen leistungsstarke Datenanalysetechniken für tabellarische Daten und relationale Datenbanken.

(Zusammenfassung)

Deep Learning bietet das Potenzial, komplexe Muster und Beziehungen zu erkennen, die in Daten aller Art verborgen sind. Deep Learning with Structured Data zeigt Ihnen, wie Sie leistungsstarke Deep-Learning-Analysetechniken auf die Art von strukturierten, tabellarischen Daten anwenden, die Sie in den relationalen Datenbanken finden, auf die Unternehmen in der Praxis angewiesen sind. Dieses Buch ist voller praktischer, relevanter Anwendungen und zeigt Ihnen, wie Deep Learning Ihre bestehenden Systeme für maschinelles Lernen und Business Intelligence erweitern kann.

Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.

Über die Technologie

Ich verrate Ihnen ein schmutziges Geheimnis: Die Hälfte der Zeit in den meisten Data-Science-Projekten wird mit dem Bereinigen und Aufbereiten von Daten verbracht. Aber es gibt einen besseren Weg: Deep-Learning-Techniken, die für tabellarische Daten und relationale Datenbanken optimiert sind, liefern Erkenntnisse und Analysen, ohne dass ein intensives Feature Engineering erforderlich ist. Erlernen Sie die Fähigkeiten, um die Leistung von Deep Learning mit viel weniger Datenfilterung, -validierung und -bereinigung zu nutzen.

Über das Buch

Deep Learning mit strukturierten Daten vermittelt Ihnen leistungsstarke Datenanalysetechniken für tabellarische Daten und relationale Datenbanken. Beginnen Sie mit einem Datensatz, der auf dem Verkehrssystem von Toronto basiert. Während Sie das Buch durcharbeiten, lernen Sie, wie einfach es ist, tabellarische Daten für Deep Learning einzurichten und gleichzeitig wichtige Produktionsprobleme wie Bereitstellung und Leistungsüberwachung zu lösen.

Inhalt

Wann und wo Sie Deep Learning einsetzen sollten.

Die Architektur eines Keras Deep-Learning-Modells.

Training, Einsatz und Wartung von Modellen.

Messung der Leistung.

Über den Leser

Für Leser mit mittleren Kenntnissen in Python und maschinellem Lernen.

Über den Autor

Mark Ryan ist Data Science Manager bei Intact Insurance. Er hat einen Master-Abschluss in Informatik von der University of Toronto.

Inhaltsverzeichnis

1 Warum Deep Learning mit strukturierten Daten?

2 Einführung in das Beispielproblem und Pandas Dataframes.

3 Aufbereitung der Daten, Teil 1: Erkundung und Bereinigung der Daten.

4 Aufbereitung der Daten, Teil 2: Transformieren der Daten.

5 Vorbereiten und Erstellen des Modells.

6 Trainieren des Modells und Ausführen von Experimenten.

7 Weitere Experimente mit dem trainierten Modell.

8 Einsetzen des Modells.

9 Empfohlene nächste Schritte.

Weitere Daten des Buches:

• ISBN: 9781617296727
• Autor: Mark Ryan
• Verlag: Manning Pubn
• Einband: Taschenbuch
• Erscheinungsjahr: 2021
• Seitenzahl: 264