Pro Machine Learning Algorithmen: Ein praktischer Ansatz zur Implementierung von Algorithmen in Python und R

Bewertung:   (4,4 von 5)

Pro Machine Learning Algorithmen: Ein praktischer Ansatz zur Implementierung von Algorithmen in Python und R (Kishore Ayyadevara V.)

Leserbewertungen

Zusammenfassung:

Das Buch ist sowohl für Anfänger als auch für Fortgeschrittene im Bereich des maschinellen Lernens sehr empfehlenswert. Es veranschaulicht effektiv die wichtigsten Konzepte des maschinellen Lernens mithilfe von Tools wie Excel, R und Python, wodurch es auch für Leser ohne datenwissenschaftlichen Hintergrund zugänglich und verständlich ist. Der Inhalt wird klar und logisch dargestellt, so dass komplexe Algorithmen leichter zu verstehen sind.

Vorteile:

Detaillierte Erklärungen von Konzepten des maschinellen Lernens
für Anfänger zugänglich
praktische Verwendung von Tools wie Excel, R und Python
unkomplizierte Darstellung von Algorithmen
sowohl für Anfänger als auch für Fortgeschrittene geeignet
gut zur Vorbereitung auf Vorstellungsgespräche.

Nachteile:

Einige Leser könnten feststellen, dass es dem Buch an Tiefe bei fortgeschrittenen mathematischen Konzepten oder Techniken mangelt, da es den Schwerpunkt auf Zugänglichkeit statt Komplexität legt.

(basierend auf 6 Leserbewertungen)

Originaltitel:

Pro Machine Learning Algorithms: A Hands-On Approach to Implementing Algorithms in Python and R

Inhalt des Buches:

Kapitel 1: Grundlegende StatistikZiel des Kapitels: Schaffung der statistischen Grundlagen für maschinelles Lernen Anzahl der Seiten 20Unterthemen1. Einführung in verschiedene statistische Funktionen1. Einführung in Verteilungen2. Hypothesentests3. Fallklassen.

Kapitel 2: Lineare Regression Ziel des Kapitels: Dem Leser helfen, die lineare Regression mit der Theorie und den praktischen Konzepten zu beherrschen Anzahl der Seiten: 25Unter - Themen 1. Einführung in die Regression 2. Kleinster quadratischer Fehler3. Implementierung der linearen Regression in Excel, R und Python4. Fehler messen.

Kapitel 3: Logistische RegressionZiel des Kapitels: Dem Leser zu helfen, die logistische Regression mit der Theorie und den praktischen Konzepten zu beherrschen Anzahl der Seiten: 25Unter - Themen: 1. Einführung in die logistische Regression 2. Kreuzentropie-Fehler3. Implementierung der logistischen Regression in Excel, R und Python4. Berechnung der Fläche unter der Kurve.

Kapitel 4: EntscheidungsbaumZiel des Kapitels: Dem Leser helfen, den Entscheidungsbaum mit der Theorie und den praktischen Konzepten zu beherrschen Anzahl der Seiten: 40Unter - Themen: 1. Einführung in den Entscheidungsbaum 2. Informationsgewinn3. Entscheidungsbaum für Klassifizierung und Regression4. Implementierung von Entscheidungsbäumen in Excel, R und Python5. FehlermessungKapitel 5: Zufällige WälderZiel: Dem Leser helfen, zufällige Wälder mit der Theorie und den praktischen Konzepten zu beherrschen Anzahl der Seiten: 15Unter - Themen: 1. Der Übergang vom Entscheidungsbaum zum Random Forest2. Implementierung von Random Forest in R & Python unter Verwendung von Entscheidungsbaumfunktionen Kapitel 6: GBMCKapitelziel: Dem Leser helfen, GBM mit der Theorie und praktischen Konzepten zu beherrschen Anzahl der Seiten: 20Unter - Themen: 1. Verstehen des Gradient-Boosting-Prozesses2. Unterschied zwischen Gradient Boost & Adaboost3. Implementierung von GBM in R & Python unter Verwendung von Entscheidungsbaumfunktionen Kapitel 7: Neuronales NetzwerkZiel des Kapitels: Dem Leser zu helfen, ein neuronales Netzwerk mit der Theorie und praktischen Konzepten zu beherrschenAnzahl der Seiten: 30Unter - Themen: 1. Vorwärtsvermehrung2. Rückwärtsfortpflanzung3. Auswirkung von Epochen und Lernrate4. Implementierung neuronaler Netze in Excel, R und Python Kapitel 8: Faltungsneuronale NetzeZiel des Kapitels: Unterstützung des Lesers bei der Beherrschung von CNN durch Theorie und praktische KonzepteAnzahl der Seiten: 30Unter - Themen: 1. Der Übergang von NN zu CNN2. Wichtige Parameter im CNN3. Implementierung von CNN in Excel und Python.

Kapitel 9: RNNKapitel Ziel: Dem Leser helfen, RNN mit der Theorie und den praktischen Konzepten zu beherrschenAnzahl der Seiten: 25Unter - Themen: 1. Notwendigkeit von RNN2. Wichtige Varianten von RNN3. &nb.

Weitere Daten des Buches:

ISBN:9781484235638
Autor:
Verlag:
Einband:Taschenbuch

Kauf:

Derzeit verfügbar, auf Lager.

Ich kaufe es!

Weitere Bücher des Autors:

Pro Machine Learning Algorithmen: Ein praktischer Ansatz zur Implementierung von Algorithmen in...
Kapitel 1: Grundlegende StatistikZiel des...
Pro Machine Learning Algorithmen: Ein praktischer Ansatz zur Implementierung von Algorithmen in Python und R - Pro Machine Learning Algorithms: A Hands-On Approach to Implementing Algorithms in Python and R

Die Werke des Autors wurden von folgenden Verlagen veröffentlicht:

© Book1 Group - Alle Rechte vorbehalten.
Der Inhalt dieser Seite darf weder teilweise noch vollständig ohne schriftliche Genehmigung des Eigentümers kopiert oder verwendet werden.
Letzte Änderung: 2024.11.13 22:11 (GMT)