Machine Learning - Die Referenz

Produktbeschreibung

Das praktische Nachschlagewerk zum Machine Learning mit strukturierten Daten

* Konzentriert sich auf Themen, die für den praktizierenden Machine-Learning-Anwender interessant sind

* Enthält eine große Anzahl wertvoller Codebeispiele für strukturierte Daten, die in der Praxis konkret weiterhelfen

* Zeigt, wie verschiedene Bibliotheken zur Lösung praktischer Fragestellungen eingesetzt werden

Diese praktische Referenz bietet eine Sammlung von Methoden, Ressourcen und Codebeispielen zur Lösung gängiger Machine-Learning-Probleme bei der Auswertung strukturierter Daten. Matt Harrison hat einen wertvollen Leitfaden zusammengestellt, den Sie als Nachschlagewerk und zur Anregung nutzen können: für eigene Projekte oder als Begleitmaterial für Machine-Learning-Kurse.

Das Buch ist ideal für Data Scientists, Softwareentwickler und Datenanalysten, die Machine Learning praktisch anwenden. Es bietet einen Überblick über den kompletten Machine-Learning-Prozess und stellt Ihnen verschiedene Bibliotheken und Modelle mit ihren jeweiligen Vor- und Nachteilen und Anpassungsmöglichkeiten vor. Die Codebeispiele sind so kompakt und nachvollziehbar, dass Sie sie für Ihre eigenen Projekte verwenden und auch gut anpassen können.

Themen dieser Referenz:

* Klassifikation veranschaulicht am Titanic-Datensatz

* Datenbereinigung und der Umgang mit fehlenden Daten

* Explorative Datenanalyse

* Typische Vorverarbeitungsschritte

* Auswahl von Merkmalen, die für das Modell relevant sind

* Modellauswahl und die Interpretation von Modellen

* Regression mit verschiedenen Machine-Learning-Techniken

* Metriken für die Klassifikations- und Regressionsbewertung

* Clustering und Dimensionsreduktion

* Scikit-learn-Pipelines 

Autoreninfo

Matt Harrison leitet MetaSnake, ein Trainings- und Beratungsunternehmen für Python und Data Science. Er setzt Python seit 2000 in einer Vielzahl von Bereichen ein: Data Science, BI, Speicherung, Testing und Automatisierung, Open-Source-Stack-Management und Finanzen.