handbuch data science machine (15 résultats)

Etat : good. Befriedigend/Good: Durchschnittlich erhaltenes Buch bzw. Schutzumschlag mit Gebrauchsspuren, aber vollständigen Seiten. / Describes the average WORN book or dust jacket that has all the pages present.

Softcover. Etat : Gut. 2. aktualisierte und erweiterte Auflage. 577 S. altersgmeäße Gebrauchsspuren, insgesamt gut erhalten, Fach: H6 H6 //Rechnung mit ausgewiesener MwSt. liegt bei.// Sprache: Englisch Gewicht in Gramm: 972.

Paperback. Etat : New. 3. überarbeitete Auflage 2021.

Paperback. Etat : Brand New. German language. 9.37x6.73x1.65 inches. In Stock.

Etat : good. Befriedigend/Good: Durchschnittlich erhaltenes Buch bzw. Schutzumschlag mit Gebrauchsspuren, aber vollständigen Seiten. / Describes the average WORN book or dust jacket that has all the pages present.

Etat : good. Befriedigend/Good: Durchschnittlich erhaltenes Buch bzw. Schutzumschlag mit Gebrauchsspuren, aber vollständigen Seiten. / Describes the average WORN book or dust jacket that has all the pages present.

Softcover. Etat : Gut bis sehr gut. 3. Auflage. Datenanalyse mit ausgereiften statistischen Modellen des Machine Learnings Anwendung der wichtigsten Algorithmen und Python-Bibliotheken wie NumPy, SciPy, Scikit-learn, Keras, TensorFlow 2, Pandas und Matplotlib Best Practices zur Optimierung Ihrer Machine-Learning-Algorithmen Mit diesem Buch erhalten Sie eine umfassende Einführung in die Grundlagen und den effektiven Einsatz von Machine-Learning- und Deep-Learning-Algorithmen und wenden diese anhand zahlreicher Beispiele praktisch an. Dafür setzen Sie ein breites Spektrum leistungsfähiger Python-Bibliotheken ein, insbesondere Keras, TensorFlow 2 und Scikit-learn. Auch die für die praktische Anwendung unverzichtbaren mathematischen Konzepte werden verständlich und anhand zahlreicher Diagramme anschaulich erläutert. Die dritte Auflage dieses Buchs wurde für TensorFlow 2 komplett aktualisiert und berücksichtigt die jüngsten Entwicklungen und Technologien, die für Machine Learning, Neuronale Netze und Deep Learning wichtig sind. Dazu zählen insbesondere die neuen Features der Keras-API, das Synthetisieren neuer Daten mit Generative Adversarial Networks (GANs) sowie die Entscheidungsfindung per Reinforcement Learning. Ein sicherer Umgang mit Python wird vorausgesetzt. Aus dem Inhalt: Trainieren von Lernalgorithmen und Implementierung in Python Gängige Klassifikationsalgorithmen wie Support Vector Machines (SVM), Entscheidungsbäume und Random Forest Natural Language Processing zur Klassifizierung von Filmbewertungen Clusteranalyse zum Auffinden verborgener Muster und Strukturen in Ihren Daten Deep-Learning-Verfahren für die Bilderkennung Datenkomprimierung durch Dimensionsreduktion Training Neuronaler Netze und GANs mit TensorFlow 2 Kombination verschiedener Modelle für das Ensemble Learning Einbettung von Machine-Learning-Modellen in Webanwendungen Stimmungsanalyse in Social Networks Modellierung sequenzieller Daten durch rekurrente Neuronale Netze Reinforcement Learning und Implementierung von Q-Learning-Algorithmen.

perfect. Etat : Wie neu. 584 Seiten; 9783958457331.1 Gewicht in Gramm: 2.

hardcover. Etat : Wie neu. 1062 Seiten; NEUWERTIG und ungelesen. neuwertig und ungelesen AF 130551 Sprache: Deutsch Gewicht in Gramm: 1.

Taschenbuch. Etat : Neu. Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn | Das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics | Sebastian Raschka (u. a.) | Taschenbuch | mitp Professional | 768 S. | Deutsch | 2021 | MITP Verlags GmbH | EAN 9783747502136 | Verantwortliche Person für die EU: mitp Verlags GmbH & Co. KG, Steffen Dralle, Augustinusstr. 9a, 50226 Frechen, steffen[dot]dralle[at]mitp[dot]de | Anbieter: preigu.

Taschenbuch. Etat : Neu. Neuware - Datenanalyse mit ausgereiften statistischen Modellen des Machine LearningsAnwendung der wichtigsten Algorithmen und Python-Bibliotheken wie NumPy, SciPy, Scikit-learn, Keras, TensorFlow 2, Pandas und MatplotlibBest Practices zur Optimierung Ihrer Machine-Learning-AlgorithmenMit diesem Buch erhalten Sie eine umfassende Einführung in die Grundlagen und den effektiven Einsatz von Machine-Learning- und Deep-Learning-Algorithmen und wenden diese anhand zahlreicher Beispiele praktisch an. Dafür setzen Sie ein breites Spektrum leistungsfähiger Python-Bibliotheken ein, insbesondere Keras, TensorFlow 2 und Scikit-learn. Auch die für die praktische Anwendung unverzichtbaren mathematischen Konzepte werden verständlich und anhand zahlreicher Diagramme anschaulich erläutert.Die dritte Auflage dieses Buchs wurde für TensorFlow 2 komplett aktualisiert und berücksichtigt die jüngsten Entwicklungen und Technologien, die für Machine Learning, Neuronale Netze und Deep Learning wichtig sind. Dazu zählen insbesondere die neuen Features der Keras-API, das Synthetisieren neuer Daten mit Generative Adversarial Networks (GANs) sowie die Entscheidungsfindung per Reinforcement Learning.Ein sicherer Umgang mit Python wird vorausgesetzt.Aus dem Inhalt:Trainieren von Lernalgorithmen und Implementierung in PythonGängige Klassifikationsalgorithmen wie Support Vector Machines (SVM), Entscheidungsbäume und Random ForestNatural Language Processing zur Klassifizierung von FilmbewertungenClusteranalyse zum Auffinden verborgener Muster und Strukturen in Ihren DatenDeep-Learning-Verfahren für die BilderkennungDatenkomprimierung durch DimensionsreduktionTraining Neuronaler Netze und GANs mit TensorFlow 2Kombination verschiedener Modelle für das Ensemble LearningEinbettung von Machine-Learning-Modellen in WebanwendungenStimmungsanalyse in Social NetworksModellierung sequenzieller Daten durch rekurrente Neuronale NetzeReinforcement Learning und Implementierung von Q-Learning-Algorithmen.

perfect. Etat : Sehr gut. Gebraucht - Sehr gut SG - leichte Beschädigungen oder Verschmutzungen, ungelesenes Mängelexemplar, gestempelt - Datenanalyse mit ausgereiften statistischen Modellen des Machine LearningsAnwendung der wichtigsten Algorithmen und Python-Bibliotheken wie NumPy, SciPy, Scikit-learn, Keras, TensorFlow 2, Pandas und MatplotlibBest Practices zur Optimierung Ihrer Machine-Learning-AlgorithmenMit diesem Buch erhalten Sie eine umfassende Einführung in die Grundlagen und den effektiven Einsatz von Machine-Learning- und Deep-Learning-Algorithmen und wenden diese anhand zahlreicher Beispiele praktisch an. Dafür setzen Sie ein breites Spektrum leistungsfähiger Python-Bibliotheken ein, insbesondere Keras, TensorFlow 2 und Scikit-learn. Auch die für die praktische Anwendung unverzichtbaren mathematischen Konzepte werden verständlich und anhand zahlreicher Diagramme anschaulich erläutert.Die dritte Auflage dieses Buchs wurde für TensorFlow 2 komplett aktualisiert und berücksichtigt die jüngsten Entwicklungen und Technologien, die für Machine Learning, Neuronale Netze und Deep Learning wichtig sind. Dazu zählen insbesondere die neuen Features der Keras-API, das Synthetisieren neuer Daten mit Generative Adversarial Networks (GANs) sowie die Entscheidungsfindung per Reinforcement Learning.Ein sicherer Umgang mit Python wird vorausgesetzt.Aus dem Inhalt:Trainieren von Lernalgorithmen und Implementierung in PythonGängige Klassifikationsalgorithmen wie Support Vector Machines (SVM), Entscheidungsbäume und Random ForestNatural Language Processing zur Klassifizierung von FilmbewertungenClusteranalyse zum Auffinden verborgener Muster und Strukturen in Ihren DatenDeep-Learning-Verfahren für die BilderkennungDatenkomprimierung durch DimensionsreduktionTraining Neuronaler Netze und GANs mit TensorFlow 2Kombination verschiedener Modelle für das Ensemble LearningEinbettung von Machine-Learning-Modellen in WebanwendungenStimmungsanalyse in Social NetworksModellierung sequenzieller Daten durch rekurrente Neuronale NetzeReinforcement Learning und Implementierung von Q-Learning-Algorithmen.

Paperback. Etat : New. 3. überarbeitete Auflage 2021.

Kombiprodukt. Etat : Neu. Neuware - - Bietet einen umfassenden Überblick über die verschiedenen Anwendungsbereiche von Data Science und KI - Mit Fallbeispielen aus der Praxis, um die beschriebenen Konzepte greifbar zu machen - Mit praktischen Beispielen, die Ihnen helfen, einfache Datenanalyseprojekte durchzuführen - Neu in der 4. Auflage: Kapitel zu Vibe Coding und KI-Agenten- Ihr exklusiver Vorteil: Elektronisches Buch inklusive beim Kauf des gedruckten BuchesData Science, Big Data und künstliche Intelligenz gehören derzeit zu den Konzepten, über die in Industrie, Regierung und Gesellschaft viel gesprochen wird, die aber auch am häufigsten missverstanden werden. Dieses Buch erklärt die Konzepte und vermittelt Ihnen das praktische Wissen, um sie zu nutzen. Anhand von Übungen und Beispielen aus der Praxis wird Ihnen gezeigt, wie Sie Data-Science-Methoden anwenden, Datenplattformen aufbauen und daten- und ML-gesteuerte Projekte in die Produktion überführen können. Es hilft Ihnen zu verstehen - und den verschiedenen Interessengruppen zu erläutern -, wie mit diesen Techniken Mehrwert generiert wird. Auf dem Weg lernen Sie wesentliche Data-Science-Konzepte kennen einschließlich der Grundlagen der Statistik, der Mathematik und des maschinellen Lernens. Wichtige Themen wie kritisches Denken, rechtliche und ethische Überlegungen und der Aufbau leistungsfähiger Datenteams werden ebenfalls behandelt. Von angehenden Data Scientists über erfahrene Data Engineers bis hin zu Data Leadern - sie alle erhalten die Antwort auf folgenden Fragen: Wie kann ein Unternehmen datengetriebener werden, welche Herausforderungen können sich ergeben und wie können sie dazu beitragen, dass diese Reise ein Erfolg wird AUS DEM INHALT // Kritisches Denken und Datenkultur: Wie evidenzbasierte Entscheidungsfindung die Grundlage für effektive KI ist. / Machine Learning: Grundlagen der Mathematik, Statistik, ML-Algorithmen und -Architekturen / Natural Language Processing und Computer Vision: Wie man aus Text-, Bild- und Videodateien wertvolle Erkenntnisse für reale Anwendungen gewinnt. / Grundlagenmodelle und generative KI: Verstehen von Stärken und Herausforderungen in Bezug auf Text, Bild, Video etc. / ML und KI in der Produktion: Vom Experiment zum Data-Science-Produkt / Ergebnisse präsentieren: Grundlegende Präsentationstechniken für Data Scientists / Bietet einen umfassenden Überblick über die verschiedenen Anwendungsbereiche von Data Science und KI / Mit Fallbeispielen aus der Praxis, um die beschriebenen Konzepte greifbar zu machen / Mit praktischen Beispielen, die Ihnen helfen, einfache Datenanalyseprojekte durchzuführen / Neu in der 4. Auflage: Kapitel zu Vibe Coding und KI-Agenten.

Etat : gut. 2018. Machine Learning mit Python und Seikit- Learn und TensorFlow: Das umfassende Praxis- Handbuch für Data Science, Predictive Analytics In deutscher Sprache. pages.