Handbuch data science machine (21 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.

Etat : very good. Gut/Very good: Buch bzw. Schutzumschlag mit wenigen Gebrauchsspuren an Einband, Schutzumschlag oder Seiten. / Describes a book or dust jacket that does show some signs of wear on either the binding, dust jacket or pages.

Etat : New. Brand new book, sourced directly from publisher. Dispatch time is 9-10 days from our warehouse. Book will be sent in robust, secure packaging to ensure it reaches you securely.

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 : as new. Wie neu/Like new.

Hardcover. Etat : Fine. Leichte Kratzer / Abnutzungen / Druckstellen; Leichte Verschmutzung / Farbtonveranderung. Data Science, Big Data und kunstliche Intelligenz sind derzeit zentrale Themen in Industrie, Regierung und Gesellschaft, die oft missverstanden werden. Dieses Buch klart diese Konzepte und vermittelt praktisches Wissen zur Anwendung. Es behandelt den Aufbau von Datenplattformen sowie die Anwendung von Data Science Tools und -Methoden. Dabei wird erlautert, wie aus diesen Techniken Mehrwert generiert werden kann, etwa durch schnellere Entscheidungen, Kostensenkungen und die Erschliessung neuer Markte. Der zweite Teil des Buches beschreibt grundlegende Data-Science-Konzepte, einschliesslich mathematischer Grundlagen, Machine-Learning-Verfahren und deren Frameworks sowie Techniken zur Text-, Bild- und Sprachverarbeitung. Zudem werden rechtliche Uberlegungen und praktische Fallstudien aus verschiedenen Branchen behandelt. Das Inhaltsverzeichnis umfasst Themen wie die Mathematik fur ML-Algorithmen, Machine Learning von statistischen zu neuronalen Verfahren, Natural Language Processing zur Gewinnung von Erkenntnissen aus Textdaten, Computer Vision zur Analyse von Bildern und Videos sowie Modellierung und Simulation komplexer Systeme. Das Autor:innenteam setzt sich aus Datenexpert:innen aus Wirtschaft und Wissenschaft zusammen, darunter strategisch orientierte Fuhrungskrafte, Data Engineers und Data Scientists. Alle Autor:innen sind Mitglieder der Vienna Data Science Group (VDSG), die den Wissensaustausch fordert.…

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.…

Hardcover. Etat : Neu. Neu -Data Science, Big Data und künstliche Intelligenz gehören derzeit zu den Konzepten, über die in Industrie, Regierung und Gesellschaft am meisten diskutiert wird, die aber auch am meisten missverstanden werden. Dieses Buch klärt diese Konzepte und vermittelt Ihnen praktisches Wissen, um sie anzuwenden. Das Buch nähert sich dem Thema Data Science von mehreren Seiten. Es zeigt Ihnen, wie Sie Datenplattformen aufbauen sowie Data Science Tools und -Methoden anwenden. Auf dem Weg dorthin hilft es Ihnen zu verstehen - und den verschiedenen Interessengruppen zu erklären - wie Sie aus diesen Techniken einen Mehrwert generieren können, z. B. indem Sie Data Science einsetzen, um Unternehmen dabei zu helfen, schnellere Entscheidungen zu treffen, Kosten zu senken und neue Märkte zu erschließen. In einem zweiten Teil werden die grundlegenden Data-Science-Konzepte beschrieben, einschließlich mathematischer Grundlagen, Machine-Learning-Verfahren inklusive Frameworks sowie Text-, Bild- und Sprachverarbeitung. Abgerundet wird das Buch durch rechtliche Überlegungen und praktische Fallstudien aus verschiedenen Branchen.AUS DEM INHALT //- Grundlagen der Mathematik: ML-Algorithmen verstehen und nutzen- Machine Learning: Von statistischen zu neuronalen Verfahren; von Transformers und GPT bis AutoML- Natural Language Processing: Werkzeuge und Techniken zur Gewinnung von Erkenntnissen aus Textdaten und zur Entwicklung von Sprachtechnologien- Computer Vision: Erkenntnisse aus Bildern und Videos gewinnen- Modellierung und Simulation: Modellierung des Verhaltens komplexer Systeme, Durchführen von Was-wäre-wenn-Analysen- ML und KI in der Produktion: Vom Experiment zum Data-Science-Produkt- Ergebnisse präsentieren: Grundlegende Präsentationstechniken für Data ScientistsDas Autor:innenteam besteht aus Datenexpert:innen aus der Wirtschaft und aus dem akademischen Umfeld. Das Spektrum reicht von strategisch ausgerichteten Führungskräften über Data Engineers, die Produktivsysteme erstellen, bis hin zu Data Scientists, die aus Daten Wert generieren. Alle Autor:innen sind im Vorstand oder Mitglieder der Vienna Data Science Group (VDSG). Diese NGO hat sich zum Ziel gesetzt, eine Plattform für den Wissensaustausch zu etablieren. 1062 pp. Deutsch.…

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 : 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. …

hardcover. Etat : Sehr gut. 623 Seiten; 9783446469471.2 Gewicht in Gramm: 3.

Softcover/Taschenbuch. Etat : Neu. - 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-AlgorithmenMit diesem Buch erhalten Sie eine umfassende Einf?hrung in die Grundlagen und den effektiven Einsatz von Machine-Learning- und Deep-Learning-Algorithmen und wenden diese anhand zahlreicher Beispiele praktisch an. Daf?r setzen Sie ein breites Spektrum leistungsf?higer Python-Bibliotheken ein, insbesondere Keras, TensorFlow 2 und Scikit-learn. Auch die f?r die praktische Anwendung unverzichtbaren mathematischen Konzepte werden verst?ndlich und anhand zahlreicher Diagramme anschaulich erl?utert.Die dritte Auflage dieses Buchs wurde f?r TensorFlow 2 komplett aktualisiert und ber?cksichtigt die j?ngsten Entwicklungen und Technologien, die f?r Machine Learning, Neuronale Netze und Deep Learning wichtig sind. Dazu z?hlen 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- G?ngige Klassifikationsalgorithmen wie Support Vector Machines (SVM), Entscheidungsb?ume und Random Forest- Natural Language Processing zur Klassifizierung von Filmbewertungen- Clusteranalyse zum Auffinden verborgener Muster und Strukturen in Ihren Daten- Deep-Learning-Verfahren f?r die Bilderkennung- Datenkomprimierung durch Dimensionsreduktion- Training Neuronaler Netze und GANs mit TensorFlow 2- Kombination verschiedener Modelle f?r 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 De Gewicht in Gramm: 1264.…

hardcover. Etat : Gut. 1062 Seiten; 9783446479371.3 Gewicht in Gramm: 4.

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.…

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

hardcover. Etat : Sehr gut. 1095 Seiten; 9783446486010.2 Gewicht in Gramm: 4.

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 Das Autor:innenteam besteht aus Datenexpert:innen aus Wirtschaft und Wissenschaft, darunter Data Scientists, Ingenieur:innen, Führungskräfte aus der Wirtschaft und Rechtsexpert:innen. Alle sind Mitglieder der Vienna Data Science Group (VDSG), einer NGO, die sich zum Ziel gesetzt hat, eine Plattform für den Wissensaustausch über die Anwendung von Data Science, KI und maschinellem Lernen zu schaffen. Dabei soll das Bewusstsein für die Chancen und potenziellen Risiken dieser Technologien geschärft werden.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.…

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

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.