Matt Harrison

Machine Learning – Die Referenz

Mit strukturierten Daten in Python arbeiten

29,90 

Enthält 5% MwSt.
Kostenloser Versand

Lieferbar voraussichtlich ab 10.2020

Sie müssen sich registrieren, um die Warteliste nutzen zu können. BItte melden Sie sich an oder erstellen Sie ein Konto
Erscheinungsdatum: Voraussichtlich 10.2020Seitenanzahl: 246Einband: Broschur ISBN Print: 978-3-96009-135-6ISBN PDF: 978-3-96010-408-7ISBN ePub: 978-3-96010-409-4ISBN Mobi: 978-3-96010-410-0 Artikelnummer: 8183

Informationen zum Buch

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 ist eine Sammlung von Methoden, Ressourcen und Codebeispielen zur Lösung gängiger Machine-Learning-Probleme mit strukturierten Daten. Der Autor Matt Harrison hat einen wertvollen Leitfaden zusammengestellt, den Sie als zusätzliche Unterstützung während eines Machine-Learning-Kurses nutzen können oder als Nachschlagewerk, wenn Sie Ihr nächstes ML-Projekt mit Python starten.

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 führt Sie durch die Klassifizierung strukturierter Daten. Sie lernen dann unter anderem Methoden zur Modellauswahl, zur Regression, zur Reduzierung der Dimensionalität und zum Clustering kennen. Die Codebeispiele sind so kompakt angelegt, dass Sie sie für Ihre eigenen Projekte verwenden und auch gut anpassen können.

Autorin/Autor

Matt Harrison

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.

Zielgruppe

  • Data Scientists
  • Datenanalysten
  • Softwareentwickler*innen
  • Student*innen der Informatik