• Produktbild: Data Science Training - Supervised Learning
  • Produktbild: Data Science Training - Supervised Learning

Data Science Training - Supervised Learning Ein praktischer Einstieg ins überwachte maschinelle Lernen

39,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

02.12.2024

Abbildungen

XXVII, 592 S. 123 Abb., 40 Abb. in Farbe.

Verlag

Springer Berlin

Seitenzahl

592

Maße (L/B/H)

24/16,8/3,4 cm

Gewicht

1024 g

Farbe

Mandarine

Sprache

Deutsch

ISBN

978-3-662-67959-3

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

02.12.2024

Abbildungen

XXVII, 592 S. 123 Abb., 40 Abb. in Farbe.

Verlag

Springer Berlin

Seitenzahl

592

Maße (L/B/H)

24/16,8/3,4 cm

Gewicht

1024 g

Farbe

Mandarine

Sprache

Deutsch

ISBN

978-3-662-67959-3

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: ProductSafety@springernature.com

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

Weitere Artikel findest du in

  • Produktbild: Data Science Training - Supervised Learning
  • Produktbild: Data Science Training - Supervised Learning

  • Einführung, Datenschutz vs. Datensicherheit, Informationsethik.- Datenanalyseprozess CRISP-DM, Data Understanding, Data Preparation, Modeling, Evaluation und Deployment.- Datenqualität, Explorative Datenanalyse (EDA), Feature Engineering.- Naive Bayes und Entscheidungsbaum, Gütekriterien I, Overfitting, Kreuzvalidierung.- Bias vs. Varianz, Ensemble Learning (Random Forest, Gradient Boosted Trees).- Datentransformation und Normalisierung, Künstliche Neuronale Netzwerke.- Verteilungen und synthetische Daten, Hyperparameteroptimierung.- Regression vs. Korrelation, Interpolation vs. Extrapolation, Methode der kleinsten Quadrate.- Lineare und polynomiale (multiple) Regression, Gütekriterien II.- Regularisierung, LASSO, Ridge Regression, Elastic Net.- Logistische Regression, Regression vs. Klassifikation.- Ausblick.