Machine Learning – Die Referenz / Harrison, Matt.

Format:

Book

Author/Creator:

Harrison, Matt, author.

Contributor:

Lotze, Thomas

Language:

English

German

Subjects (All):

Künstliche Intelligenz.

Algorithmen.

KI.

Neural Networks.

Artificial intelligence.

NumPy.

Data Science.

Maschinelles Lernen.

überwachtes Lernen.

Pandas.

scikit-learn.

AI.

Statistische Datenanalyse.

Supervised Learning.

Physical Description:

1 online resource (246 pages)

Edition:

1st edition

Place of Publication:

dpunkt, 2020.

System Details:

text file

Summary:

Das praktische Nachschlagewerk zum Machine Learning mit strukturierten Daten

Contents:

Intro

Inhalt

Vorwort

Kapitel 1: Einleitung

Verwendete Bibliotheken

Installation mit pip

Installation mit conda

Kapitel 2: Der Vorgang des maschinellen Lernens: Überblick

Kapitel 3: Klassifikation Schritt für Schritt: der Titanic-Datensatz

Vorschlag für das Projektlayout

Importe

Eine Frage stellen

Begriffe und Bezeichnungen für die Daten

Daten sammeln

Daten säubern

Merkmale gewinnen

Stichproben von Daten nehmen

Daten auffüllen

Daten normalisieren

Refaktorieren

Vergleichsmodell

Verschiedene Algorithmenfamilien

Stacking

Ein Modell erstellen

Das Modell auswerten

Das Modell optimieren

Wahrheitsmatrix

Grenzwertoptimierungskurve (ROC-Kurve)

Trainingskurve

Das Modell einsetzen

Kapitel 4: Fehlende Daten

Fehlende Daten untersuchen

Fehlende Daten entfernen

Indikatorspalten hinzufügen

Kapitel 5: Daten säubern

Spaltennamen

Fehlende Werte ersetzen

Kapitel 6: Erkunden

Datenmenge

Zusammenfassende Statistiken

Histogramm

Streudiagramm

Kombidiagramm

Paarmatrix

Kasten- und Violinendiagramme

Vergleich zweier Ordinalwerte

Korrelation

RadViz

Parallele Koordinaten

Kapitel 7: Daten vorverarbeiten

Standardisieren

Den Wertebereich skalieren

Dummy-Variablen

Markierungen codieren

Häufigkeitscodierung

Kategorien aus Text gewinnen

Weitere kategoriale Codierungen

Datumsmerkmale konstruieren

Ein Merkmal col_na hinzufügen

Manuelle Merkmalskonstruktion

Kapitel 8: Merkmalsauswahl

Kollineare Spalten

Lasso-Regression

Rekursiver Ausschluss von Merkmalen

Wechselseitige Aussagekraft

Hauptkomponentenverfahren

Merkmalsgewichtung

Kapitel 9: Unausgeglichene Klassen

Eine andere Metrik anwenden

Baumalgorithmen und Ensembles

Modelle mit Strafpunkten.

Minderheiten erweitern

Minderheitsdaten erzeugen

Mehrheiten verkleinern

Erweitern und danach verkleinern

Kapitel 10: Klassifikation

Logistische Regression

Naiver Bayes-Klassifikator

Supportvektormaschine

K-nächste Nachbarn

Entscheidungsbaum

Random-Forest

XGBoost

Gradientenverstärkung mit LightGBM

TPOT

Kapitel 11: Modellauswahl

Validierungskurve

Lernkurve

Kapitel 12: Metriken und Beurteilung der Klassifikation

Metriken

Vertrauenswahrscheinlichkeit

Trefferquote

Genauigkeit

F1 (F-Maß)

Klassifikationstafel

ROC-Kurve (Grenzwertoptimierungskurve)

Kurve der Genauigkeit über der Trefferquote

Kumulatives Gain-Diagramm

Lift-Kurve

Ausgeglichenheit der Klassen

Klassenvorhersagefehler

Ansprechschwelle

Kapitel 13: Interpretation von Modellen

Regressionskoeffizienten

LIME

Interpretation von Bäumen

Partielle Abhängigkeitsdiagramme

Stellvertretermodelle

Shapley

Kapitel 14: Regression

Lineare Regression

Supportvektormaschinen (SVM)

XGBoost-Regression

Regression mit LightGBM

Kapitel 15: Metriken und Bewertung der Regression

Residuendiagramm

Varianzheterogenität

Normalverteilte Residuen

Diagramm des Vorhersagefehlers

Kapitel 16: Interpretation von Regressionsmodellen

Kapitel 17: Dimensionsreduktion

Hauptkomponentenverfahren (PCA)

UMAP

t-SNE

PHATE

Kapitel 18: Clustern

K-Means-Algorithmus

Agglomeratives (hierarchisches) Clustern

Cluster verstehen

Kapitel 19: Pipelines

Klassifikationspipeline

Regressionspipeline

Pipeline für das Hauptkomponentenverfahren

Index.

Notes:

Online resource; Title from title page (viewed October 2, 2020)

PublicationDate: 20201028

ISBN:

9781098128258

1098128257

9783960104087

3960104081

OCLC:

1204137096