Handbuch Data Science Machine (18 results)

Condition: 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.

Condition: 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.

Condition: 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.

Softcover. Condition: 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.

Condition: 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.

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

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

Condition: 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.

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

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

Taschenbuch. Condition: 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.

Condition: New.

Taschenbuch. Condition: 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.

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

perfect. Condition: 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.

Bündel. Condition: 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 3. Auflage: Generativ KI und LLMs, KI und Klimawandel, ML Ops und ML Security, Zahlreiche Kapitel wurden von Grund auf überarbeitet- 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.Das Buch nähert sich den Themen Data Science und KI von mehreren Seiten. Es zeigt, wie Sie Data-Plattformen aufbauen und Data-Science-Tools und -Methoden einsetzen können. Auf dem Weg dorthin hilft es Ihnen zu verstehen - und den verschiedenen Interessengruppen zuerklären -, wie Sie mit diesen Techniken Mehrwert generieren können. So kann Data Science in Unternehmen dabei helfen, schnellere Entscheidungen zu treffen, Kosten zu senken und neue Märkte zu erschließen.Darüber hinaus werden die grundlegenden Konzepte von Data Science, einschließlich Statistik, Mathematik sowie rechtliche Überlegungen erklärt.Praktische Fallstudien veranschaulichen, wie aus Daten generiertes Wissen verschiedene Branchen langfristig verändern wird.Das 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.AUS DEM INHALT //- Grundlagen der Mathematik: ML-Algorithmen verstehen und nutzen- Machine Learning: Von statistischen zu neuronalen Verfahren; von Transformers und GPT-3 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, z. B. der Ausbreitung von COVID-19. Was-wäre-wenn-Analysen- ML und KI in der Produktion: Vom Experiment zum Data- Science-Produkt- Ergebnisse präsentieren: Grundlegende Präsentationstechniken für Data Scientists.