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 bietet eine Sammlung von Methoden, Ressourcen und Codebeispielen zur Lösung gängiger Machine-Learning-Probleme bei der Auswertung strukturierter Daten. Matt Harrison hat einen wertvollen Leitfaden zusammengestellt, den Sie als Nachschlagewerk und zur Anregung nutzen können: für eigene Projekte oder als Begleitmaterial für Machine-Learning-Kurse.
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 stellt Ihnen verschiedene Bibliotheken und Modelle mit ihren jeweiligen Vor- und Nachteilen und Anpassungsmöglichkeiten vor. Die Codebeispiele sind so kompakt und nachvollziehbar, dass Sie sie für Ihre eigenen Projekte verwenden und auch gut anpassen können.
Themen dieser Referenz:
- Klassifikation veranschaulicht am Titanic-Datensatz
- Datenbereinigung und der Umgang mit fehlenden Daten
- Explorative Datenanalyse
- Typische Vorverarbeitungsschritte
- Auswahl von Merkmalen, die für das Modell relevant sind
- Modellauswahl und die Interpretation von Modellen
- Regression mit verschiedenen Machine-Learning-Techniken
- Metriken für die Klassifikations- und Regressionsbewertung
- Clustering und Dimensionsreduktion
- Scikit-learn-Pipelines
