Einführung in Maschinelles Lernen mit Python: Ein Leitfaden für Data Scientists

Maschinelles Lernen ist zu einem festen Bestandteil vieler kommerzieller Anwendungen und Forschungsprojekte geworden, aber dieses Feld ist nicht ausschließlich großen Unternehmen mit umfangreichen Forschungsteams vorbehalten. Wenn Sie Python verwenden, auch als Anfänger, zeigt Ihnen dieses Buch praktische Wege, Ihre eigenen Machine-Learning-Lösungen zu entwickeln. Mit all den heute verfügbaren Daten sind Machine-Learning-Anwendungen nur durch Ihre Vorstellungskraft begrenzt.

Sie lernen die notwendigen Schritte, um eine erfolgreiche Machine-Learning-Anwendung mit Python und der scikit-learn Bibliothek zu erstellen. Die Autoren Andreas Müller und Sarah Guido konzentrieren sich auf die praktischen Aspekte der Verwendung von Machine-Learning-Algorithmen, anstatt auf die dahinterstehende Mathematik. Die Vertrautheit mit den NumPy- und matplotlib-Bibliotheken wird Ihnen helfen, noch mehr aus diesem Buch herauszuholen.

Mit diesem Buch lernen Sie:

Grundlegende Konzepte und Anwendungen des maschinellen Lernens Vorteile und Nachteile weit verbreiteter Machine-Learning-Algorithmen Wie man Daten darstellt, die von maschinellem Lernen verarbeitet werden, einschließlich der Datenaspekte, auf die man sich konzentrieren sollte Fortgeschrittene Methoden zur Modellbewertung und Parameterabstimmung Das Konzept von Pipelines zur Verkettung von Modellen und zur Kapselung Ihres Workflows Methoden zur Arbeit mit Textdaten, einschließlich textspezifischer Verarbeitungstechniken Vorschläge zur Verbesserung Ihrer Machine-Learning- und Data-Science-Fähigkeiten