Produkt zum Begriff Machine Learning:
-
Grundkurs Machine Learning (Wilmott, Paul)
Grundkurs Machine Learning , Maschinelles Lernen - alle Grundlagen! Paul Wilmott ist für seine erhellende und unterhaltsame Darstellung angewandter Mathematik bekannt. Von der linearen Regression bis zu Neuronalen Netzwerken führt er Sie durch alle Verfahren, und zwar komplett Software-unabhängig. Der Vorteil dabei: Jeder Schritt ist schwarz auf weiß zu sehen, kein Framework kann etwas "verstecken", es geht immer um die Sache selbst. Mit vielen Beispielen, Grafiken und Schritt-für-Schritt-Kästen. Für alle, die wirklich verstehen wollen, wie Maschinen lernen. Aus dem Inhalt: Lineare Regression k-Nearest Neighbors Naive Bayes-Klassifikatoren k-Means-Algorithmus Support Vector Machines Logistische Regression Selbstorganisierende Karten Entscheidungsbäume Reinforcement Learning Neuronale Netze , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen , Erscheinungsjahr: 20200724, Produktform: Kartoniert, Titel der Reihe: Rheinwerk Computing##, Autoren: Wilmott, Paul, Seitenzahl/Blattzahl: 256, Themenüberschrift: COMPUTERS / General, Keyword: Hand-Buch Bücher lernen Studium Grundlagen Kurse Workshops Tutorials Wissen Anleitung Training Ausbildung; Robotik; Informatik verstehen; Programmierung programmieren; KI-Welt AI; Künstliche Intelligenz; Software-Entwicklung; Coder Coden; Neuronale Netze; Deep Learning; Mathematik, Fachschema: Informatik~Programmiersprachen~EDV / Theorie / Allgemeines, Fachkategorie: Informatik~Informationstechnik (IT), allgemeine Themen, Sprache: Deutsch, Fachkategorie: Programmier- und Skriptsprachen, allgemein, Thema: Verstehen, Text Sprache: ger, Verlag: Rheinwerk Verlag GmbH, Verlag: Rheinwerk Verlag GmbH, Breite: 175, Höhe: 17, Gewicht: 480, Produktform: Klappenbroschur, Genre: Mathematik/Naturwissenschaften/Technik/Medizin, Genre: Mathematik/Naturwissenschaften/Technik/Medizin, Herkunftsland: DEUTSCHLAND (DE), Katalog: deutschsprachige Titel, Katalog: Gesamtkatalog, Katalog: Lagerartikel, Book on Demand, ausgew. Medienartikel, Relevanz: 0006, Tendenz: -1, Unterkatalog: AK, Unterkatalog: Bücher, Unterkatalog: Hardcover, Unterkatalog: Lagerartikel, WolkenId: 2327150
Preis: 29.90 € | Versand*: 0 € -
Grunert, Philipp: Machine Learning und Neuronale Netze
Machine Learning und Neuronale Netze , Dieses Buch richtet sich sowohl an Softwareentwickler als auch Programmiereinsteiger und bietet eine fundierte Einführung in Machine Learning und Neuronale Netze . Alle notwendigen Grundlagen werden erklärt: Mathematisches Hintergrundwissen, Vorhersagemodelle, Programmiergrundlagen in Python . Fundierte Erklärungen zu ML und Neuronalen Netzen anhand vieler Beispiele . Zahlreiche Übungsaufgaben helfen das Erlernte zu festigen und selbst anzuwenden . Zielgruppe: Softwareentwickler, Programmierer, Mathematiker . Platzierung: Softwareentwicklung/Programmierung, Künstliche Intelligenz , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen
Preis: 26.99 € | Versand*: 0 € -
Bartok, Larissa: Anwendung statistischer und Machine-Learning-Methoden für Fragestellungen zu Studienerfolg
Anwendung statistischer und Machine-Learning-Methoden für Fragestellungen zu Studienerfolg , Analytics-Instrumente können dabei helfen, mehr über den Lern- und Studienerfolg von Studierenden herauszufinden und geeignete Maßnahmen zur Unterstützung von Studierenden abzuleiten. Zwei Projekte, die sich Fragen zum Thema Studienerfolg widmen, wurden vom österreichischen BMBWF im Rahmen der Ausschreibung "Digitale und soziale Transformation in der Hochschulbildung" kofinanziert. Die beiden Projekte "Learning Analytics- Studierende im Fokus" und "PASSt - Predictive Analytics Services für Studienerfolgsmanagement" fokussieren auf unterschiedliche Handlungsfelder und wurden zur Generierung von Synergieeffekten konzeptionell verzahnt, indem generische Herausforderungen gemeinsam bearbeitet und Lessons-Learned diskutiert wurden. Die Erkenntnisse der gemeinsamen Arbeitsgruppe mündeten in diese Arbeit, die Rahmen- und Gelingensbedingungen von Analytics-Projekten thematisiert, und anhand von exemplarischen Anwendungsszenarien eine Unterstützung bei der Implementierung bieten kann. , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen
Preis: 27.90 € | Versand*: 0 € -
Raschka, Sebastian: Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn
Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn , 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 , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen
Preis: 49.99 € | Versand*: 0 €
-
Was ist Python Machine Learning?
Python Machine Learning bezieht sich auf die Verwendung von Python-Programmierung, um maschinelles Lernen zu implementieren. Dabei werden Algorithmen und Modelle erstellt, die es Computern ermöglichen, aus Daten zu lernen und Vorhersagen zu treffen. Python bietet eine Vielzahl von Bibliotheken wie Scikit-learn, TensorFlow und Keras, die das Entwickeln von Machine-Learning-Anwendungen erleichtern. Mit Python Machine Learning können komplexe Probleme gelöst und Muster in großen Datenmengen entdeckt werden.
-
Was sind die unterschiedlichen Anwendungen von Machine Learning in der heutigen Technologie?
Machine Learning wird in der Bilderkennung eingesetzt, um Objekte auf Fotos zu identifizieren. In der Medizin wird es genutzt, um Krankheiten frühzeitig zu erkennen. Im Bereich des Online-Marketings wird Machine Learning verwendet, um personalisierte Werbung zu schalten.
-
Wie kann Machine Learning in verschiedenen Branchen eingesetzt werden und welche potenziellen Vorteile bietet diese Technologie?
Machine Learning kann in verschiedenen Branchen wie Gesundheitswesen, Finanzwesen und Einzelhandel eingesetzt werden, um Daten zu analysieren, Muster zu erkennen und Vorhersagen zu treffen. Die potenziellen Vorteile dieser Technologie sind eine verbesserte Effizienz, bessere Entscheidungsfindung und die Möglichkeit, personalisierte Produkte und Dienstleistungen anzubieten. Machine Learning kann auch dazu beitragen, Kosten zu senken, Risiken zu minimieren und Innovationen voranzutreiben.
-
Wie kann die Merkmalsauswahl die Genauigkeit und Effizienz von Machine-Learning-Modellen verbessern?
Durch die Auswahl relevanter Merkmale können unnötige Daten reduziert werden, was die Modellkomplexität verringert und Overfitting verhindert. Dies führt zu präziseren Vorhersagen und schnelleren Berechnungen. Eine sorgfältige Merkmalsauswahl kann auch die Interpretierbarkeit des Modells verbessern, indem nur die wichtigsten Merkmale berücksichtigt werden.
Ähnliche Suchbegriffe für Machine Learning:
-
Ekman, Magnus: Learning Deep Learning
Learning Deep Learning , NVIDIA's Full-Color Guide to Deep Learning: All StudentsNeed to Get Started and Get Results Learning Deep Learning is a complete guide to DL.Illuminating both the core concepts and the hands-on programming techniquesneeded to succeed, this book suits seasoned developers, data scientists,analysts, but also those with no prior machine learning or statisticsexperience. After introducing the essential building blocks of deep neural networks, such as artificial neurons and fully connected, convolutional, and recurrent layers,Magnus Ekman shows how to use them to build advanced architectures, includingthe Transformer. He describes how these concepts are used to build modernnetworks for computer vision and natural language processing (NLP), includingMask R-CNN, GPT, and BERT. And he explains how a natural language translatorand a system generating natural language descriptions of images. Throughout, Ekman provides concise, well-annotated code examples usingTensorFlow with Keras. Corresponding PyTorch examples are provided online, andthe book thereby covers the two dominating Python libraries for DL used inindustry and academia. He concludes with an introduction to neural architecturesearch (NAS), exploring important ethical issues and providing resources forfurther learning. Exploreand master core concepts: perceptrons, gradient-based learning, sigmoidneurons, and back propagation See how DL frameworks make it easier to developmore complicated and useful neural networks Discover how convolutional neuralnetworks (CNNs) revolutionize image classification and analysis Apply recurrentneural networks (RNNs) and long short-term memory (LSTM) to text and othervariable-length sequences Master NLP with sequence-to-sequence networks and theTransformer architecture Build applications for natural language translation andimage captioning , >
Preis: 49.28 € | Versand*: 0 € -
Easy Learning
Kinder-Wanduhr "Easy Learning", Durchmesser 30 cm, geräuscharm
Preis: 23.96 € | Versand*: 6.96 € -
Handbook Transdisciplinary Learning
Handbook Transdisciplinary Learning , What is transdisciplinarity - and what are its methods? How does a living lab work? What is the purpose of citizen science, student-organized teaching and cooperative education? This handbook unpacks key terms and concepts to describe the range of transdisciplinary learning in the context of academic education. Transdisciplinary learning turns out to be a comprehensive innovation process in response to the major global challenges such as climate change, urbanization or migration. A reference work for students, lecturers, scientists, and anyone wanting to understand the profound changes in higher education. , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen , Erscheinungsjahr: 202308, Produktform: Kartoniert, Beilage: Kt, Titel der Reihe: Hochschulbildung: Lehre und Forschung#6#, Redaktion: Philipp, Thorsten~Schmohl, Tobias, Seitenzahl/Blattzahl: 422, Abbildungen: 10 Farbabbildungen, Themenüberschrift: EDUCATION / Organizations & Institutions, Keyword: Education; Educational Research; Interdisciplinarity; Pedagogy; Philosophy of Science; Sociology of Education; Theory of Education; Transdisciplinarity; Transfer; Transformative Science; University; University Teaching, Fachschema: Bildungssystem~Bildungswesen~Pädagogik / Theorie, Philosophie, Anthropologie~Studium, Fachkategorie: Bildungssysteme und -strukturen~Pädagogik: Theorie und Philosopie~Hochschulbildung, Fort- und Weiterbildung~Bildungswesen: Organisation und Verwaltung~Fachspezifischer Unterricht, Warengruppe: TB/Bildungswesen (Schule/Hochschule), Fachkategorie: Schule und Lernen: Philosophie und Ethik, Thema: Verstehen, Text Sprache: eng, UNSPSC: 49019900, Warenverzeichnis für die Außenhandelsstatistik: 49019900, Verlag: Transcript Verlag, Verlag: Transcript Verlag, Verlag: Gost, Roswitha, u. Karin Werner, Länge: 225, Breite: 147, Höhe: 30, Gewicht: 662, Produktform: Kartoniert, Genre: Sozialwissenschaften/Recht/Wirtschaft, Genre: Sozialwissenschaften/Recht/Wirtschaft, Herkunftsland: DEUTSCHLAND (DE), Katalog: Gesamtkatalog, Katalog: Internationale Lagertitel, Katalog: internationale Titel, Katalog: Lagerartikel, Book on Demand, ausgew. Medienartikel, Relevanz: 0004, Tendenz: -1, Unterkatalog: AK, Unterkatalog: Bücher, Unterkatalog: Lagerartikel, Unterkatalog: Taschenbuch, WolkenId: 2879657
Preis: 31.42 € | Versand*: 0 € -
Visible Learning 2.0
Visible Learning 2.0 , Als das Original von Visible Learning im Jahr 2008 veröffentlicht wurde, stellte es sich sofort als eine verlegerische Sensation heraus. Das Interesse an dem Buch war beispiellos und innerhalb weniger Tage war es ausverkauft. Im TES (Times Educational Supplement) wurde es als "der Heilige Gral des Unterrichts" bezeichnet. Die Forschung, auf die die vorliegende Weiterentwicklung von Visible Learning basiert, stützt sich inzwischen auf mehr als 2.100 Meta-Analysen (mehr als doppelt so viele wie in der ursprünglichen Veröffentlichung mit ca. 800 Meta-Analysen), die mehr als 130.000 Studien umfassen und an denen geschätzt mehr als 400 Millionen Lernende aus aller Welt teilgenommen haben. Dieses Buch ist jedoch mehr als nur eine Neuauflage: Es ist eine Weiterentwicklung, die das große Ganze beleuchtet, die Umsetzung von Visible Learning in den Schulen reflektiert, wie es verstanden - und manchmal auch missverstanden - wurde und welche Richtung die Forschung in Zukunft einschlagen sollte. Visible Learning 2.0 bekräftigt John Hatties Wunsch, nicht nur das in den Blick zu nehmen, was funktioniert, sondern auch und vor allem das, was am besten funktioniert, indem er entscheidende Fragen stellt wie: Warum ist die derzeitige Grammatik des Schulunterrichts in so vielen Klassenzimmern so fest verankert und wie können wir sie verbessern? Warum ist die Lernentwicklungskurve für Lehrpersonen nach den ersten Berufsjahren so flach? Wie können wir die Denkweise von Lehrpersonen so entwickeln, dass sie sich mehr auf das Lernen und Zuhören konzentrieren (und weniger auf das Lehren und Sprechen)? Wie können wir Forschungsergebnisse in die Diskussionen der Schulen und der Kollegien bringen? Zu den besprochenen Bereichen gehören: - Die Forschungsbasis und die Reaktionen auf Visible Learning - Das Visible Learning Modell - Die bewusste Abstimmung von Lern- und Lehrstrategien - Der Einfluss des Elternhauses, der Lernenden, der Lehrpersonen, der Klassenzimmer, der Schulen, der Lehrpläne auf die Lernleistung. - Der Einfluss von Technologie Aufbauend auf dem Erfolg des Originals erweitert diese mit Spannung erwartete Weiterführung John Hatties Modell des Lehrens und Lernens auf der Grundlage von Einflussgrößen und ist eine unverzichtbare Lektüre für alle, die im Bildungsbereich tätig sind - sei es als Forschende, Lehrpersonen, Lernende, Schulleitungen, Lehrerbildnerinnen und Lehrerbildner oder politische Entscheidungsträger. John Hattie ist emeritierter Professor an der Graduate School of Education der Universität von Melbourne, Australien. Er ist einer der weltweit bekanntesten und meistgelesenen Bildungsexperten. Seine Bücher zu Visible Learning wurden in 29 Sprachen übersetzt und über 2 Millionen Mal verkauft. Stephan Wernke vertrat die Professur für Schulpädagogik an der Universität Vechta und ist wissenschaftlicher Mitarbeiter in der Schulpädagogik und Allgemeinen Didaktik an der Carl von Ossietzky Universität in Oldenburg. Er hat an mehreren Übersetzungen von John Hatties Büchern mitgewirkt (u. a. Lernen sichtbar machen). Klaus Zierer ist Ordinarius für Schulpädagogik an der Universität Augsburg und Associated Research Fellow am Centre on Skills, Knowledge and Organisational Performance (SKOPE) der University of Oxford. Er hat bereits mehrere Bücher von John Hattie ins Deutsche übertragen (u. a. Lernen sichtbar machen) und auch auf Englisch mit ihm publiziert (u.a. 10 Mindframes for Visible Learning). , >
Preis: 32.00 € | Versand*: 0 €
-
Wie wird Machine Learning dazu benutzt, um große Datenmengen zu analysieren und Muster oder Trends zu identifizieren? Was sind die potenziellen Anwendungen und Herausforderungen von Machine Learning in verschiedenen Bereichen?
Machine Learning wird verwendet, um große Datenmengen zu analysieren, indem Algorithmen Muster und Trends erkennen. Potenzielle Anwendungen sind personalisierte Empfehlungssysteme, medizinische Diagnosen und Betrugserkennung. Herausforderungen sind Datenschutz, Ethik und die Notwendigkeit von qualitativ hochwertigen Trainingsdaten.
-
Was sind die Anwendungen von Machine Learning in verschiedenen Branchen und wie beeinflusst es die Zukunft der Technologie?
Machine Learning wird in der Gesundheitsbranche zur Diagnose von Krankheiten und zur personalisierten Medizin eingesetzt. In der Finanzbranche hilft es bei der Betrugsprävention und der Risikobewertung. In der Automobilindustrie ermöglicht es autonomes Fahren und verbessert die Sicherheit auf den Straßen. Machine Learning wird die Zukunft der Technologie maßgeblich beeinflussen, indem es Prozesse automatisiert, die Effizienz steigert und neue Möglichkeiten für Innovationen eröffnet.
-
Wie können Objekte in einem Bild mithilfe von künstlicher Intelligenz und Machine Learning erkannt und klassifiziert werden?
Objekte können in einem Bild mithilfe von künstlicher Intelligenz und Machine Learning durch Trainieren von Algorithmen auf großen Datensätzen erkannt werden. Diese Algorithmen analysieren Merkmale wie Formen, Farben und Texturen, um Objekte zu identifizieren. Anschließend werden die erkannten Objekte klassifiziert und entsprechend benannt.
-
Wie kann die Qualität von Trainingsdaten verbessert werden, um die Genauigkeit von Machine-Learning-Modellen zu erhöhen?
Die Qualität von Trainingsdaten kann verbessert werden, indem fehlerhafte oder unvollständige Daten bereinigt werden. Zudem können zusätzliche relevante Datenquellen hinzugezogen werden, um die Vielfalt der Trainingsdaten zu erhöhen. Schließlich ist es wichtig, die Daten regelmäßig zu überprüfen und zu aktualisieren, um sicherzustellen, dass sie aktuell und korrekt sind.
* Alle Preise verstehen sich inklusive der gesetzlichen Mehrwertsteuer und ggf. zuzüglich Versandkosten. Die Angebotsinformationen basieren auf den Angaben des jeweiligen Shops und werden über automatisierte Prozesse aktualisiert. Eine Aktualisierung in Echtzeit findet nicht statt, so dass es im Einzelfall zu Abweichungen kommen kann.