Name: Programmieren Von Maschinellem Lernen in Python (en Alemán)
Price: 239.36 PEN
Availability: InStock
Author: Gómez, Jorge ; Hernández, Velssy
ISBN: 9786205365205

portada Programmieren Von Maschinellem Lernen in Python (en Alemán)

Programmieren Von Maschinellem Lernen in Python (en Alemán)

Formato

Libro Físico

Autor

Jorge Gómez

Velssy Hernández

Editorial

Verlag Unser Wissen

Idioma

Alemán

N° páginas

112

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.7 cm

Peso

0.18 kg.

ISBN13

9786205365205

Categorías

Tecnología de la información: cuestiones generales

Programmieren Von Maschinellem Lernen in Python (en Alemán)

Jorge Gómez (Autor) · Velssy Hernández (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo Importado

Envío: 21 a 26 días háb.

S/ 531,90S/ 239,36

-55%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

S/ 239,36

Llega entre el 27 Ago y el 04 Sep a CERCADO DE LIMA, Lima. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Programmieren Von Maschinellem Lernen in Python (en Alemán)"

Überwachtes Lernen beschreibt ein Szenario, in dem Erfahrung zu einem Trainingsfaktor wird, der wichtige Informationen enthält (z.B. Krank/Gesund-Etiketten für die Erkennung von Pflanzenkrankheiten), die in den ungesehenen "Testbeispielen", auf die das erlernte Fachwissen angewandt werden soll, fehlen. In diesem Szenario zielt das erlernte Fachwissen darauf ab, diese fehlenden Informationen für die Testdaten vorherzusagen. In diesem Sinne kann man sich die Umgebung als Lehrer vorstellen, der den Lernenden durch die Bereitstellung zusätzlicher Informationen, d. h. von Etiketten, überwacht. In diesem Buch werden wir überwachte maschinelle Lernmodelle diskutieren, durch die Sie die theoretischen Grundlagen, einige Beschreibungen von Anwendungsbereichen verstehen und dann jedes von ihnen in Jupyter Lab mit pandas und scikit-learn Bibliotheken für Python implementieren werden. Zunächst werden Sie mit der logistischen Regression (binäre Klassifizierung), der Multiklassenklassifizierung durch logistische Regression, Entscheidungsbäumen, Support Vector Machine - SVM (Support Vector Machines), Random Forest, K-Fold Cross Validation und schlie lich Naive B