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 €
-
Wie beeinflusst Machine Learning die Entwicklung neuer Technologien in verschiedenen Branchen?
Machine Learning ermöglicht es Unternehmen, große Datenmengen effizient zu analysieren und Muster zu erkennen, um fundierte Entscheidungen zu treffen. In der Medizinbranche kann Machine Learning dazu beitragen, Krankheiten frühzeitig zu erkennen und personalisierte Behandlungspläne zu erstellen. In der Automobilindustrie wird Machine Learning genutzt, um autonome Fahrzeuge zu entwickeln und die Sicherheit im Straßenverkehr zu verbessern.
-
Was sind die wichtigsten Anwendungen von Machine Learning in der heutigen Technologieindustrie?
Die wichtigsten Anwendungen von Machine Learning in der Technologieindustrie sind personalisierte Empfehlungssysteme, Betrugserkennung und -prävention sowie Bild- und Spracherkennung. Machine Learning wird auch für die Optimierung von Suchmaschinen, automatisierte Entscheidungsfindung und Prognoseanalysen eingesetzt. Es spielt eine entscheidende Rolle bei der Entwicklung von autonomen Fahrzeugen, medizinischen Diagnosesystemen und der Verbesserung von Kundeninteraktionen.
-
Was sind die grundlegenden Konzepte und Anwendungen von Regression in Statistik und Machine Learning?
Regression in Statistik und Machine Learning befasst sich mit der Vorhersage von kontinuierlichen Werten basierend auf anderen Variablen. Die grundlegenden Konzepte umfassen die Bestimmung einer mathematischen Beziehung zwischen den Variablen, die Schätzung von Parametern und die Bewertung der Modellgenauigkeit. Anwendungen von Regression sind vielfältig, wie z.B. die Vorhersage von Aktienkursen, Wetterprognosen oder medizinische Diagnosen.
-
Welche Methoden zur Dimensionalitätsreduktion eignen sich besonders gut zur Optimierung von Machine-Learning-Algorithmen?
Hauptkomponentenanalyse (PCA) ist eine beliebte Methode zur Reduzierung der Dimensionalität von Daten, indem sie die Varianz maximiert und irrelevante Informationen eliminiert. Eine weitere effektive Methode ist die t-Distributed Stochastic Neighbor Embedding (t-SNE), die komplexe Datenstrukturen in einem niedrigdimensionalen Raum visualisiert. Feature Selection-Techniken wie Recursive Feature Elimination (RFE) können auch verwendet werden, um die relevantesten Merkmale für die Modellierung auszuwählen.
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 € -
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 € -
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 € -
Nuk Easy Learning Fütterlöffel
Nuk Easy Learning Fütterlöffel können in Ihrer Versandapotheke erworben werden.
Preis: 6.39 € | Versand*: 3.99 €
-
Was sind die grundlegenden Prinzipien des Machine Learning und wie können sie in verschiedenen Branchen angewendet werden?
Die grundlegenden Prinzipien des Machine Learning beinhalten das Sammeln und Verarbeiten großer Datenmengen, das Trainieren von Modellen durch Algorithmen und das kontinuierliche Lernen und Anpassen dieser Modelle. Diese Prinzipien können in verschiedenen Branchen wie Gesundheitswesen, Finanzwesen und Einzelhandel angewendet werden, um Prognosen zu treffen, Muster zu erkennen und Entscheidungen zu automatisieren. Durch den Einsatz von Machine Learning können Unternehmen effizienter arbeiten, Kosten senken und innovative Lösungen entwickeln.
-
Wie können Machine Learning Algorithmen effektiv eingesetzt werden, um große Datenmengen zu analysieren und Muster oder Trends zu identifizieren?
Machine Learning Algorithmen können effektiv eingesetzt werden, um große Datenmengen zu analysieren, indem sie Muster oder Trends automatisch erkennen. Durch das Training mit historischen Daten können die Algorithmen lernen, Vorhersagen zu treffen und Entscheidungen zu treffen. Die Identifizierung von Mustern und Trends ermöglicht es Unternehmen, fundierte Entscheidungen zu treffen und ihre Geschäftsprozesse zu optimieren.
-
Was sind die potenziellen Anwendungen von Machine-to-Machine-Kommunikation in der Automobilindustrie?
1. Die M2M-Kommunikation ermöglicht die Vernetzung von Fahrzeugen untereinander sowie mit der Infrastruktur, um Verkehrsstaus zu vermeiden und die Verkehrssicherheit zu verbessern. 2. Sie ermöglicht auch die Fernüberwachung und -wartung von Fahrzeugen, um Ausfälle frühzeitig zu erkennen und zu verhindern. 3. Zudem kann M2M-Kommunikation dazu beitragen, den Kraftstoffverbrauch zu optimieren und die Effizienz von Flottenmanagement-Systemen zu steigern.
-
Wie kann Machine-to-Machine-Kommunikation die Effizienz und Automatisierung in verschiedenen Branchen verbessern?
Machine-to-Machine-Kommunikation ermöglicht den automatischen Austausch von Daten zwischen Geräten, was die Effizienz erhöht, da menschliche Fehler minimiert werden. Durch die Automatisierung von Prozessen können Kosten gesenkt, die Produktivität gesteigert und die Reaktionszeiten verbessert werden. Dies führt zu einer insgesamt effizienteren und wettbewerbsfähigeren Arbeitsweise in verschiedenen Branchen.
* 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.