Beschreibung / Abstract

Beschreibung

Inhaltsverzeichnis

• BEGINN
• Einleitung
• Kapitel 1: Vektoren, Matrizen und Arrays
• 1.0 Einführung
• 1.1 Einen Vektor erzeugen
• 1.2 Eine Matrix erstellen
• 1.3 Eine dünn besetzte Matrix erzeugen
• 1.4 Elemente auswählen
• 1.5 Eine Matrix beschreiben
• 1.6 Operationen auf Elemente anwenden
• 1.7 Die Größt- und Kleinstwerte suchen
• 1.8 Mittelwert, Varianz und Standardabweichung berechnen
• 1.9 Die Gestalt von Arrays ändern
• 1.10 Einen Vektor oder eine Matrix transponieren
• 1.11 Eine Matrix verflachen
• 1.12 Den Rang einer Matrix ermitteln
• 1.13 Die Determinante berechnen
• 1.14 Die Diagonale einer Matrix ermitteln
• 1.15 Die Spur einer Matrix berechnen
• 1.16 Eigenwerte und Eigenvektoren suchen
• 1.17 Punktprodukte berechnen
• 1.18 Matrizen addieren und subtrahieren
• 1.19 Matrizen multiplizieren
• 1.20 Eine Matrix invertieren
• 1.21 Zufallswerte erzeugen
• Kapitel 2: Laden von Daten
• 2.0 Einführung
• 2.1 Einen Beispieldatensatz laden
• 2.2 Einen simulierten Datensatz erzeugen
• 2.3 Eine CSV-Datei laden
• 2.4 Eine Excel-Datei laden
• 2.5 Eine JSON-Datei laden
• 2.6 Eine SQL-Datenbank abfragen
• Kapitel 3: Datenaufbereitung
• 3.0 Einführung
• 3.1 Einen Dataframe erstellen
• 3.2 Die Daten beschreiben
• 3.3 In DataFrames navigieren
• 3.4 Zeilen abhängig von Bedingungen auswählen
• 3.5 Werte ersetzen
• 3.6 Spalten umbenennen
• 3.7 Minimum, Maximum, Summe, Mittelwert und Anzahl ermitteln
• 3.8 Eindeutige Werte ermitteln
• 3.9 Fehlende Werte behandeln
• 3.10 Eine Spalte löschen
• 3.11 Eine Zeile löschen
• 3.12 Doppelte Zeilen löschen
• 3.13 Zeilen nach Werten gruppieren
• 3.14 Zeilen nach Zeit gruppieren
• 3.15 Eine Spalte in einer Schleife durchlaufen
• 3.16 Eine Funktion auf alle Elemente in einer Spalte anwenden
• 3.17 Eine Funktion auf Gruppen anwenden
• 3.18 DataFrames verketten
• 3.19 DataFrames zusammenführen
• Kapitel 4: Numerische Daten verarbeiten
• 4.0 Einführung
• 4.1 Ein Merkmal neu skalieren
• 4.2 Ein Merkmal standardisieren
• 4.3 Beobachtungen normalisieren
• 4.4 Polynom- und Interaktionsmerkmale erzeugen
• 4.5 Merkmale transformieren
• 4.6 Ausreißer erkennen
• 4.7 Mit Ausreißern umgehen
• 4.8 Merkmale diskretisieren
• 4.9 Beobachtungen durch Clustern gruppieren
• 4.10 Beobachtungen mit fehlenden Werten löschen
• 4.11 Fehlende Werte imputieren
• Kapitel 5: Kategorische Daten behandeln
• 5.0 Einführung
• 5.1 Nominale kategorische Merkmale codieren
• 5.2 Ordinale kategorische Merkmale codieren
• 5.3 Wörterbücher von Merkmalen codieren
• 5.4 Fehlende Klassenwerte imputieren
• 5.5 Umgang mit unausgewogenen Klassen
• Kapitel 6: Text verarbeiten
• 6.0 Einführung
• 6.1 Text bereinigen
• 6.2 HTML parsen und bereinigen
• 6.3 Satzzeichen entfernen
• 6.4 Text in Tokens zerlegen
• 6.5 Stoppwörter entfernen
• 6.6 Stemming
• 6.7 Wortarten markieren
• 6.8 Text als Bag of Words codieren
• 6.9 Wortbedeutung gewichten
• Kapitel 7: Datum und Uhrzeit
• 7.0 Einführung
• 7.1 Strings in Datumswerte konvertieren
• 7.2 Umgang mit Zeitzonen
• 7.3 Datum und Uhrzeit auswählen
• 7.4 Datumsdaten in mehrere Merkmale aufgliedern
• 7.5 Die Differenz zwischen Datumswerten bilden
• 7.6 Wochentage codieren
• 7.7 Ein verzögertes Merkmal erstellen
• 7.8 Gleitende Zeitfenster verwenden
• 7.9 Fehlende Daten in Zeitreihen behandeln
• Kapitel 8: Bilder verarbeiten
• 8.0 Einführung
• 8.1 Bilder laden
• 8.2 Bilder speichern
• 8.3 Bilder in der Größe ändern
• 8.4 Bilder beschneiden
• 8.5 Bilder weichzeichnen
• 8.6 Bilder scharfzeichnen
• 8.7 Kontrast erhöhen
• 8.8 Farben isolieren
• 8.9 Binärbilder erzeugen
• 8.10 Hintergründe entfernen
• 8.11 Kantendetektion
• 8.12 Eckenerkennung
• 8.13 Merkmale für maschinelles Lernen erzeugen
• 8.14 Die mittlere Farbe als Merkmal codieren
• 8.15 Farbhistogramme als Merkmale codieren
• Kapitel 9: Verringerung der Dimensionalität durch Merkmalsextraktion
• 9.0 Einführung
• 9.1 Merkmale mithilfe von Hauptkomponenten reduzieren
• 9.2 Merkmale reduzieren, wenn Daten nicht linear separierbar sind
• 9.3 Merkmale durch Maximierung der Klassenseparierbarkeit reduzieren
• 9.4 Merkmale durch Matrixfaktorisierung reduzieren
• 9.5 Merkmale auf schwach besetzten Daten reduzieren
• Kapitel 10: Dimensionalität durch Merkmalsauswahl reduzieren
• 10.0 Einführung
• 10.1 Numerische Merkmale nach dem Schwellenwert von Varianzen auswählen
• 10.2 Binäre Merkmale nach dem Schwellenwert von Varianzen auswählen
• 10.3 Stark korrelierte Merkmale verarbeiten
• 10.4 Für eine Klassifizierung irrelevante Merkmale entfernen
• 10.5 Merkmale rekursiv entfernen
• Kapitel 11: Modellbewertung
• 11.0 Einführung
• 11.1 Kreuzvalidierungsmodelle
• 11.2 Ein Baseline-Regressionsmodell erstellen
• 11.3 Ein Baseline-Klassifizierungsmodell erstellen
• 11.4 Vorhersagen binärer Klassifikatoren bewerten
• 11.5 Schwellenwerte von binären Klassifikatoren bewerten
• 11.6 Mehrklassige Klassifikatorvorhersagen bewerten
• 11.7 Die Performance eines Klassifikators visualisieren
• 11.8 Regressionsmodelle bewerten
• 11.9 Clustermodelle bewerten
• 11.10 Eine benutzerdefinierte Bewertungsmetrik erstellen
• 11.11 Die Wirkung der Trainingsmengengröße visualisieren
• 11.12 Einen Textbericht der Bewertungsmetriken erstellen
• 11.13 Die Wirkung von Hyperparameter-Werten visualisieren
• Kapitel 12: Modellauswahl
• 12.0 Einführung
• 12.1 Beste Modelle mittels erschöpfender Suche auswählen
• 12.2 Beste Modelle mittels Zufallssuche auswählen
• 12.3 Beste Modelle von mehreren Lernalgorithmen auswählen
• 12.4 Beste Modelle bei Vorverarbeitung auswählen
• 12.5 Die Modellauswahl durch Parallelisierung beschleunigen
• 12.6 Die Modellauswahl mit algorithmusspezifischen Methoden beschleunigen
• 12.7 Performance nach der Modellauswahl bewerten
• Kapitel 13: Lineare Regression
• 13.0 Einführung
• 13.1 Eine Gerade anpassen
• 13.2 Interaktive Effekte verarbeiten
• 13.3 Eine nichtlineare Beziehung anpassen
• 13.4 Varianz durch Regularisierung verringern
• 13.5 Merkmale mit Lasso-Regression reduzieren
• Kapitel 14: Bäume und Wälder
• 14.0 Einführung
• 14.1 Einen Klassifikator mittels Entscheidungsbaum trainieren
• 14.2 Einen Entscheidungsbaumregressor trainieren
• 14.3 Ein Entscheidungsbaummodell visualisieren
• 14.4 Einen Random-Forest-Klassifikator trainieren
• 14.5 Einen Random-Forest-Regressor trainieren
• 14.6 Wichtige Merkmale in Random Forests identifizieren
• 14.7 Wichtige Merkmale in Random Forests auswählen
• 14.8 Unausgewogene Klassen behandeln
• 14.9 Die Baumgröße steuern
• 14.10 Performance durch Boosting verbessern
• 14.11 Random Forests mit Out-of-Bag-Fehlern bewerten
• Kapitel 15: K-nächste Nachbarn
• 15.0 Einführung
• 15.1 Die nächsten Nachbarn einer Beobachtung suchen
• 15.2 Einen k-nächste-Nachbarn-Klassifikator erzeugen
• 15.3 Die Größe der besten Nachbarschaft ermitteln
• 15.4 Einen radiusbasierten Nächste-Nachbarn- Klassifikator erstellen
• Kapitel 16: Logistische Regression
• 16.0 Einführung
• 16.1 Einen binären Klassifikator trainieren
• 16.2 Einen Multiklassenklassifikator trainieren
• 16.3 Varianz durch Regularisierung verringern
• 16.4 Einen Klassifikator auf sehr großen Daten trainieren
• 16.5 Unausgewogene Klassen verarbeiten
• Kapitel 17: Support Vector Machines
• 17.0 Einführung
• 17.1 Einen linearen Klassifikator trainieren
• 17.2 Nicht linear separierbare Klassen mit Kernels behandeln
• 17.3 Vorhergesagte Wahrscheinlichkeiten erzeugen
• 17.4 Stützvektoren bestimmen
• 17.5 Unausgewogene Klassen verarbeiten
• Kapitel 18: Naive Bayes-Klassifikatoren
• 18.0 Einführung
• 18.1 Einen Klassifikator für kontinuierliche Merkmale trainieren
• 18.2 Einen Klassifikator für diskrete und abzählbare Merkmale trainieren
• 18.3 Einen naiven Bayes-Klassifikator für binäre Merkmale trainieren
• 18.4 Vorhergesagte Wahrscheinlichkeiten kalibrieren
• Kapitel 19: Clustering
• 19.0 Einführung
• 19.1 K-Means-Clustering
• 19.2 K-Means-Clustering beschleunigen
• 19.3 Clustering mittels Mean-Shift
• 19.4 Clustering durch hierarchisches Zusammenführen
• Kapitel 20: Neuronale Netze
• 20.0 Einführung
• 20.1 Vorverarbeitung der Daten für neuronale Netze
• 20.2 Ein neuronales Netz entwerfen
• 20.3 Einen binären Klassifikator trainieren
• 20.4 Einen Klassifikator für mehrere Klassen trainieren
• 20.5 Einen Regressor trainieren
• 20.6 Vorhersagen treffen
• 20.7 Den Trainingsverlauf visualisieren
• 20.8 Überanpassung durch Regularisierung der Gewichte vermindern
• 20.9 Überanpassung durch frühes Stoppen verringern
• 20.10 Überanpassung durch Dropout verringern
• 20.11 Den Fortschritt beim Training eines Modells speichern
• 20.12 Neuronale Netze mit k-facher Kreuzvalidierung
• 20.13 Neuronale Netze optimieren
• 20.14 Neuronale Netze visualisieren
• 20.15 Bilder klassifizieren
• 20.16 Höhere Performance durch Bildverbesserung
• 20.17 Text klassifizieren
• Kapitel 21: Trainierte Modelle speichern und laden
• 21.0 Einführung
• 21.1 Ein scikit-learn-Modell speichern und laden
• 21.2 Ein Keras-Modell speichern und laden
• Index
• Über den Autor
• Kolophon