Praxisbuch Unsupervised Learning

Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren

Ankur A. Patel

Diese Publikation zitieren

Ankur A. Patel, Praxisbuch Unsupervised Learning (2020), O'Reilly Verlag, Heidelberg, ISBN: 9783960888765

2887
Accesses
29
Quotes

Beschreibung / Abstract

Entdecken Sie Muster in Daten, die für den Menschen nicht erkennbar sind
Unsupervised Learning könnte der Schlüssel zu einer umfassenderen künstlichen Intelligenz sein
Voller praktischer Techniken für die Arbeit mit ungelabelten Daten, verständlich geschrieben und mit unkomplizierten Python-Beispielen
Verwendet Scikit-learn, TensorFlow und Keras
Ein Großteil der weltweit verfügbaren Daten ist ungelabelt. Auf diese nicht klassifizierten Daten lassen sich die Techniken des Supervised Learning, die im Machine Learning viel genutzt werden, nicht anwenden. Dagegen kann das Unsupervised Learning - auch unüberwachtes Lernen genannt - für ungelabelte Datensätze eingesetzt werden, um aussagekräftige Muster zu entdecken, die tief in den Daten verborgen sind – Muster, die für den Menschen fast unmöglich zu entdecken sind.
Wie Data Scientists Unsupervised Learning für ihre Daten nutzen können, zeigt Ankur Patel in diesem Buch anhand konkreter Beispiele, die sich schnell und effektiv umsetzen lassen. Sie erfahren, wie Sie schwer zu findende Muster in Daten herausarbeiten und dadurch z.B. tiefere Einblicke in Geschäftsprozesse gewinnen. Sie lernen auch, wie Sie Anomalien erkennen, automatisches Feature Engineering durchführen oder synthetische Datensätze generieren.

Beschreibung

Ankur A. Patel ist Vice President Data Science bei 7Park Data, einem Portfolio-Unternehmen von Vista Equity Partners. Bei 7Park Data verwenden Ankur und sein Data-Science-Team alternative Daten, um Datenprodukte für Hedge-Fonds und Unternehmen sowie Machine Learning als Service (MLaaS) für Geschäftskunden zu entwickeln.

Inhaltsverzeichnis

  • BEGINN
  • Inhalt
  • Einleitung
  • Teil I: Grundlagen des Unsupervised Learning
  • Kapitel 1: Unsupervised Learning im Ökosystem des maschinellen Lernens
  • Kapitel 2: Durchgehendes Projekt zum maschinellen Lernen
  • Teil II: Unsupervised Learning mit Scikit-learn
  • Kapitel 3: Dimensionsreduktion
  • Kapitel 4: Anomalieerkennung
  • Kapitel 5: Clustering
  • Kapitel 6: Gruppensegmentierung
  • Teil III: Unsupervised Learning mit TensorFlow und Keras
  • Kapitel 7: Autoencoder
  • Kapitel 8: Praktische Autoencoder
  • Kapitel 9: Semi-supervised Learning
  • Teil IV: Deep Unsupervised Learning mit TensorFlow und Keras
  • Kapitel 10: Empfehlungsdienste mit beschränkten Boltzmann-Maschinen
  • Kapitel 11: Featureerkennung mit Deep Belief Networks
  • Kapitel 12: Generative Adversarial Networks
  • Kapitel 13: Zeitreihen-Clustering
  • Kapitel 14: Zum Schluss
  • Index

Ähnliche Titel

    Mehr von diesem Autor