PROGRAMMIEREN VON MASCHINELLEM LERNEN IN PYTHON

Mehr zum Buch

Das Buch thematisiert überwachte Lernmethoden im maschinellen Lernen, wobei der Fokus auf der Anwendung von Erfahrung zur Vorhersage fehlender Informationen in Testdaten liegt. Es werden verschiedene Modelle wie logistische Regression, Entscheidungsbäume und Support Vector Machines behandelt. Durch praktische Implementierungen in Jupyter Lab mit den Bibliotheken pandas und scikit-learn erhalten Leser sowohl theoretisches Wissen als auch praktische Fähigkeiten. Zudem wird K-Fold Cross Validation und Naive Bayes vorgestellt, um ein umfassendes Verständnis der Methoden zu fördern.