Maschinelles Lernen
Maschinelles Lernen
Eine Beispielsammlung für Empfehlungs- und Entscheidungssysteme
Regulärer Preis:
49,99 €
inkl. MwSt. ggf. zzgl.
lieferbar innerhalb 5-10 Werktagen
Sie sind Dozierende:r oder Lehrkraft? Bitte melden Sie sich an oder registrieren Sie sich, um kostenlos auf unsere Inhalte zugreifen zu können.
Prüfe ob du über deine Hochschulbibliothek Zugriff auf den Titel in der Hanser eLibrary hast.
Maschinelles Lernen in der Hanser eLibrary
Maschinelles Lernen in der Hanser eLibrary
- ISBN: 978-3-446-48781-9
- Erscheinungsdatum: 10/2026
- Sprache: Deutsch
- Auflage: 1
- Farbigkeit: Schwarz-weiß
- Seitenanzahl: 152
-
Produktsicherheit:
Carl Hanser Verlag GmbH & Co KG
Vilshofener Str. 10
81679 München
E-Mail: info@hanser.de
Sicherheitshinweis entsprechend Art.9 Abs. 7 Satz 2 GPSR entbehrlich
Produktinformationen "Maschinelles Lernen"
- Entwickeln Sie Empfehlungs- und Entscheidungssysteme Schritt für Schritt.
- Lernen Sie die Stärken und Grenzen wichtiger Algorithmen kennen und worauf es in der Praxis ankommt.
- Finden Sie den passenden Algorithmus und erhalten Sie Tipps zur Parametrierung anhand ausgewählter Small-scale-Beispiele.
- Ein Buch für Praktiker und Bachelor-Studierende im Bereich Computer Science und AI.
- Ihr exklusiver Vorteil: E-Book inklusive beim Kauf des gedruckten Buches
Entdecken Sie in diesem Buch, wie Sie maschinelles Lernen unter Anwendung von supervised /unsupervised- Learning-Techniken für die Entwicklung von Empfehlungs- und Entscheidungssystemen praktisch einsetzen – klar erklärt, anwendungsorientiert und direkt auf eigene Projekte übertragbar. Eine Sammlung anschaulicher Small-scale-Beispiele hilft dabei, schnell die passenden Methoden für Ihre Anforderungen zu finden. Ob Sie etwa ein Fraud- Erkennungssystem entwickeln möchten oder Nach einem passenden Algorithmus mit Hinweisen zur Parameterwahl suchen – dieses Buch bietet konkrete Antworten.
Ein weiterer Schwerpunkt liegt auf dem Design und der Umsetzung von Empfehlungssystemen. Dabei werden zunächst die Grundlagen erläutert. Am Beispiel von Filmempfehlungssystemen erfahren Sie dann Schritt für Schritt, wie gängige Machine-Learning-Algorithmen prinzipiell arbeiten und wie diese umgesetzt werden.
Jedes Kapitel verbindet theoretische Grundlagen mit nachvollziehbaren Pilotimplementierungen und gut dokumentierten Codebeispielen in Python unter Benutzung der scikit-learn-Bibliotheken. Zum Abschluss erhalten Sie einen Leitfaden, wie Sie ein supervised/unsupervised-Projekt in einzelne Schritte zerlegen, damit eine gute Prozessintegration möglich wird.
AUS DEM INHALT //
- Arten von maschinellem Lernen
- Vorverarbeitungsschritte für maschinelles Lernen
- Fallbeispiel 1: Vorhersage Verkauf/kein Verkauf eines Hauses (Logistische-Regression-Algorithmus)
- Fallbeispiel 2: Betrugserkennung bei Transaktionen unter Einsatz eines Klassifizierers
- Fallbeispiel 3: Rotweinqualität-Prognose (SVM, MLP)
- Fallbeispiel 4: Rotweinqualität-Mehrklassenprognose
- Empfehlungssysteme inkl. Fallbeispiele (KNN, K-Means)
- Leitfaden für die Umsetzung von Supervised-Learning-Projekten
- Möglichkeiten für den Einsatz von generativen Modellen am Beispiel einer Klassifikation
- Lernen Sie die Stärken und Grenzen wichtiger Algorithmen kennen und worauf es in der Praxis ankommt.
- Finden Sie den passenden Algorithmus und erhalten Sie Tipps zur Parametrierung anhand ausgewählter Small-scale-Beispiele.
- Ein Buch für Praktiker und Bachelor-Studierende im Bereich Computer Science und AI.
- Ihr exklusiver Vorteil: E-Book inklusive beim Kauf des gedruckten Buches
Entdecken Sie in diesem Buch, wie Sie maschinelles Lernen unter Anwendung von supervised /unsupervised- Learning-Techniken für die Entwicklung von Empfehlungs- und Entscheidungssystemen praktisch einsetzen – klar erklärt, anwendungsorientiert und direkt auf eigene Projekte übertragbar. Eine Sammlung anschaulicher Small-scale-Beispiele hilft dabei, schnell die passenden Methoden für Ihre Anforderungen zu finden. Ob Sie etwa ein Fraud- Erkennungssystem entwickeln möchten oder Nach einem passenden Algorithmus mit Hinweisen zur Parameterwahl suchen – dieses Buch bietet konkrete Antworten.
Ein weiterer Schwerpunkt liegt auf dem Design und der Umsetzung von Empfehlungssystemen. Dabei werden zunächst die Grundlagen erläutert. Am Beispiel von Filmempfehlungssystemen erfahren Sie dann Schritt für Schritt, wie gängige Machine-Learning-Algorithmen prinzipiell arbeiten und wie diese umgesetzt werden.
Jedes Kapitel verbindet theoretische Grundlagen mit nachvollziehbaren Pilotimplementierungen und gut dokumentierten Codebeispielen in Python unter Benutzung der scikit-learn-Bibliotheken. Zum Abschluss erhalten Sie einen Leitfaden, wie Sie ein supervised/unsupervised-Projekt in einzelne Schritte zerlegen, damit eine gute Prozessintegration möglich wird.
AUS DEM INHALT //
- Arten von maschinellem Lernen
- Vorverarbeitungsschritte für maschinelles Lernen
- Fallbeispiel 1: Vorhersage Verkauf/kein Verkauf eines Hauses (Logistische-Regression-Algorithmus)
- Fallbeispiel 2: Betrugserkennung bei Transaktionen unter Einsatz eines Klassifizierers
- Fallbeispiel 3: Rotweinqualität-Prognose (SVM, MLP)
- Fallbeispiel 4: Rotweinqualität-Mehrklassenprognose
- Empfehlungssysteme inkl. Fallbeispiele (KNN, K-Means)
- Leitfaden für die Umsetzung von Supervised-Learning-Projekten
- Möglichkeiten für den Einsatz von generativen Modellen am Beispiel einer Klassifikation
Anmelden
Noch keine Bewertung
Derzeit liegen noch keine Bewertugen zu diesem Artikel vor. Verfassen Sie die erste Bewertung und helfen Sie anderen Kund:innen.
Rudolf Jäger
Dr. Rudolf Jäger ist Lehrbeauftragter an der TH Ingolstadt im Studiengang Computer Science and AI. Seine Lehrveranstaltung hat den Titel Algorithm for AI 3. Zuvor war er 16 Jahre lang Professor an der Technischen Hochschule Mittelhessen im Fachbereich Informationstechnik-Elektrotechnik- Mechatronik mit dem Schwerpunkt interaktives digitales Fernsehen. Zudem war er viele Jahre in der Industrie tätig.
Die Coverdateien dürfen Sie zur Bewerbung des Buches honorarfrei verwenden.
