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 €
-
Warum Deep Learning im Vergleich zu Machine Learning?
Deep Learning unterscheidet sich von Machine Learning durch seine Fähigkeit, automatisch Merkmale aus den Daten zu extrahieren, anstatt dass diese manuell definiert werden müssen. Dadurch ist Deep Learning in der Lage, komplexere und abstraktere Muster in den Daten zu erkennen und zu lernen. Dies ermöglicht es Deep Learning-Modellen, in vielen Anwendungsbereichen, wie Bild- und Spracherkennung, bessere Leistungen zu erzielen als herkömmliche Machine Learning-Modelle.
-
Kennt sich jemand mit Machine Learning aus?
Ja, es gibt viele Menschen, die sich mit Machine Learning auskennen. Machine Learning ist ein Teilgebiet der künstlichen Intelligenz, das sich mit der Entwicklung von Algorithmen und Modellen befasst, die es Computern ermöglichen, aus Daten zu lernen und Vorhersagen oder Entscheidungen zu treffen. Es gibt viele Experten und Forscher, die sich intensiv mit Machine Learning beschäftigen und in verschiedenen Bereichen wie der Medizin, der Finanzwelt oder der Robotik Anwendungen entwickeln.
-
Ist AWS der Standard im Machine Learning?
AWS ist einer der führenden Anbieter von Cloud-Computing-Diensten, einschließlich Machine Learning. Es bietet eine breite Palette von ML-Diensten und Tools wie Amazon SageMaker und Amazon Rekognition, die von vielen Unternehmen genutzt werden. Obwohl AWS als Standard angesehen werden kann, gibt es auch andere Anbieter wie Google Cloud und Microsoft Azure, die ebenfalls starke ML-Funktionen bieten. Die Wahl des richtigen Anbieters hängt von den spezifischen Anforderungen und Präferenzen des Unternehmens ab.
-
Wie hoch ist der Tarif eines Programmierers als Machine Learning Freelancer?
Der Tarif eines Programmierers als Machine Learning Freelancer kann stark variieren und hängt von verschiedenen Faktoren ab, wie zum Beispiel der Erfahrung des Programmierers, der Komplexität des Projekts und der Dauer des Engagements. In der Regel können die Stundensätze für erfahrene Machine Learning Freelancer zwischen 50 und 200 Euro liegen. Es ist jedoch wichtig zu beachten, dass diese Preise nur als grobe Richtlinie dienen und je nach individueller Vereinbarung und Verhandlungsbasis variieren können.
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 € -
Easy Learning
Kinder-Wanduhr "Easy Learning", Durchmesser 30 cm, geräuscharm
Preis: 23.96 € | Versand*: 6.96 € -
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 € -
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 €
-
Wie wichtig ist das Fach Theoretische Informatik für Data Science und Machine Learning?
Das Fach Theoretische Informatik ist für Data Science und Machine Learning nicht unbedingt unverzichtbar, aber es kann dennoch von Vorteil sein. Theoretische Informatik vermittelt grundlegende Konzepte und Algorithmen, die in vielen Bereichen der Informatik relevant sind, einschließlich Data Science und Machine Learning. Ein solides Verständnis der theoretischen Grundlagen kann helfen, komplexe Probleme besser zu verstehen und effiziente Lösungen zu entwickeln.
-
Was sind die potenziellen Vorteile von Machine-to-Machine-Kommunikation in der modernen Industrie?
Die potenziellen Vorteile von Machine-to-Machine-Kommunikation in der modernen Industrie sind eine verbesserte Effizienz durch automatisierte Prozesse, eine schnellere Fehlererkennung und -behebung sowie die Möglichkeit, große Mengen an Daten in Echtzeit zu analysieren und zu nutzen. Dies kann zu Kosteneinsparungen, höherer Produktivität und besserer Qualität führen. Außerdem ermöglicht es Unternehmen, neue Geschäftsmodelle zu entwickeln und Wettbewerbsvorteile zu erlangen.
-
Kann man Time Machine back up unterbrechen?
Ja, man kann Time Machine-Backups unterbrechen, indem man auf das Time Machine-Symbol in der Menüleiste klickt und dann "Backup unterbrechen" auswählt. Dies kann nützlich sein, wenn man den Computer für eine Weile nicht benutzen möchte oder wenn man die Bandbreite des Netzwerks für andere Aktivitäten benötigt. Es ist wichtig zu beachten, dass das Backup zu einem späteren Zeitpunkt automatisch fortgesetzt wird, sobald das System wieder verfügbar ist. Es ist auch möglich, das Time Machine-Backup manuell zu stoppen, indem man die Time Machine-Einstellungen öffnet und auf "Backup jetzt beenden" klickt. Es ist jedoch ratsam, das Backup nicht zu oft zu unterbrechen, da dies die Konsistenz der Sicherungskopien beeinträchtigen kann.
-
Welche Tattoos hat Machine Gun Kelly?
Machine Gun Kelly hat eine Vielzahl von Tattoos, darunter ein großes Porträt von Johnny Cash auf seinem Unterarm, den Schriftzug "EST" auf seiner Brust für seine Fanbase "Est 19xx", sowie verschiedene andere Motive wie Flammen, Schädel und Rosen. Sein Körper ist praktisch von Kopf bis Fuß mit Tätowierungen bedeckt, die seine Persönlichkeit und seine Lebensgeschichte widerspiegeln. Kelly ist bekannt für seine Liebe zur Kunst des Tätowierens und lässt sich regelmäßig neue Motive stechen.
* 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.