Bookbot

Machine Learning kompakt

Ein Einstieg für Studierende der Naturwissenschaften

Ocena książki

Parametry

  • 80 stron
  • 3 godziny czytania

Więcej o książce

Dieses essential befasst sich mit Anwendungen des maschinellen Lernens in verschiedenen Bereichen der Naturwissenschaften. Es behandelt geläufige Strukturen und Algorithmen, um Daten mit den Techniken des maschinellen Lernens zu analysieren. Zunächst werden Methoden eingeführt, die an klassischen statistischen Analysen andocken und auf soliderem mathematischem Fundament stehen. Die Autoren machen mit den verschiedenen Strukturen für künstliche neuronale Netzwerke vertraut und zeigen die jeweiligen Anwendungsgebiete. Inhaltsverzeichnis Einführung. - Maschinelles Lernen ohne neuronale Netzwerke. - Neuronale Netzwerke und überwachtes Lernen. - Unüberwachtes Lernen. - Interpretierbarkeit von neuronalen Netzwerken. - Schlusskommentare.

Zakup książki

Machine Learning kompakt, Kenny Choo, Eliska Greplova, Mark H. Fischer, Titus Neupert

Język
Rok wydania
2021
Oprawa
(miękka)
Jak tylko się pojawi, wyślemy Ci wiadomość e-mail.

Metody płatności

4,0
Bardzo dobra
1 Ocena

Brakuje nam tutaj Twojej recenzji.

Tytuł
Machine Learning kompakt
Podtytuł
Ein Einstieg für Studierende der Naturwissenschaften
Język
niemiecki
Rok wydania
2021
Oprawa
miękka
Liczba stron
80
ISBN13
9783658322670
Seria
Ocena
4 z 5
Opis
Dieses essential befasst sich mit Anwendungen des maschinellen Lernens in verschiedenen Bereichen der Naturwissenschaften. Es behandelt geläufige Strukturen und Algorithmen, um Daten mit den Techniken des maschinellen Lernens zu analysieren. Zunächst werden Methoden eingeführt, die an klassischen statistischen Analysen andocken und auf soliderem mathematischem Fundament stehen. Die Autoren machen mit den verschiedenen Strukturen für künstliche neuronale Netzwerke vertraut und zeigen die jeweiligen Anwendungsgebiete. Inhaltsverzeichnis Einführung. - Maschinelles Lernen ohne neuronale Netzwerke. - Neuronale Netzwerke und überwachtes Lernen. - Unüberwachtes Lernen. - Interpretierbarkeit von neuronalen Netzwerken. - Schlusskommentare.