DATENWISSENSCHAFT MIT PYTHON. ÜBERWACHTE LERNTECHNIKEN: kNN, SVM, NAIVE BAYES, BAGGING, BOOSTING, STACKING UND NEURONALE NETZWERKE

Data-Science-Algorithmen nutzen rechnergestützte Methoden, um Informationen direkt aus Daten zu extrahieren. Beim maschinellen Lernen kommen zwei Arten von Techniken zum Einsatz: überwachtes Lernen, bei dem ein Modell mit bekannten Eingabe- und Ausgabedaten trainiert wird, sodass es zukünftige Ergebnisse vorhersagen kann, und unüberwachtes Lernen, bei dem in den Eingabedaten versteckte Muster oder inhärente Strukturen gefunden werden. Die meisten Techniken des überwachten Lernens werden in diesem Buch sowohl aus methodischer als auch aus praktischer Sicht mit Anwendungen mithilfe der Python-Software entwickelt. Die folgenden Techniken werden ausführlich untersucht: Nearest Neighbor (kNN), Support Vector Machine (SVM), Naive Bayes, Ensemble-Methoden, Bagging, Boosting, Voting, Stacking, Blending, Random Forest, neuronale Netzwerke, Multilayer Perceptron, Radial Basis Networks, Hopfield Networks, LSTM Networks, RNN Recurrent Networks, GRU Networks und neuronale Netzwerke zur Zeitreihenvorhersage.