Angebote zu "Gewinnung" (17 Treffer)

Kategorien

Shops

Supervised Learning Algorithmus für Stellenanze...
22,99 € *
ggf. zzgl. Versand

Supervised Learning Algorithmus für Stellenanzeigenklassifikation und Jobdeskriptoren Gewinnung ab 22.99 € als Taschenbuch: Diplomarbeit Akademische Schriftenreihe. 2. Auflage. Aus dem Bereich: Bücher, Ratgeber, Computer & Internet,

Anbieter: hugendubel
Stand: 20.02.2020
Zum Angebot
Supervised Learning Algorithmus für Stellenanze...
14,99 € *
ggf. zzgl. Versand

Supervised Learning Algorithmus für Stellenanzeigenklassifikation und Jobdeskriptoren Gewinnung ab 14.99 € als epub eBook: 1. Auflage. Aus dem Bereich: eBooks, Sachthemen & Ratgeber, Computer & Internet,

Anbieter: hugendubel
Stand: 20.02.2020
Zum Angebot
Merkmalskonstruktion für Machine Learning (eBoo...
27,99 € *
ggf. zzgl. Versand

Die Merkmalskonstruktion, auch Feature Engineering genannt, ist ein entscheidender Arbeitsschritt bei der Datenaufbereitung für das maschinelle Lernen, der die Leistung der Modelle stark beeinflusst. In diesem praxisnahen Buch lernen Sie Techniken, um Merkmale - numerische Repräsentationen eines bestimmten Aspekts von Rohdaten - zu gewinnen und mit maschinellen Lernmodellen nutzbar zu machen. Jedes Kapitel führt Sie durch eine spezifische Aufgabe der Datenanalyse wie etwa die Darstellung von Text- oder Bilddaten. Diese Beispiele veranschaulichen die wichtigsten Prinzipien der Merkmalskonstruktion. Statt diese Prinzipien nur zu beschreiben, legen die Autorinnen Alice Zheng und Amanda Casari im gesamten Buch den Schwerpunkt auf die praktische Anwendung mit Übungen. Das Schlusskapitel vertieft das Gelernte, indem es verschiedene Techniken der Merkmalskonstruktion auf einen realen, strukturierten Datensatz anwendet. In den Beispielen werden Python-Pakete wie numpy, Pandas, scikit-learn und Matplotlib verwendet. Aus dem Inhalt: - Merkmalskonstruktion an numerischen Daten: Filter, Klasseneinteilung, Skalierung, logarithmische und Potenz-Transformationen - Techniken für natürlichen Text: Bag-of-Words-Modelle, n-Gramme und Phrasenerkennung - Frequenzfilterung und Merkmalsskalierung zum Entfernen aussageloser Merkmale - Kodierungstechniken für Kategorievariablen, darunter Merkmals-Hashing und Klassenzählung - Modellgesteuerte Merkmalskonstruktion mit der Hauptkomponentenanalyse - Das Konzept der Modellkombination mit dem k-Means-Algorithmus als Technik zur Merkmalserzeugung - Gewinnung von Bildmerkmalen anhand manueller und Deep-Learning-Techniken

Anbieter: buecher
Stand: 20.02.2020
Zum Angebot
Merkmalskonstruktion für Machine Learning (eBoo...
27,99 € *
ggf. zzgl. Versand

Die Merkmalskonstruktion, auch Feature Engineering genannt, ist ein entscheidender Arbeitsschritt bei der Datenaufbereitung für das maschinelle Lernen, der die Leistung der Modelle stark beeinflusst. In diesem praxisnahen Buch lernen Sie Techniken, um Merkmale - numerische Repräsentationen eines bestimmten Aspekts von Rohdaten - zu gewinnen und mit maschinellen Lernmodellen nutzbar zu machen. Jedes Kapitel führt Sie durch eine spezifische Aufgabe der Datenanalyse wie etwa die Darstellung von Text- oder Bilddaten. Diese Beispiele veranschaulichen die wichtigsten Prinzipien der Merkmalskonstruktion. Statt diese Prinzipien nur zu beschreiben, legen die Autorinnen Alice Zheng und Amanda Casari im gesamten Buch den Schwerpunkt auf die praktische Anwendung mit Übungen. Das Schlusskapitel vertieft das Gelernte, indem es verschiedene Techniken der Merkmalskonstruktion auf einen realen, strukturierten Datensatz anwendet. In den Beispielen werden Python-Pakete wie numpy, Pandas, scikit-learn und Matplotlib verwendet. Aus dem Inhalt: - Merkmalskonstruktion an numerischen Daten: Filter, Klasseneinteilung, Skalierung, logarithmische und Potenz-Transformationen - Techniken für natürlichen Text: Bag-of-Words-Modelle, n-Gramme und Phrasenerkennung - Frequenzfilterung und Merkmalsskalierung zum Entfernen aussageloser Merkmale - Kodierungstechniken für Kategorievariablen, darunter Merkmals-Hashing und Klassenzählung - Modellgesteuerte Merkmalskonstruktion mit der Hauptkomponentenanalyse - Das Konzept der Modellkombination mit dem k-Means-Algorithmus als Technik zur Merkmalserzeugung - Gewinnung von Bildmerkmalen anhand manueller und Deep-Learning-Techniken

Anbieter: buecher
Stand: 20.02.2020
Zum Angebot
Merkmalskonstruktion für Machine Learning
34,90 € *
ggf. zzgl. Versand

Die Merkmalskonstruktion, auch Feature Engineering genannt, ist ein entscheidender Arbeitsschritt bei der Datenaufbereitung für das maschinelle Lernen, der die Leistung der Modelle stark beeinflusst. In diesem praxisnahen Buch lernen Sie Techniken, um Merkmale - numerische Repräsentationen eines bestimmten Aspekts von Rohdaten - zu gewinnen und mit maschinellen Lernmodellen nutzbar zu machen. Jedes Kapitel führt Sie durch eine spezifische Aufgabe der Datenanalyse wie etwa die Darstellung von Text- oder Bilddaten. Diese Beispiele veranschaulichen die wichtigsten Prinzipien der Merkmalskonstruktion.Statt diese Prinzipien nur zu beschreiben, legen die Autorinnen Alice Zheng und Amanda Casari im gesamten Buch den Schwerpunkt auf die praktische Anwendung mit Übungen. Das Schlusskapitel vertieft das Gelernte, indem es verschiedene Techniken der Merkmalskonstruktion auf einen realen, strukturierten Datensatz anwendet. In den Beispielen werden Python-Pakete wie numpy, Pandas, scikit-learn und Matplotlib verwendet.Aus dem Inhalt:- Merkmalskonstruktion an numerischen Daten: Filter, Klasseneinteilung, Skalierung, logarithmische und Potenz-Transformationen- Techniken für natürlichen Text: Bag-of-Words-Modelle, n-Gramme und Phrasenerkennung- Frequenzfilterung und Merkmalsskalierung zum Entfernen aussageloser Merkmale- Kodierungstechniken für Kategorievariablen, darunter Merkmals-Hashing und Klassenzählung- Modellgesteuerte Merkmalskonstruktion mit der Hauptkomponentenanalyse- Das Konzept der Modellkombination mit dem k-Means-Algorithmus als Technik zur Merkmalserzeugung- Gewinnung von Bildmerkmalen anhand manueller und Deep-Learning-Techniken"Datenaufbereitung und Merkmalskonstruktion haben sich in vielen Anwendungen als die wichtigsten Einflussfaktoren für die Leistungsfähigkeit der Modelle erwiesen. Ich freue mich, dass es endlich ein Buch gibt, das sich nur diesem Thema widmet. Alice und Amanda erklären sehr detailliert die Feinheiten vieler verbreiteter Techniken."- Andreas C. MüllerDozent für Machine Learning an der Universität von Columbia und Kernentwickler bei scikit-learn

Anbieter: buecher
Stand: 20.02.2020
Zum Angebot
Merkmalskonstruktion für Machine Learning
35,90 € *
ggf. zzgl. Versand

Die Merkmalskonstruktion, auch Feature Engineering genannt, ist ein entscheidender Arbeitsschritt bei der Datenaufbereitung für das maschinelle Lernen, der die Leistung der Modelle stark beeinflusst. In diesem praxisnahen Buch lernen Sie Techniken, um Merkmale - numerische Repräsentationen eines bestimmten Aspekts von Rohdaten - zu gewinnen und mit maschinellen Lernmodellen nutzbar zu machen. Jedes Kapitel führt Sie durch eine spezifische Aufgabe der Datenanalyse wie etwa die Darstellung von Text- oder Bilddaten. Diese Beispiele veranschaulichen die wichtigsten Prinzipien der Merkmalskonstruktion.Statt diese Prinzipien nur zu beschreiben, legen die Autorinnen Alice Zheng und Amanda Casari im gesamten Buch den Schwerpunkt auf die praktische Anwendung mit Übungen. Das Schlusskapitel vertieft das Gelernte, indem es verschiedene Techniken der Merkmalskonstruktion auf einen realen, strukturierten Datensatz anwendet. In den Beispielen werden Python-Pakete wie numpy, Pandas, scikit-learn und Matplotlib verwendet.Aus dem Inhalt:- Merkmalskonstruktion an numerischen Daten: Filter, Klasseneinteilung, Skalierung, logarithmische und Potenz-Transformationen- Techniken für natürlichen Text: Bag-of-Words-Modelle, n-Gramme und Phrasenerkennung- Frequenzfilterung und Merkmalsskalierung zum Entfernen aussageloser Merkmale- Kodierungstechniken für Kategorievariablen, darunter Merkmals-Hashing und Klassenzählung- Modellgesteuerte Merkmalskonstruktion mit der Hauptkomponentenanalyse- Das Konzept der Modellkombination mit dem k-Means-Algorithmus als Technik zur Merkmalserzeugung- Gewinnung von Bildmerkmalen anhand manueller und Deep-Learning-Techniken"Datenaufbereitung und Merkmalskonstruktion haben sich in vielen Anwendungen als die wichtigsten Einflussfaktoren für die Leistungsfähigkeit der Modelle erwiesen. Ich freue mich, dass es endlich ein Buch gibt, das sich nur diesem Thema widmet. Alice und Amanda erklären sehr detailliert die Feinheiten vieler verbreiteter Techniken."- Andreas C. MüllerDozent für Machine Learning an der Universität von Columbia und Kernentwickler bei scikit-learn

Anbieter: buecher
Stand: 20.02.2020
Zum Angebot
Supervised Learning Algorithmus für Stellenanze...
14,99 € *
ggf. zzgl. Versand

Supervised Learning Algorithmus für Stellenanzeigenklassifikation und Jobdeskriptoren Gewinnung ab 14.99 EURO 1. Auflage

Anbieter: ebook.de
Stand: 20.02.2020
Zum Angebot
Strategien zur lokalen adaptiven Gitterverfeine...
45,80 € *
ggf. zzgl. Versand

Realistische Problemstellungen in der numerischen Strömungssimulation sind häufig gekennzeichnet durch eine hohe Anzahl von Unbekannten, da es notwendig ist, das Rechengebiet fein zu diskretisieren, um alle Effekte der Strömung zu erfassen. Dies hat einen hohen Speicherplatzbedarf und große Rechenzeiten zur Folge.Zwei Verfahren zur Effizienzsteigerung bei der Berechnung solch komplexer Strömungsprobleme sind die lokale Gitterverfeinerung und das Mehrgitterverfahren. Beim Verfahren der Gitterverfeinerung werden lokal nur in Gebieten mit hohem Diskretisierungsfehler Gitterpunkte eingefügt. Somit wird gegenüber einer Verfeinerung des gesamten Rechengebietes eine Einsparung an Gitterpunkten bei gleichbleibender Genauigkeit des Ergebnisses erreicht. Das geometrische Mehrgitterverfahren nutzt bei der Berechnung mehrere Gitterebenen mit unterschiedlich feiner Diskretisierung.In dieser Arbeit werden die lokale Gitterverfeinerung und das Mehrgitterverfahren miteinander kombiniert, um ein hohes Maß an Effizienz zu erreichen. Es werden Fehlerschätzer eingesetzt, um die zu verfeinernden Bereiche adaptiv ohne Eingriff des Nutzers bestimmen zu können.Der entwickelte Algorithmus wird in einen blockstrukturierten Löser für komplexe Geometrien implementiert. Es wird zum einen eine Strategie zur blockweisen Gitterverfeinerung entwickelt, zum anderen eine Strategie zur deutlich lokaleren Verfeinerung auf Basis der einzelnen Gitterzellen.Um den Verfeinerungsalgorithmus realisieren zu können, müssen die einzelnen Bausteine entwickelt und implementiert werden, dazu gehören Fehlerschätzer, Cluster-Algorithmen zum Regruppieren der markierten Gitterzellen zu Blöcken, Flusskorrekturverfahren, sowie Interpolationsverfahren und Diskretisierungsmethoden höherer Ordnung zur Gewinnung der Tochtergitter- Randbedingungen. Es werden jeweils mehrere Verfahren vorgestellt und numerisch untersucht.Die Untersuchung der Strategien zur lokalen Gitterverfeinerung wird an Hand von zwei Problemfällen mit unterschiedlicher Komplexität durchgeführt und zeigt das Potenzial zur deutlichen Effizienzsteigerung gegenüber Berechnungen mit Mehrgitterverfahren ohne Verfeinerungsstrategie.

Anbieter: Dodax
Stand: 20.02.2020
Zum Angebot
Rechnen mit musikalischen Intervallen, Skalen u...
41,95 € *
ggf. zzgl. Versand

Das interdisziplinär konzipierte Rechenkompendium bietet einen Überblick über die quantitativen Aspekte von musikalischen Intervallen, die im Laufe der Geschichte diskutiert worden sind. Für die mathematische Beschreibung des historischen Materials wird unter den möglichen Modellen bevorzugt das aristoxenische Treppenmodell verwendet, weil es größere Anschaulichkeit mit einem engeren Bezug zu musikalischen Sachverhalten verbindet. Die Betrachtung der diatonischen Struktur und der Notation im Liniensystem führt zunächst auf den Begriff der Stimmung. Der diatonische Algorithmus, der nach Ideen von Leibniz und Henfling mit Kettendifferenzen formuliert wird, garantiert schließlich ein systemübergreifendes Verfahren zur Gewinnung von Stimmungen in konsonanzbasierten Intervallsystemen.

Anbieter: Dodax
Stand: 20.02.2020
Zum Angebot