Beschreibung
Überwachtes Lernen beschreibt ein Szenario, in dem Erfahrung zu einem Trainingsfaktor wird, der wichtige Informationen enthält (z.B. Krank/Gesund-Etiketten für die Erkennung von Pflanzenkrankheiten), die in den ungesehenen "Testbeispielen", auf die das erlernte Fachwissen angewandt werden soll, fehlen. In diesem Szenario zielt das erlernte Fachwissen darauf ab, diese fehlenden Informationen für die Testdaten vorherzusagen. In diesem Sinne kann man sich die Umgebung als Lehrer vorstellen, der den Lernenden durch die Bereitstellung zusätzlicher Informationen, d. h. von Etiketten, überwacht. In diesem Buch werden wir überwachte maschinelle Lernmodelle diskutieren, durch die Sie die theoretischen Grundlagen, einige Beschreibungen von Anwendungsbereichen verstehen und dann jedes von ihnen in Jupyter Lab mit pandas und scikit-learn Bibliotheken für Python implementieren werden. Zunächst werden Sie mit der logistischen Regression (binäre Klassifizierung), der Multiklassenklassifizierung durch logistische Regression, Entscheidungsbäumen, Support Vector Machine - SVM (Support Vector Machines), Random Forest, K-Fold Cross Validation und schließlich Naive B
Autorenporträt
Jorge Gómez Gómez. Engenheiro de Sistemas, recebeu um Mestrado em Engenharia Telemática na Universidade do Cauca Colômbia em 2010, Doutoramento em Tecnologias da Informação e Comunicações na Universidade de Granada Espanha em 2018, professor a tempo inteiro do programa de Engenharia de Sistemas - Universidade de Córdoba, Membro do IEEE Branch.
Herstellerkennzeichnung:
BoD - Books on Demand
In de Tarpen 42
22848 Norderstedt
DE
E-Mail: info@bod.de
