Produkt zum Begriff Datenanalyse:
-
Datenanalyse mit Python (McKinney, Wes)
Datenanalyse mit Python , Die erste Adresse für die Analyse von Daten mit Python Das Standardwerk in der 3. Auflage, aktualisiert auf Python 3.10 und pandas 1.4 Versorgt Sie mit allen praktischen Details und mit wertvollem Insiderwissen, um Datenanalysen mit Python erfolgreich durchzuführen Mit Jupyter-Notebooks für alle Codebeispiele aus jedem Kapitel Erfahren Sie alles über das Manipulieren, Bereinigen, Verarbeiten und Aufbereiten von Datensätzen mit Python: Aktualisiert auf Python 3.10 und pandas 1.4, zeigt Ihnen dieses konsequent praxisbezogene Buch anhand konkreter Fallbeispiele, wie Sie eine Vielzahl von typischen Datenanalyse-Problemen effektiv lösen. Gleichzeitig lernen Sie die neuesten Versionen von pandas, NumPy und Jupyter kennen. Geschrieben von Wes McKinney, dem Begründer des pandas-Projekts, bietet Datenanalyse mit Python einen praktischen Einstieg in die Data-Science-Tools von Python. Das Buch eignet sich sowohl für Datenanalysten, für die Python Neuland ist, als auch für Python-Programmierer, die sich in Data Science und Scientific Computing einarbeiten wollen. Daten und Zusatzmaterial zum Buch sind auf GitHub verfügbar. Aus dem Inhalt: Nutzen Sie Jupyter Notebook und die IPython-Shell für das explorative Computing Lernen Sie Grundfunktionen und fortgeschrittene Features von NumPy kennen Setzen Sie die Datenanalyse-Tools der pandas-Bibliothek ein Verwenden Sie flexible Werkzeuge zum Laden, Bereinigen, Transformieren, Zusammenführen und Umformen von Daten Erstellen Sie interformative Visualisierungen mit matplotlib Wenden Sie die GroupBy-Mechanismen von pandas an, um Datensätze zurechtzuschneiden, umzugestalten und zusammenzufassen Analysieren und manipulieren Sie verschiedenste Zeitreihendaten Erproben Sie die konkrete Anwendung der im Buch vorgestellten Werkzeuge anhand verschiedener realer Datensätze , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen , Auflage: 3. Auflage, Erscheinungsjahr: 20230302, Produktform: Kartoniert, Titel der Reihe: Animals##, Autoren: McKinney, Wes, Übersetzung: Lichtenberg, Kathrin~Demmig, Thomas, Auflage: 23003, Auflage/Ausgabe: 3. Auflage, Seitenzahl/Blattzahl: 556, Keyword: Big Data; Data Mining; Data Science; IPython; Jupyter; Jupyter notebook; NumPy; Python 3.10; matplotlib; pandas 1.4, Fachschema: Data Mining (EDV)~Analyse / Datenanalyse~Datenanalyse~Datenverarbeitung / Simulation~Informatik~Informationsverarbeitung (EDV)~Internet / Programmierung~Programmiersprachen, Fachkategorie: Programmier- und Skriptsprachen, allgemein, Warengruppe: HC/Programmiersprachen, Fachkategorie: Data Mining, Thema: Verstehen, Text Sprache: ger, Originalsprache: eng, UNSPSC: 49019900, Warenverzeichnis für die Außenhandelsstatistik: 49019900, Verlag: Dpunkt.Verlag GmbH, Verlag: Dpunkt.Verlag GmbH, Verlag: O'Reilly, Länge: 241, Breite: 168, Höhe: 35, Gewicht: 999, Produktform: Kartoniert, Genre: Mathematik/Naturwissenschaften/Technik/Medizin, Genre: Mathematik/Naturwissenschaften/Technik/Medizin, Vorgänger: 2660049, Vorgänger EAN: 9783960090809 9783960090007 9783864903038 9783958750739, andere Sprache: 9781491957660, Herkunftsland: DEUTSCHLAND (DE), Katalog: deutschsprachige Titel, Katalog: Gesamtkatalog, Katalog: Kennzeichnung von Titeln mit einer Relevanz > 30, Katalog: Lagerartikel, Book on Demand, ausgew. Medienartikel, Relevanz: 0120, Tendenz: -1, Unterkatalog: AK, Unterkatalog: Bücher, Unterkatalog: Hardcover, Unterkatalog: Lagerartikel,
Preis: 44.90 € | Versand*: 0 € -
Datenanalyse mit R: Fortgeschrittene Verfahren (Burkhardt, Markus~Titz, Johannes~Sedlmeier, Peter)
Datenanalyse mit R: Fortgeschrittene Verfahren , Dieses Buch erklärt ausgewählte Techniken der fortgeschrittenen Datenanalyse. In 10 eigenständigen Kapiteln werden dazu einführende und komplexe Datenbeispiele in R analysiert und interpretiert. , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen , Erscheinungsjahr: 20220701, Produktform: Kartoniert, Titel der Reihe: Pearson Studium - Psychologie##, Autoren: Burkhardt, Markus~Titz, Johannes~Sedlmeier, Peter, Seitenzahl/Blattzahl: 304, Themenüberschrift: COMPUTERS / Mathematical & Statistical Software, Keyword: Datenanalyse Fortgeschrittene; Diagnostik; Methodik; R Programm; Statistik, Fachschema: Analyse / Datenanalyse~Datenanalyse~Psychologie / Forschung, Experimente, Methoden~Erforschung~Forschung~Datenverarbeitung / Anwendungen / Mathematik, Statistik, Fachkategorie: Psychologie~Wahrscheinlichkeitsrechnung und Statistik~Mathematische und statistische Software, Warengruppe: HC/Psychologie/Psychologische Ratgeber, Fachkategorie: Forschungsmethoden, allgemein, Thema: Verstehen, Text Sprache: ger, UNSPSC: 49019900, Warenverzeichnis für die Außenhandelsstatistik: 49019900, Verlag: Pearson Studium, Verlag: Pearson Studium, Verlag: Pearson Studium, Länge: 241, Breite: 173, Höhe: 17, Gewicht: 525, Produktform: Kartoniert, Genre: Geisteswissenschaften/Kunst/Musik, Genre: Geisteswissenschaften/Kunst/Musik, Herkunftsland: NIEDERLANDE (NL), Katalog: deutschsprachige Titel, Katalog: Gesamtkatalog, Katalog: Lagerartikel, Book on Demand, ausgew. Medienartikel, Relevanz: 0004, Tendenz: -1, Unterkatalog: AK, Unterkatalog: Bücher, Unterkatalog: Hardcover, Unterkatalog: Lagerartikel, WolkenId: 2781061
Preis: 34.95 € | Versand*: 0 € -
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 € -
Steinberg Systems Schichtdickenmessgerät - 0 - 2000 μm - ±3 % + 1 μm - Datenanalyse SBS-TG-3000
In Sekundenschnelle Lackschichten messen – mit dem Schichtdickenmessgerät von Steinberg Systems kein Problem! Das hochsensible Gerät ermittelt automatisch, wie stark verschiedene Schichten, wie etwa Farbe oder Kunststoffe, auf ferromagnetischen Metallen sind. Die vielen Funktionen und exakten Messergebnisse machen das Gerät zum Muss in jeder Autowerkstatt. Umfangreicher geht’s kaum: Das Lackmessgerät bietet neben verstellbarer Display-Helligkeit und Alarm-Lautstärke viele Funktionen: automatisch rotierende Anzeige und Abschaltung, Analysesoftware mit verschiedenen Darstellungen der Messwerte, verschiedene Modi sowie die Batterie-Warnanzeige. Die gemessenen Werte übertragen Sie per Bluetooth bequem auf den Rechner. Dank spezieller App behalten Sie den Überblick über die Daten. Der Lacktester verfügt zudem über eine integrierte, hochempfindliche Sonde. Diese misst auf ±3 % + 1 μm genau. Vor der Messung justieren Sie das Gerät schnell und einfach mittels Nullpunkt- oder Mehrpunktkalibrierung. Dazu verwenden Sie im besten Fall eine unbeschichtete Probe des Substrates, das Sie messen möchten. Alternativ eignet sich auch eine glatte Nullplatte. Mit dem Lackdicken-Messer prüfen Sie die Dicke nichtmagnetischer Schichten auf verschiedenen Oberflächen, beispielsweise auf Edelstahl, Eisen, Aluminium oder Kupfer. Dazu nutzt das Gerät die Wirbelstromprüfung. Diese ermöglicht Ihnen die zerstörungsfreie Messung mit einem hohen Messbereich von 0 - 2000 μm. Die Ergebnisse lesen Sie bequem auf dem klaren LCD ab.
Preis: 109.00 € | Versand*: 0.00 €
-
Ist Machine Learning bereits künstliche Intelligenz?
Machine Learning ist ein Teilgebiet der künstlichen Intelligenz. Es befasst sich mit der Entwicklung von Algorithmen und Modellen, die es Computern ermöglichen, aus Daten zu lernen und Vorhersagen zu treffen. Künstliche Intelligenz umfasst jedoch auch andere Bereiche wie Expertensysteme, natürliche Sprachverarbeitung und Robotik.
-
Was sind die potenziellen Anwendungen von Zufallsalgorithmen in der Datenanalyse und Machine Learning?
Zufallsalgorithmen können verwendet werden, um Daten zu generieren, zu transformieren oder zu erweitern, was die Trainingsdaten für Machine Learning verbessern kann. Sie können auch zur Erzeugung von Unsicherheitsschätzungen in Vorhersagemodellen verwendet werden. Darüber hinaus können Zufallsalgorithmen in der Optimierung von Modellparametern eingesetzt werden, um bessere Ergebnisse zu erzielen.
-
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.
-
Was ist der Unterschied zwischen Deep Learning und Machine Learning?
Deep Learning ist eine spezielle Methode des Machine Learning, die auf künstlichen neuronalen Netzwerken basiert. Es ermöglicht das Lernen von hierarchischen und komplexen Merkmalsdarstellungen, um automatisch Muster und Strukturen in Daten zu erkennen. Im Gegensatz dazu ist Machine Learning ein breiterer Begriff, der verschiedene Algorithmen und Techniken umfasst, um Computermodelle zu erstellen, die aus Daten lernen und Vorhersagen treffen können. Deep Learning ist also eine Teilmenge des Machine Learning.
Ähnliche Suchbegriffe für Datenanalyse:
-
Zeigermann, Oliver: Machine Learning - kurz & gut
Machine Learning - kurz & gut , Der kompakte Schnelleinstieg in Machine Learning und Deep Learning Die 3. Auflage des Bestsellers wurde ergänzt durch Kapitel zu Large Language Models wie ChatGPT und zu MLOps Anhand konkreter Datensätze lernen Sie einen typischen Workflow kennen: vom Datenimport über Datenbereinigung, Datenanalyse bis hin zur Datenvisualisierung Nicht nur für zukünftige Data Scientists und ML-Profis geeignet, sondern durch seine durchdachte Didaktik auch für Interessierte, die nur am Rande mit ML zu tun haben, wie z.B. Softwareentwickler*innen Machine Learning beeinflusst heute beinahe alle Bereiche der Technik und der Gesellschaft. Dieses Buch bietet Interessierten, die einen technischen Hintergrund haben, die schnellstmögliche Einführung in das umfangreiche Themengebiet des maschinellen Lernens und der statistischen Datenanalyse. Dabei werden alle wesentlichen Themen abgedeckt und mit praktischen Beispielen in Python illustriert. Verwendet werden dabei die Bibliotheken Scikit-Learn, Pandas, NumPy, TensorFlow und Keras. Nach der Lektüre dieses Buchs haben Sie einen Überblick über das gesamte Thema und können Ansätze einordnen und bewerten. Das Buch vermittelt Ihnen eine solide Grundlage, um Ihre ersten eigenen Machine-Learning-Modelle zu trainieren und vertiefende Literatur zu verstehen. Die aktualisierte 3. Auflage behandelt jetzt auch Large Language Models wie z.B. ChatGPT und MLOps. , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen
Preis: 19.90 € | Versand*: 0 € -
Raschka, Sebastian: Machine Learning Q and AI
Machine Learning Q and AI , "An advanced exploration of machine learning and AI, with each chapter asking and answering a question from the field. Divided into five sections: deep learning and neural networks; computer vision; natural language processing; production and deployment; and predictive performance and model evaluation"-- , >
Preis: 37.30 € | Versand*: 0 € -
Bishop, Christopher M.: Deep Learning
Deep Learning , This book offers a comprehensive introduction to the central ideas that underpin deep learning. It is intended both for newcomers to machine learning and for those already experienced in the field. Covering key concepts relating to contemporary architectures and techniques, this essential book equips readers with a robust foundation for potential future specialization. The field of deep learning is undergoing rapid evolution, and therefore this book focusses on ideas that are likely to endure the test of time. The book is organized into numerous bite-sized chapters, each exploring a distinct topic, and the narrative follows a linear progression, with each chapter building upon content from its predecessors. This structure is well-suited to teaching a two-semester undergraduate or postgraduate machine learning course, while remaining equally relevant to those engaged in active research or in self-study. A full understanding of machine learning requires some mathematical background and so the book includes a self-contained introduction to probability theory. However, the focus of the book is on conveying a clear understanding of ideas, with emphasis on the real-world practical value of techniques rather than on abstract theory. Complex concepts are therefore presented from multiple complementary perspectives including textual descriptions, diagrams, mathematical formulae, and pseudo-code. Chris Bishop is a Technical Fellow at Microsoft and is the Director of Microsoft Research AI4Science. He is a Fellow of Darwin College Cambridge, a Fellow of the Royal Academy of Engineering, and a Fellow of the Royal Society. Hugh Bishop is an Applied Scientist at Wayve, a deep learning autonomous driving company in London, where he designs and trains deep neural networks. He completed his MPhil in Machine Learning and Machine Intelligence at Cambridge University. ¿Chris Bishop wrote a terrific textbook on neural networks in 1995 and has a deep knowledge of the field and its core ideas. His many years of experience in explaining neural networks have made him extremely skillful at presenting complicated ideas in the simplest possible way and it is a delight to see these skills applied to the revolutionary new developments in the field.¿ -- Geoffrey Hinton "With the recent explosion of deep learning and AI as a research topic, and the quickly growing importance of AI applications, a modern textbook on the topic was badly needed. The "New Bishop" masterfully fills the gap, covering algorithms for supervised and unsupervised learning, modern deep learning architecture families, as well as how to apply all of this to various application areas." ¿ Yann LeCun ¿This excellent and very educational book will bring the reader up to date with the main concepts and advances in deep learning with a solid anchoring in probability. These concepts are powering current industrial AI systems and are likely to form the basis of further advances towards artificial general intelligence.¿ -- Yoshua Bengio , Studium & Erwachsenenbildung > Fachbücher, Lernen & Nachschlagen
Preis: 75.37 € | Versand*: 0 € -
Chabert, Antoine: SAP Analytics Cloud: Predictive Analytics
SAP Analytics Cloud: Predictive Analytics , Today's organizations must be prepared for tomorrow's events. Forecast future behavior in SAP Analytics Cloud with this comprehensive guide to predictive analytics! Start by learning about the data types, scenarios, and methods used in predictive analytics projects. Then follow step-by-step instructions to build, analyze, and apply predictive models to your business data using classification, time series forecasting, and regression analysis. Automate your models and dive into the data science with this all-in-one guide! In this book, you'll learn about: a. Predictive Scenarios and Projects Understand the basics of predictive analytics in SAP Analytics Cloud: scenarios, data types, and actions. Then plan your predictive project, including identifying the key stakeholders and reviewing the methodology. b. Build, Train, Analyze, and Apply Master predictive models from end to end. Create classification, time series, and regression models; then train them to identify business patterns. Analyze and apply the results of your models to data in SAP Analytics Cloud. c. Practical Demonstrations See predictive analytics in action! Identify use cases for predictive modeling. For each data model, understand practical applications through curated examples with sample business data. Highlights include: 1) Predictive scenarios 2) Predictive forecasts 3) Data modeling 4) Planning 5) Time series model 6) Classification model 7) Regression model 8) Multi-actions 9) Data science 10) Stories and dashboards , Schule & Ausbildung > Fachbücher, Lernen & Nachschlagen
Preis: 81.99 € | Versand*: 0 €
-
Was sind die verschiedenen Anwendungen von Data Mining in der heutigen Datenanalyse?
Data Mining wird verwendet, um Muster und Trends in großen Datensätzen zu identifizieren, um fundierte Entscheidungen zu treffen. Es wird in Bereichen wie Marketing, Finanzen, Gesundheitswesen und E-Commerce eingesetzt. Data Mining hilft Unternehmen, Kundenverhalten vorherzusagen, Betrug aufzudecken und Prozesse zu optimieren.
-
Wie kann Python als Programmiersprache in verschiedenen Bereichen wie Webentwicklung, Datenanalyse, künstliche Intelligenz und Automatisierung eingesetzt werden?
Python kann in der Webentwicklung eingesetzt werden, indem es Frameworks wie Django oder Flask verwendet, um dynamische und leistungsstarke Webanwendungen zu erstellen. In der Datenanalyse kann Python Bibliotheken wie Pandas, NumPy und Matplotlib nutzen, um große Datenmengen zu verarbeiten, zu analysieren und zu visualisieren. Für künstliche Intelligenz kann Python Bibliotheken wie TensorFlow und Keras verwenden, um komplexe neuronale Netzwerke zu erstellen und zu trainieren. In der Automatisierung kann Python Skripte schreiben, um repetitive Aufgaben zu automatisieren, wie z.B. das Verschieben von Dateien, das Senden von E-Mails oder das Durchführen von Systemwartungen.
-
Wie kann Python als Programmiersprache in verschiedenen Anwendungsbereichen wie Webentwicklung, Datenanalyse, künstliche Intelligenz und Automatisierung eingesetzt werden?
Python kann in der Webentwicklung eingesetzt werden, indem es Frameworks wie Django oder Flask verwendet, um leistungsstarke und skalierbare Webanwendungen zu erstellen. In der Datenanalyse kann Python Bibliotheken wie Pandas, NumPy und Matplotlib nutzen, um große Datenmengen zu verarbeiten, zu analysieren und zu visualisieren. Für künstliche Intelligenz kann Python Bibliotheken wie TensorFlow und Keras verwenden, um komplexe neuronale Netzwerke zu erstellen und zu trainieren. In der Automatisierung kann Python Skripte erstellen, um repetitive Aufgaben zu automatisieren, wie z.B. das Verschieben von Dateien, das Senden von E-Mails oder das Durchführen von Systemwartungen.
-
Wie kann Python als Programmiersprache in verschiedenen Anwendungsdomänen wie Webentwicklung, Datenanalyse, künstliche Intelligenz und Automatisierung eingesetzt werden?
Python kann in der Webentwicklung eingesetzt werden, indem es Frameworks wie Django oder Flask verwendet, um dynamische und interaktive Webanwendungen zu erstellen. In der Datenanalyse kann Python mithilfe von Bibliotheken wie Pandas, NumPy und Matplotlib verwendet werden, um große Datenmengen zu analysieren, zu visualisieren und zu modellieren. In der künstlichen Intelligenz kann Python Bibliotheken wie TensorFlow, Keras und Scikit-learn verwenden, um komplexe Algorithmen für maschinelles Lernen und neuronale Netze zu implementieren. In der Automatisierung kann Python für die Skriptentwicklung und die Automatisierung von Aufgaben wie Dateiverwaltung, Systemadministration und Prozesssteuerung eingesetzt werden.
* 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.