Inhalt. Einleitung... XIII

Transkript

1 Inhalt Einleitung XIII 1 Vektoren, Matrizen und Arrays Einführung Einen Vektor erzeugen Eine Matrix erstellen Eine dünn besetzte Matrix erzeugen Elemente auswählen Eine Matrix beschreiben Operationen auf Elemente anwenden Die Größt- und Kleinstwerte suchen Mittelwert, Varianz und Standardabweichung berechnen Die Gestalt von Arrays ändern Einen Vektor oder eine Matrix transponieren Eine Matrix verflachen Den Rang einer Matrix ermitteln Die Determinante berechnen Die Diagonale einer Matrix ermitteln Die Spur einer Matrix berechnen Eigenwerte und Eigenvektoren suchen Punktprodukte berechnen Matrizen addieren und subtrahieren Matrizen multiplizieren Eine Matrix invertieren Zufallswerte erzeugen Laden von Daten Einführung Einen Beispieldatensatz laden Einen simulierten Datensatz erzeugen V

2 2.3 Eine CSV-Datei laden Eine Excel-Datei laden Eine JSON-Datei laden Eine SQL-Datenbank abfragen Datenaufbereitung Einführung Einen Dataframe erstellen Die Daten beschreiben In DataFrames navigieren Zeilen abhängig von Bedingungen auswählen Werte ersetzen Spalten umbenennen Minimum, Maximum, Summe, Mittelwert und Anzahl ermitteln Eindeutige Werte ermitteln Fehlende Werte behandeln Eine Spalte löschen Eine Zeile löschen Doppelte Zeilen löschen Zeilen nach Werten gruppieren Zeilen nach Zeit gruppieren Eine Spalte in einer Schleife durchlaufen Eine Funktion auf alle Elemente in einer Spalte anwenden Eine Funktion auf Gruppen anwenden DataFrames verketten DataFrames zusammenführen Numerische Daten verarbeiten Einführung Ein Merkmal neu skalieren Ein Merkmal standardisieren Beobachtungen normalisieren Polynom- und Interaktionsmerkmale erzeugen Merkmale transformieren Ausreißer erkennen Mit Ausreißern umgehen Merkmale diskretisieren Beobachtungen durch Clustern gruppieren Beobachtungen mit fehlenden Werten löschen Fehlende Werte imputieren VI Inhalt

3 5 Kategorische Daten behandeln Einführung Nominale kategorische Merkmale codieren Ordinale kategorische Merkmale codieren Wörterbücher von Merkmalen codieren Fehlende Klassenwerte imputieren Umgang mit unausgewogenen Klassen Text verarbeiten Einführung Text bereinigen HTML parsen und bereinigen Satzzeichen entfernen Text in Tokens zerlegen Stoppwörter entfernen Stemming Wortarten markieren Text als Bag of Words codieren Wortbedeutung gewichten Datum und Uhrzeit Einführung Strings in Datumswerte konvertieren Umgang mit Zeitzonen Datum und Uhrzeit auswählen Datumsdaten in mehrere Merkmale aufgliedern Die Differenz zwischen Datumswerten bilden Wochentage codieren Ein verzögertes Merkmal erstellen Gleitende Zeitfenster verwenden Fehlende Daten in Zeitreihen behandeln Bilder verarbeiten Einführung Bilder laden Bilder speichern Bilder in der Größe ändern Bilder beschneiden Bilder weichzeichnen Bilder scharfzeichnen Kontrast erhöhen Inhalt VII

4 8.8 Farben isolieren Binärbilder erzeugen Hintergründe entfernen Kantendetektion Eckenerkennung Merkmale für maschinelles Lernen erzeugen Die mittlere Farbe als Merkmal codieren Farbhistogramme als Merkmale codieren Verringerung der Dimensionalität durch Merkmalsextraktion Einführung Merkmale mithilfe von Hauptkomponenten reduzieren Merkmale reduzieren, wenn Daten nicht linear separierbar sind Merkmale durch Maximierung der Klassenseparierbarkeit reduzieren Merkmale durch Matrixfaktorisierung reduzieren Merkmale auf schwach besetzten Daten reduzieren Dimensionalität durch Merkmalsauswahl reduzieren Einführung Numerische Merkmale nach dem Schwellenwert von Varianzen auswählen Binäre Merkmale nach dem Schwellenwert von Varianzen auswählen Stark korrelierte Merkmale verarbeiten Für eine Klassifizierung irrelevante Merkmale entfernen Merkmale rekursiv entfernen Modellbewertung Einführung Kreuzvalidierungsmodelle Ein Baseline-Regressionsmodell erstellen Ein Baseline-Klassifizierungsmodell erstellen Vorhersagen binärer Klassifikatoren bewerten Schwellenwerte von binären Klassifikatoren bewerten Mehrklassige Klassifikatorvorhersagen bewerten Die Performance eines Klassifikators visualisieren Regressionsmodelle bewerten Clustermodelle bewerten Eine benutzerdefinierte Bewertungsmetrik erstellen Die Wirkung der Trainingsmengengröße visualisieren VIII Inhalt

5 11.12 Einen Textbericht der Bewertungsmetriken erstellen Die Wirkung von Hyperparameter-Werten visualisieren Modellauswahl Einführung Beste Modelle mittels erschöpfender Suche auswählen Beste Modelle mittels Zufallssuche auswählen Beste Modelle von mehreren Lernalgorithmen auswählen Beste Modelle bei Vorverarbeitung auswählen Die Modellauswahl durch Parallelisierung beschleunigen Die Modellauswahl mit algorithmusspezifischen Methoden beschleunigen Performance nach der Modellauswahl bewerten Lineare Regression Einführung Eine Gerade anpassen Interaktive Effekte verarbeiten Eine nichtlineare Beziehung anpassen Varianz durch Regularisierung verringern Merkmale mit Lasso-Regression reduzieren Bäume und Wälder Einführung Einen Klassifikator mittels Entscheidungsbaum trainieren Einen Entscheidungsbaumregressor trainieren Ein Entscheidungsbaummodell visualisieren Einen Random-Forest-Klassifikator trainieren Einen Random-Forest-Regressor trainieren Wichtige Merkmale in Random Forests identifizieren Wichtige Merkmale in Random Forests auswählen Unausgewogene Klassen behandeln Die Baumgröße steuern Performance durch Boosting verbessern Random Forests mit Out-of-Bag-Fehlern bewerten K-nächste Nachbarn Einführung Die nächsten Nachbarn einer Beobachtung suchen Einen k-nächste-nachbarn-klassifikator erzeugen Die Größe der besten Nachbarschaft ermitteln Einen radiusbasierten Nächste-Nachbarn-Klassifikator erstellen 251 Inhalt IX

6 16 Logistische Regression Einführung Einen binären Klassifikator trainieren Einen Multiklassenklassifikator trainieren Varianz durch Regularisierung verringern Einen Klassifikator auf sehr großen Daten trainieren Unausgewogene Klassen verarbeiten Support Vector Machines Einführung Einen linearen Klassifikator trainieren Nicht linear separierbare Klassen mit Kernels behandeln Vorhergesagte Wahrscheinlichkeiten erzeugen Stützvektoren bestimmen Unausgewogene Klassen verarbeiten Naive Bayes-Klassifikatoren Einführung Einen Klassifikator für kontinuierliche Merkmale trainieren Einen Klassifikator für diskrete und abzählbare Merkmale trainieren Einen naiven Bayes-Klassifikator für binäre Merkmale trainieren Vorhergesagte Wahrscheinlichkeiten kalibrieren Clustering Einführung K-Means-Clustering K-Means-Clustering beschleunigen Clustering mittels Mean-Shift Clustering durch hierarchisches Zusammenführen Neuronale Netze Einführung Vorverarbeitung der Daten für neuronale Netze Ein neuronales Netz entwerfen Einen binären Klassifikator trainieren Einen Klassifikator für mehrere Klassen trainieren Einen Regressor trainieren Vorhersagen treffen Den Trainingsverlauf visualisieren X Inhalt

7 20.8 Überanpassung durch Regularisierung der Gewichte vermindern Überanpassung durch frühes Stoppen verringern Überanpassung durch Dropout verringern Den Fortschritt beim Training eines Modells speichern Neuronale Netze mit k-facher Kreuzvalidierung Neuronale Netze optimieren Neuronale Netze visualisieren Bilder klassifizieren Höhere Performance durch Bildverbesserung Text klassifizieren Trainierte Modelle speichern und laden Einführung Ein scikit-learn-modell speichern und laden Ein Keras-Modell speichern und laden Index Inhalt XI