Maschinelles Lernen

Entdecken Sie in diesem Buch, wie Sie maschinelles Lernen für die Entwicklung von Empfehlungs- und Entscheidungssystemen praktisch einsetzen – klar erklärt, anwendungsorientiert und direkt auf Ihre Projekte übertragbar. Sie erhalten eine umfangreiche Sammlung anschaulicher Beispiele aus den Bereichen Supervised und Unsupervised Learning, die Ihnen helfen, schnell die passenden Methoden für Ihre Anforderungen zu finden. Ob Sie etwa ein Fraud-Erkennungssystem entwickeln möchten oder nach dem optimalen Algorithmus samt Parameterwahl suchen – dieses Buch liefert konkrete Antworten. Ein weiterer Schwerpunkt liegt auf dem Design und der Umsetzung von Empfehlungssystemen. Schritt für Schritt erfahren Sie, wie zum Beispiel Filmempfehlungen mit gängigen Machine-Learning-Verfahren aufgebaut werden, welche Stärken und Grenzen die einzelnen Algorithmen haben und worauf es in der Praxis wirklich ankommt. Jedes Kapitel verbindet kompakte theoretische Grundlagen mit nachvollziehbaren Pilotimplementierungen und gut dokumentierten Python-Codebeispielen auf Basis von scikit-learn. Zum Abschluss lernen Sie alle Schritte kennen, die notwendig sind, um Machine-Learning-Lösungen erfolgreich in industrielle Prozesse zu integrieren – damit Ihre Modelle nicht nur funktionieren, sondern echten Mehrwert schaffen.