Domain portal-2go.de kaufen?
Wir ziehen mit dem Projekt
portal-2go.de um.
Sind Sie am Kauf der Domain
portal-2go.de interessiert?
domain@kv-gmbh.de · 0541-91531010
Domain portal-2go.de kaufen?
Machine Learning für Zeitreihen, Fachbücher von Jochen Hirschle
- Konzepte Schritt für Schritt erklärt - Die Eigenarten von Zeitreihendaten verstehen: Zeitfenster zum Anlernen einsetzen; mit latenten, saisonalen und Trend-Komponenten arbeiten - Anleitungen zur Umsetzung in Python mit ausführlichen Code-Kommentaren - Mit TensorFlow 2 Deep-Learning-Verfahren zur Prognose aufbauen, anlernen und produktiv einsetzen Daten über Vorgänge werden in der verarbeitenden Industrie, der Logistik oder im Finanzsektor im Sekundentakt aufgezeichnet: der Verlauf eines Aktienkurses, die Verkaufszahlen eines Produkts, die Sensordaten einer Turbine. Solche Daten informieren nicht nur über isolierte Zustände; sie sind wie Filme, die den Verlauf eines Vorgangs mit einer Serie einzelner Bilder nachzeichnen. Intelligente Algorithmen können die Muster dieser Verläufe analysieren, sie anlernen und über das Beobachtungsfenster hinaus fortschreiben: Zustände in der Zukunft werden prognostizierbar. Das Buch bietet eine leicht verständliche Einführung in die Konzepte und die Praxis der Zeitreihenanalyse. Es zeigt, wie bewährte und neuere Lernalgorithmen arbeiten und wie sie sich mit Python anlernen und produktiv einsetzen lassen. An einer Vielzahl von Anwendungsbeispielen werden die Vorbereitung der Daten, der Anlern- und Schätzprozess Schritt für Schritt erklärt. Aus dem Inhalt: - Zeitreihendaten mit pandas aufbereiten, fehlende Daten imputieren, mit Datumsangaben arbeiten - Grundprinzipien maschinellen Lernens: Konzepte und Umsetzung mit Python und Scikit-Learn - Feature-Preprocessing: Standardisierung, Dimensionsreduktion, Verarbeitung kategorialer Daten - ARIMA-Modelle zur Analyse univariater Zeitreihen: Vorbereitung, Anlernen und Prognose mit Python und Statsmodels - Komplexe Zeitreihen mit Deep-Learning-Verfahren analysieren: Rekurrente und konvolutionale Netze verstehen und mit Python und TensorFlow 2 aufbauen und anlernen - Mit Zeitfenstern arbeiten Vorkenntnisse in Machine-Learning-Verfahren sind nicht notwendig. Grundlegende Statistik- und.
39,99 €*
Versand: 0,00 €
Sichere Weiterleitung zum Anbieter
Ähnliche Suchbegriffe für Machine-Learning-für-Zeitreihen
Top-Angebote
Produkte zum Begriff Machine-Learning-für-Zeitreihen:
-
VDM Support Vector Machine LearningDas Buch "Support Vector Machine Learning" von Jonathan Robinson bietet eine umfassende Untersuchung der Anwendung von Support Vector Machine (SVM) im Bereich der Bildkompression. Es werden Methoden vorgestellt, die sowohl im räumlichen als auch im Frequenzbereich arbeiten, wobei die sparsamen Eigenschaften des SVM-Lernens in den Kompressionsalgorithmen genutzt werden. Im Gegensatz zu klassischen radialen Basisfunktionsnetzwerken, bei denen die Topologie vor dem Training festgelegt werden muss, wählt ein SVM die minimal erforderliche Anzahl an Trainingspunkten als Zentren der Gaussschen Kernelfunktionen. Diese Eigenschaft bildet die Grundlage für die im Buch präsentierten Algorithmen zur Bildkompression. Es werden mehrere neuartige Algorithmen entwickelt, die SVM-Lernen nutzen, um sowohl die Farboberfläche direkt zu modellieren als auch Transformationskoeffizienten nach der Umwandlung in den Frequenzbereich zu modellieren. Die Ergebnisse zeigen, dass die Kompression im Frequenzbereich effizienter ist und qualitativ bessere Ergebnisse liefert als das JPEG-Format.64,48 €*Versand: 0,00 €Sichere Weiterleitung zum Anbieter
Top-Angebote
Produkte zum Begriff Machine-Learning-für-Zeitreihen:
-
Machine Learning für Zeitreihen, Fachbücher von Jochen Hirschle- Konzepte Schritt für Schritt erklärt - Die Eigenarten von Zeitreihendaten verstehen: Zeitfenster zum Anlernen einsetzen; mit latenten, saisonalen und Trend-Komponenten arbeiten - Anleitungen zur Umsetzung in Python mit ausführlichen Code-Kommentaren - Mit TensorFlow 2 Deep-Learning-Verfahren zur Prognose aufbauen, anlernen und produktiv einsetzen Daten über Vorgänge werden in der verarbeitenden Industrie, der Logistik oder im Finanzsektor im Sekundentakt aufgezeichnet: der Verlauf eines Aktienkurses, die Verkaufszahlen eines Produkts, die Sensordaten einer Turbine. Solche Daten informieren nicht nur über isolierte Zustände; sie sind wie Filme, die den Verlauf eines Vorgangs mit einer Serie einzelner Bilder nachzeichnen. Intelligente Algorithmen können die Muster dieser Verläufe analysieren, sie anlernen und über das Beobachtungsfenster hinaus fortschreiben: Zustände in der Zukunft werden prognostizierbar. Das Buch bietet eine leicht verständliche Einführung in die Konzepte und die Praxis der Zeitreihenanalyse. Es zeigt, wie bewährte und neuere Lernalgorithmen arbeiten und wie sie sich mit Python anlernen und produktiv einsetzen lassen. An einer Vielzahl von Anwendungsbeispielen werden die Vorbereitung der Daten, der Anlern- und Schätzprozess Schritt für Schritt erklärt. Aus dem Inhalt: - Zeitreihendaten mit pandas aufbereiten, fehlende Daten imputieren, mit Datumsangaben arbeiten - Grundprinzipien maschinellen Lernens: Konzepte und Umsetzung mit Python und Scikit-Learn - Feature-Preprocessing: Standardisierung, Dimensionsreduktion, Verarbeitung kategorialer Daten - ARIMA-Modelle zur Analyse univariater Zeitreihen: Vorbereitung, Anlernen und Prognose mit Python und Statsmodels - Komplexe Zeitreihen mit Deep-Learning-Verfahren analysieren: Rekurrente und konvolutionale Netze verstehen und mit Python und TensorFlow 2 aufbauen und anlernen - Mit Zeitfenstern arbeiten Vorkenntnisse in Machine-Learning-Verfahren sind nicht notwendig. Grundlegende Statistik- und.39,99 €*Versand: 0,00 €Sichere Weiterleitung zum Anbieter
-
VDM Support Vector Machine LearningDas Buch "Support Vector Machine Learning" von Jonathan Robinson bietet eine umfassende Untersuchung der Anwendung von Support Vector Machine (SVM) im Bereich der Bildkompression. Es werden Methoden vorgestellt, die sowohl im räumlichen als auch im Frequenzbereich arbeiten, wobei die sparsamen Eigenschaften des SVM-Lernens in den Kompressionsalgorithmen genutzt werden. Im Gegensatz zu klassischen radialen Basisfunktionsnetzwerken, bei denen die Topologie vor dem Training festgelegt werden muss, wählt ein SVM die minimal erforderliche Anzahl an Trainingspunkten als Zentren der Gaussschen Kernelfunktionen. Diese Eigenschaft bildet die Grundlage für die im Buch präsentierten Algorithmen zur Bildkompression. Es werden mehrere neuartige Algorithmen entwickelt, die SVM-Lernen nutzen, um sowohl die Farboberfläche direkt zu modellieren als auch Transformationskoeffizienten nach der Umwandlung in den Frequenzbereich zu modellieren. Die Ergebnisse zeigen, dass die Kompression im Frequenzbereich effizienter ist und qualitativ bessere Ergebnisse liefert als das JPEG-Format.64,48 €*Versand: 0,00 €Sichere Weiterleitung zum Anbieter
Ähnliche Suchbegriffe für Machine-Learning-für-Zeitreihen
* 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. ** Hinweis: Teile dieses Inhalts wurden von KI erstellt.