Log In
Or create an account -> 
Imperial Library
  • Home
  • About
  • News
  • Upload
  • Forum
  • Help
  • Login/SignUp

Index
Titel Impressum Inhalt Vorwort Kapitel 1: Einführung
Der Aufstieg der Daten Was ist Data Science? Ein motivierendes Szenario: DataSciencester
Kapitel 2: Ein Crashkurs in Python
Grundlagen Über die Grundlagen hinaus Weiterführendes Material
Kapitel 3: Daten visualisieren
matplotlib Balkendiagramme Liniendiagramme Scatterplots Weiterführendes Material
Kapitel 4: Lineare Algebra
Vektoren Matrizen Weiterführendes Material
Kapitel 5: Statistik
Einen einzelnen Datensatz beschreiben Korrelation Das Simpson-Paradoxon Weitere Fallstricke von Korrelationen Korrelation und Kausalität Weiterführendes Material
Kapitel 6: Wahrscheinlichkeit
Abhängigkeit und Unabhängigkeit Bedingte Wahrscheinlichkeit Der Satz von Bayes Zufallsvariablen Kontinuierliche Wahrscheinlichkeitsverteilungen Die Normalverteilung Der zentrale Grenzwertsatz Weiterführendes Material
Kapitel 7: Hypothesen und Schlussfolgerungen
Testen statistischer Hypothesen Beispiel: Münzwürfe p-Werte Konfidenzintervalle P-Hacking Beispiel: Durchführen eines A/B-Tests Bayessche Inferenz Weiterführendes Material
Kapitel 8: Die Gradientenmethode
Die Idee hinter der Gradientenmethode Abschätzen des Gradienten Den Gradienten verwenden Auswahl der richtigen Schrittweite Anwendungsbeispiel Stochastische Gradientenmethode Weiterführendes Material
Kapitel 9: Daten sammeln
stdin und stdout Einlesen von Dateien Auslesen von Webseiten Verwenden von APIs Beispiel: Verwenden der Twitter-APIs Weiterführendes Material
Kapitel 10: Arbeiten mit Daten
Erkunden Ihrer Daten Bereinigen und Umformen Manipulieren von Daten Umskalieren Hauptkomponentenanalyse Weiterführendes Material
Kapitel 11: Maschinelles Lernen
Modellieren Was ist maschinelles Lernen? Overfitting und Underfitting Genauigkeit Der Kompromiss zwischen Bias und Varianz Extraktion und Auswahl von Eigenschaften Weiterführendes Material
Kapitel 12: k-Nächste-Nachbarn
Das Modell Beispiel: bevorzugte Programmiersprachen Der Fluch der Dimensionalität Weiterführendes Material
Kapitel 13: Naive Bayes-Klassifikatoren
Ein wirklich primitiver Spam-Filter Ein anspruchsvollerer Spam-Filter Implementierung Testen des Modells Weiterführendes Material
Kapitel 14: Einfache lineare Regression
Das Modell Anwenden des Gradientenverfahrens Maximum-Likelihood-Methode Weiterführendes Material
Kapitel 15: Multiple Regression
Das Modell Weitere Annahmen bei der Methode der kleinsten Quadrate Anpassen des Modells Interpretation des Modells Anpassungsgüte Exkurs: Bootstrapping Standardfehler von Regressionskoeffizienten Regularisierung Weiterführendes Material
Kapitel 16: Logistische Regression
Die Aufgabe Die logistische Funktion Anwendung des Modells Anpassungsgüte Support Vector Machines Weiterführendes Material
Kapitel 17: Entscheidungsbäume
Was ist ein Entscheidungsbaum? Entropie Die Entropie einer Partition Einen Entscheidungsbaum erzeugen Verallgemeinerung des Verfahrens Random Forests Weiterführendes Material
Kapitel 18: Neuronale Netzwerke
Perzeptrons Feed-forward-Netze Backpropagation Beispiel: Bezwingen eines CAPTCHA Weiterführendes Material
Kapitel 19: Clustering
Die Idee Das Modell Beispiel: Meetups Die Auswahl von k Beispiel: Clustern von Farben Agglomeratives hierarchisches Clustering Weiterführendes Material
Kapitel 20: Linguistische Datenverarbeitung
Wortwolken N-Gramm-Modelle Grammatiken Exkurs: Gibbs-Sampling Themenmodellierung Weiterführendes Material
Kapitel 21: Graphenanalyse
Betweenness-Zentralität Eigenvektor-Zentralität Gerichtete Graphen und PageRank Weiterführendes Material
Kapitel 22: Empfehlungssysteme
Manuelle Pflege Empfehlen, was beliebt ist Nutzerbasiertes kollaboratives Filtern Gegenstandsbasiertes kollaboratives Filtern Weiterführendes Material
Kapitel 23: Datenbanken und SQL
CREATE TABLE und INSERT UPDATE DELETE SELECT GROUP BY ORDER BY JOIN Subqueries Indexstrukturen Optimierung von Anfragen NoSQL Weiterführendes Material
Kapitel 24: MapReduce
Beispiel: Wörter zählen Warum MapReduce? MapReduce verallgemeinert Beispiel: Statusmeldungen analysieren Beispiel: Matrizenmultiplikation Eine Randbemerkung: Combiners Weiterführendes Material
Kapitel 25: Gehet hin und praktizieret Data Science
IPython Mathematik Nicht bei null starten Finden Sie Daten Data Science in der Praxis
Index Über den Autor Über den Übersetzer Kolophon
  • ← Prev
  • Back
  • Next →
  • ← Prev
  • Back
  • Next →

Chief Librarian: Las Zenow <zenow@riseup.net>
Fork the source code from gitlab
.

This is a mirror of the Tor onion service:
http://kx5thpx2olielkihfyo4jgjqfb7zx7wxr3sd4xzt26ochei4m6f7tayd.onion