Zur Startseite gehen
 | 0,00 €

Machine Learning mit Python – Teil 3: Klassifikation

195,00 €*

Preise inkl. MwSt. zzgl. Versandkosten

Lieferzeit Sofort lieferbar

Vertiefen Sie Ihr Wissen über Klassifikation und die Verarbeitung natürlicher Sprache. Der Python-Dozent Ilyas Tachakor zeigt in seinem Videokurs alle Inhalte Schritt für Schritt. Sie können direkt mitmachen und Ihr neu erworbenes Wissen in Übungsaufgaben und Quizfragen überprüfen und festigen.
Produktgalerie überspringen

Das könnte Sie auch interessieren

Machine Learning mit Python – Teil 1: Grundlagen
Machine Learning mit Python – Teil 1: Grundlagen
Machine Learning ist eine der wichtigsten Technologien zur Datenverarbeitung und in vielen Branchen nicht wegzudenken. In diesem ersten Kurs der Serie „Machine Learning mit Python“ vermittelt Ihnen der Online-Dozent Ilyas Tachakor Schritt für Schritt die wichtigsten Grundlagen. Der Kurs bietet eine praxisorientierte Einführung in zentrale Begriffe und Ansätze wie Regression, Klassifikation, überwachtes Lernen und unüberwachtes Lernen. Sie lernen, wie Sie mit Python ML-Modelle entwickeln und je nach Anwendungsfall das richtige Modell auswählen. Mit Übungsaufgaben und einem Praxisprojekt können Sie das Gelernte direkt anwenden. Dieser Kurs bildet den idealen Einstieg in die Welt des maschinellen Lernens und legt den Grundstein für die weiteren Kurse der Serie „Machine Learning mit Python“: Machine Learning mit Python – Teil 1: GrundlagenMachine Learning mit Python – Teil 2: RegressionMachine Learning mit Python – Teil 3: KlassifikationMachine Learning mit Python – Teil 4: Data Pipelines, Feature Engineering und K-Means Clustering Länge: 02:34 Stunden Alle Video-Lektionen im Überblick: Vorstellung und Infos zum Kurs Herzlich willkommen zu diesem Kurs Einführung Kapitelüberblick Grundbegriffe Ordnerstruktur und Einführung in Google Colab Quiz: Einführung Erste Schritte mit Python Kapitelüberblick Variablen und bedingte Anweisungen Praxisaufgabe 1 - Vorlage Praxisaufgabe 1 - Lösung Datentypen und Schleifen Praxisaufgabe 2 - Vorlage Praxisaufgabe 2 - Lösung Funktionen Praxisaufgabe 3 - Vorlage Praxisaufgabe 3 - Lösung Funktionen mit Rückgabewert und Bibliotheken Weitere Bibliotheken (Pandas/Seaborn) Praxisaufgabe 4 - Vorlage Praxisaufgabe 4 - Lösung Quiz: Erste Schritte mit Python Trainiere deine ersten KI-Modelle Kapitelüberblick Lineare Regression Lineare Regression in Python Entscheidungsbäume Entscheidungsbaum in Python (Optional) Mathematische Vertiefung – Methode der kleinsten Quadrate (Optional) Mathematische Vertiefung – Gini-Unreinheit Quiz: Trainiere deine ersten KI-Modelle Projekt – Kundenkaufverhalten und Unternehmensgewinne vorhersagen Kapitelüberblick Projektvorlage in Python Projektlösung in Python Abschluss Fazit und Kursabschluss Über den Trainer:Ilyas Tachakor entdeckte bereits während seines Informatikstudiums seine Leidenschaft für Data Science. Bevor er sich als Online-Dozent selbstständig machte, entwickelte er bei einem führenden deutschen EdTech-Startup innovative Lerninhalte im Bereich Informatik. Diese Erfahrung verschaffte ihm ein umfassendes Verständnis für die Bedürfnisse von Lernenden. Heute verbindet er dieses Wissen mit seiner Fachkompetenz, um in seinen praxisorientierten Videokursen ein nachhaltiges Lernerlebnis zu schaffen und Menschen für moderne Technologien zu begeistern. So lernen Sie mit diesem Videokurs:In den Videokursen von heise academy lernen Sie IT-Themen anschaulich und verständlich. In den Videos schauen Sie den Experten bei der praktischen Arbeit zu und lassen sich dabei alles genau erklären. Das Wissen ist in kleine Lernschritte und Aufgaben unterteilt, sodass Sie den Kurs Lektion für Lektion durcharbeiten oder gezielt zu Themen springen können, die Sie interessieren. Die persönliche Lernumgebung der heise academy hält viele Funktionen für Sie bereit, die Ihnen beim Lernen helfen können:Flexibler Videoplayer mit vielen SteuerungsmöglichkeitenWissensquiz zur LernkontrolleLernhistorie und LernfortschrittLesezeichen und Notizen Volltextsuche in den VideosFrage-den-Experten-ModulÜbungsmaterial zum MitmachenResponsive Web-App und Videostreaming für alle EndgeräteTechnische Voraussetzungen:Für diesen Videokurs werden lediglich ein Browser (mit eingeschalteter JavaScript-Funktionalität) und eine Internetverbindung benötigt.
95,00 €*
Machine Learning mit Python – Teil 2: Regression
Machine Learning mit Python – Teil 2: Regression
Der zweite Teil der Serie „Machine Learning mit Python“ konzentriert sich auf weiterführende Themen und deren Anwendung. In diesem Kurs erlernen Sie erweiterte Regressionskonzepte und den Einsatz leistungsstarker Algorithmen wie XGBoost für präzise Vorhersagen. Weitere Inhalte umfassen die Kreuzvalidierung und Hyperparameteroptimierung zur Leistungssteigerung der Modelle, Methoden zur Datenvisualisierung und -analyse sowie die Bewertung von Regressionsmodellen mittels MAE, MSE, und RMSE. Ein weiteres Highlight ist die Einführung in die Zeitreihenanalyse: Der Online-Dozent Ilyas Tachakor zeigt Ihnen verschiedene Fälle wie Trends, Saisonalitäten und Zyklen und wie Sie diese mit modernen Methoden modellieren können – sowohl bei zeitlichen als auch seriellen Abhängigkeiten. Auch dieser Kurs zeichnet sich durch seine Praxisnähe aus. Anhand mehrerer Praxisprojekte wenden Sie das Erlernte direkt an. Dieser Kurs ist Teil der Serie „Machine Learning mit Python“: Machine Learning mit Python – Teil 1: GrundlagenMachine Learning mit Python – Teil 2: RegressionMachine Learning mit Python – Teil 3: KlassifikationMachine Learning mit Python – Teil 4: Data Pipelines, Feature Engineering und K-Means Clustering Länge: 04:35 Stunden Alle Video-Lektionen im Überblick: Vorstellung und Infos zum Kurs Herzlich willkommen zu diesem Kurs Multiple Lineare Regression Kapitelüberblick Multiple Lineare Regression – Intuition Multiple Lineare Regression in Python (Teil 1) Multiple Lineare Regression in Python (Teil 2) Multiple Lineare Regression in Python (Teil 3) Quiz: Multiple Lineare Regression Projekt 2 – Auswirkungen von Marketinginvestitionen auf den Tourismussektor Kapitelüberblick Projektvorlage in Python Projektlösung in Python Polynomiale Regression Kapitelüberblick Polynomiale Regression – Intuition Polynomiale Regression in Python (Teil 1) Polynomiale Regression in Python (Teil 2) Polynomiale Regression in Python (Teil 3) Quiz: Polynomiale Regression Projekt 3 – Analyse des Einflusses von Schlaf auf unser emotionales Wohlbefinden Kapitelüberblick Projektvorlage in Python Projektlösung in Python Decision Tree Regression Kapitelüberblick Decision Tree Regression - Intuition Modellvalidierung und Hyperparameteroptimierung - Intuition Decision Tree Regression in Python (Teil 1) Decision Tree Regression in Python (Teil 2) Decision Tree Regression in Python (Teil 3) Decision Tree Regression in Python (Teil 4) Kreuzvalidierung – Intuition Decision Tree Regression in Python (Teil 5) Weitere Metriken: MSE und RMSE (Optional) Mathematische Vertiefung - Decision Tree Regression (Costfunction) Quiz: Decision Tree Regression Projekt 4 – Ermittlung von Immobilienpreisen in Washington Kapitelüberblick Projektvorlage in Python Projektlösung in Python Random Forest Regression und XGBoost Kapitelüberblick Ensemble-Methoden: Bagging, Random Forest Random Forest Regression in Python Ensemble-Methoden: Boosting, XGBoost XGBoost Regression in Python Quiz: Random Forest Regression und XGBoost Projekt 5 – Vorhersage von Gebrauchtwagenpreisen Kapitelüberblick Projektvorlage in Python Projektlösung in Python Time Series Regression Kapitelüberblick Time Series Regression – Trend Time Series Regression – Saisonalität Time Series Regression – Kombinationen Trends in Python (Teil 1) Trends in Python (Teil 2) Python Exkurs: DataFrame Indexing (Teil 1) Python Exkurs: DataFrame Indexing (Teil 2) Saisonalität in Python (Teil 1) Saisonalität in Python (Teil 2) Saisonalität in Python (Teil 3) Kombinationen in Python Time Series Regression – Zyklen (Teil 1) Time Series Regression – Zyklen (Teil 2) Zyklen in Python (Teil 1) Zyklen in Python (Teil 2) Zyklen in Python (Teil 3) Zyklen in Python (Teil 4) Quiz: Time Series Regression Projekt 6 – Prognose von COVID-19-Neuinfektionen und Aktienkursen Kapitelüberblick Aktien – Projektvorlage in Python Aktien – Projektlösung in Python COVID-19 – Projektvorlage in Python COVID-19 – Projektlösung in Python Abschluss Fazit und Kursabschluss Über den Trainer:Ilyas Tachakor entdeckte bereits während seines Informatikstudiums seine Leidenschaft für Data Science. Bevor er sich als Online-Dozent selbstständig machte, entwickelte er bei einem führenden deutschen EdTech-Startup innovative Lerninhalte im Bereich Informatik. Diese Erfahrung verschaffte ihm ein umfassendes Verständnis für die Bedürfnisse von Lernenden. Heute verbindet er dieses Wissen mit seiner Fachkompetenz, um in seinen praxisorientierten Videokursen ein nachhaltiges Lernerlebnis zu schaffen und Menschen für moderne Technologien zu begeistern. So lernen Sie mit diesem Videokurs:In den Videokursen von heise academy lernen Sie IT-Themen anschaulich und verständlich. In den Videos schauen Sie den Experten bei der praktischen Arbeit zu und lassen sich dabei alles genau erklären. Das Wissen ist in kleine Lernschritte und Aufgaben unterteilt, sodass Sie den Kurs Lektion für Lektion durcharbeiten oder gezielt zu Themen springen können, die Sie interessieren. Die persönliche Lernumgebung der heise academy hält viele Funktionen für Sie bereit, die Ihnen beim Lernen helfen können:Flexibler Videoplayer mit vielen SteuerungsmöglichkeitenWissensquiz zur LernkontrolleLernhistorie und LernfortschrittLesezeichen und Notizen Volltextsuche in den VideosFrage-den-Experten-ModulÜbungsmaterial zum MitmachenResponsive Web-App und Videostreaming für alle EndgeräteTechnische Voraussetzungen:Für diesen Videokurs werden lediglich ein Browser (mit eingeschalteter JavaScript-Funktionalität) und eine Internetverbindung benötigt.
195,00 €*
Neu
Machine Learning mit Python – Teil 4: Data Pipelines, Feature Engineering und K-Means Clustering
Machine Learning mit Python – Teil 4: Data Pipelines, Feature Engineering und K-Means Clustering
Der vierte Teil der Serie „Machine Learning mit Python“ behandelt fortgeschrittene Techniken der Datenverarbeitung. Ein besonderer Schwerpunkt liegt hierbei auf Data Pipelines, welche es Ihnen ermöglichen, die Datenvorverarbeitung zu automatisieren. Dabei lernen Sie auch, wie Sie fehlende Einträge bei kategorischen und bei kontinuierlichen Merkmalen sinnvoll ersetzen und wie Sie ordinale sowie nominale Merkmale korrekt kodieren. Außerdem gibt Ihnen der Online-Dozent Ilyas Tachakor eine Einführung in das Feature Engineering. Sie erfahren, wie Sie durch die Erstellung neuer Merkmale die Vorhersageleistung Ihrer Modelle deutlich verbessern können. Mit K-Means-Clustering lernen Sie zusätzlich ein bewährtes Verfahren zur Gruppierung von Datenpunkten und zur Reduktion der Dimensionalität kennen. Anhand eines Praxisprojekts wenden Sie das Erlernte direkt an. Der Kurs ist Teil der Serie „Machine Learning mit Python“: Machine Learning mit Python – Teil 1: GrundlagenMachine Learning mit Python – Teil 2: RegressionMachine Learning mit Python – Teil 3: KlassifikationMachine Learning mit Python – Teil 4: Data Pipelines, Feature Engineering und K-Means Clustering Länge: 02:21 Stunden Alle Video-Lektionen im Überblick: Vorstellung und Infos zum Kurs Herzlich willkommen zu diesem Kurs Data Pipelines, Feature Engineering und K-Means Clustering Kapitelüberblick Data Pipelines und Feature Engineering – Intuition Data Pipelines und Feature Engineering in PythonK-Means Clustering – Intuition K-Means Clustering in PythonQuiz: Data Pipelines, Feature Engineering und K-Means Clustering Projekt 13 – Lageabhängige Mietpreisprognose für WG-Zimmer in Frankfurt Kapitelüberblick Projektvorlage in Python Projektlösung in Python Abschluss Fazit und Kursabschluss Über den Trainer: Ilyas Tachakor entdeckte bereits während seines Informatikstudiums seine Leidenschaft für Data Science. Bevor er sich als Online-Dozent selbstständig machte, entwickelte er bei einem führenden deutschen EdTech-Startup innovative Lerninhalte im Bereich Informatik. Diese Erfahrung verschaffte ihm ein umfassendes Verständnis für die Bedürfnisse von Lernenden. Heute verbindet er dieses Wissen mit seiner Fachkompetenz, um in seinen praxisorientierten Videokursen ein nachhaltiges Lernerlebnis zu schaffen und Menschen für moderne Technologien zu begeistern. So lernen Sie mit diesem Videokurs: In den Videokursen von heise academy lernen Sie IT-Themen anschaulich und verständlich. In den Videos schauen Sie den Experten bei der praktischen Arbeit zu und lassen sich dabei alles genau erklären. Das Wissen ist in kleine Lernschritte und Aufgaben unterteilt, sodass Sie den Kurs Lektion für Lektion durcharbeiten oder gezielt zu Themen springen können, die Sie interessieren. Die persönliche Lernumgebung der heise academy hält viele Funktionen für Sie bereit, die Ihnen beim Lernen helfen können:Flexibler Videoplayer mit vielen SteuerungsmöglichkeitenWissensquiz zur LernkontrolleLernhistorie und LernfortschrittLesezeichen und Notizen Volltextsuche in den VideosFrage-den-Experten-ModulÜbungsmaterial zum MitmachenResponsive Web-App und Videostreaming für alle Endgeräte Technische Voraussetzungen: Für diesen Videokurs werden lediglich ein Browser (mit eingeschalteter JavaScript-Funktionalität) und eine Internetverbindung benötigt.
95,00 €*
Online Machine Learning (2. Auflg.)
Online Machine Learning (2. Auflg.)
Dieses Buch beschreibt Theorie und Anwendungen aus dem Bereich des Online Maschine Learnings (OML), wobei der Fokus auf Verfahren des überwachten Lernens liegt. Es werden Verfahren zur Drifterkennung und -behandlung beschrieben. Verfahren zur nachträglichen Aktualisierung der Modelle sowie Methoden zur Modellbewertung werden dargestellt. Besondere Anforderungen aus der amtlichen Statistik (unbalancierte Daten, Interpretierbarkeit, etc.) werden berücksichtigt. Aktuelle und mögliche Anwendungen werden aufgelistet. Ein Überblick über die verfügbaren Software-Tools wird gegeben. Anhand von zwei Studien (“simulierten Anwendungen”) werden Vor- und Nachteile des OML-Einsatz in der Praxis experimentell analysiert.Das Buch eignet sich als Handbuch für Experten, Lehrbuch für Anfänger und wissenschaftliche Publikation, da es den neuesten Stand der Forschung wiedergibt. Es kann auch als OML-Consulting dienen, indem Entscheider und Praktiker OML anpassen und für ihre Anwendung einsetzen, um abzuwägen, ob die Vorteile die Kosten aufwiegen. Einleitung: Vom Batch Machine Learning zum Online Machine Learning. Supervised Learning: Klassifikation und Regression. Drifterkennung und -Behandlung. Initiale Auswahl und nachträgliche Aktualisierung von OML Modellen. Evaluation und Performance-Messung. Besondere Anforderungen an OML-Verfahren. Praxisanwendungen. Open-Source-Software für Online Machine Learning. Ein experimenteller Vergleich von Batch- und Online Machine Learning-Algorithmen. Hyperparameter Tuning. Zusammenfassung und Ausblick. PROF. DR. THOMAS BARTZ-BEIELSTEIN ist Experte für KI mit über 30 Jahren Erfahrung. Als Professor für Angewandte Mathematik an der TH Köln und Leiter des Instituts für Data Science, Engineering und Analytics (IDE+A) forscht er in den Bereichen KI, maschinelles Lernen, Simulation und Optimierung.EVA BARTZ ist auf KI und Datenschutz spezialisierte Juristin. Seit 2014 führt sie die angesehene Unternehmensberatung Bartz & Bartz GmbH. Diese bietet KI-basierte Lösungen für die Praxis in industriellen Anwendungen an. Die herausragende Arbeit der Unternehmensberatung führte zur Erstellung einer Expertise für das Statistische Bundesamt, aus der schließlich dieses wegweisende Buch entstand.
27,99 €*
Details
Artikel-Beschreibung

Der dritte Teil der Serie „Machine Learning mit Python“ widmet sich der Klassifikation und der Verarbeitung natürlicher Sprache.

Sie lernen unterschiedliche Klassifikationsmodelle kennen, darunter den Decision-Tree-Klassifikator, die Stützvektormethode und den naiven Bayes-Klassifikator, und Sie erfahren, wie Sie diese für verschiedene Problemstellungen einsetzen können.

Ein weiterer Schwerpunkt liegt auf der Bewertung von Modellen. Mit Hilfe einer Confusion Matrix und den Metriken Precision, Recall und F1-Score analysieren Sie die Qualität Ihrer Modelle und optimieren deren Leistung. Darüber hinaus erhalten Sie Einblick in die Anwendung des naiven Bayes-Klassifikators im Bereich der natürlichen Sprachverarbeitung, einem spannenden und vielseitigen Einsatzgebiet.

Auch dieser Kurs zeichnet sich durch seine Praxisnähe aus. Anhand mehrerer Praxisprojekte wenden Sie das Erlernte direkt an. Der Kurs ist Teil der Serie „Machine Learning mit Python“:

  • Machine Learning mit Python – Teil 1: Grundlagen
  • Machine Learning mit Python – Teil 2: Regression
  • Machine Learning mit Python – Teil 3: Klassifikation
  • Machine Learning mit Python – Teil 4: Data Pipelines, Feature Engineering und K-Means Clustering

Länge: 06:08 Stunden



Alle Video-Lektionen im Überblick:

  • Vorstellung und Infos zum Kurs
    • Herzlich willkommen zu diesem Kurs
  • Decision Tree Classifier
    • Kapitelüberblick
    • Binäre Klassifikation – Confusion Matrix
    • Confusion Matrix in Python (Teil 1)
    • Confusion Matrix in Python (Teil 2)
    • Binäre Klassifikation: Precision und Recall
    • Binäre Klassifikation: F1-Score
    • Binäre Klassifikation: Precision, Recall und F1-Score in Python (Teil 1)
    • Binäre Klassifikation: Precision, Recall und F1-Score in Python (Teil 2)
    • Mehrklassen Klassifikation – Verschiedene Metriken
    • Mehrklassen Klassifikation in Python (Teil 1)
    • Mehrklassen Klassifikation in Python (Teil 2)
    • Quiz: Decision Tree Classifier
  • Projekt 7 – Vorhersage der Trinkwasserqualität mithilfe von Ensemble Methoden
    • Kapitelüberblick
    • Projektvorlage in Python
    • Projektlösung in Python
  • Logistische Regression
    • Kapitelüberblick
    • Logistische Regression – Intuition
    • Logistische Regression in Python
    • (Optional) Mathematische Vertiefung – Log Loss – Binary Cross Entropy
    • Quiz: Logistische Regression
  • Projekt 8 – Zielgruppenidentifikation für die Expansion in neue Märkte
    • Kapitelüberblick
    • Projektvorlage in Python
    • Projektlösung in Python
  • KNN – K-Nächste-Nachbarn
    • Kapitelüberblick
    • KNN – Intuition
    • KNN in Python (Teil 1)
    • KNN in Python (Teil 2)
    • (Optional) Funktionsweise von plot_decision_boundaries()
    • (Optional) Mathematische Vertiefung – Varianz, Standardabweichung und Skalierung
    • Quiz: KNN – K-Nächste-Nachbarn
  • Projekt 9 – Klassifikation von Irisblumen anhand ihrer Blütenmorphologie
    • Kapitelüberblick
    • Projektvorlage in Python
    • Projektlösung in Python
  • SVM – Support Vector Machine
    • Kapitelüberblick
    • SVM – Intuition
    • SVM in Python: Lineare Kernelfunktion
    • SVM in Python: Polynomiale Kernelfunktion
    • SVM in Python: RBF-Kernelfunktion
    • Quiz: SVM – Support Vector Machine
  • Projekt 10 – Reise-Influencer für mögliche Kollaborationen ausfindig machen
    • Kapitelüberblick
    • Projektvorlage in Python
    • Projektlösung in Python
  • Naiver Bayes-Klassifikator
    • Kapitelüberblick
    • Naiver Bayes-Klassifikator – Intuition
    • Categorical Naive Bayes in Python (Teil 1)
    • Categorical Naive Bayes in Python (Teil 2)
    • Gaussian Naive Bayes in Python (Teil 1)
    • Gaussian Naive Bayes in Python (Teil 2)
    • Mixed Naive Bayes in Python (Teil 1)
    • Mixed Naive Bayes in Python (Teil 2)
    • (Optional) Mathematische Vertiefung: Formelherleitung und die Normalverteilung
    • (Optional) Mathematische Vertiefung: PDF und Gaußsches-Integral
    • Quiz: Naiver Bayes-Klassifikator
  • Projekt 11 – Einkommensprognose unter Berücksichtigung verschiedener Merkmale
    • Kapitelüberblick
    • Projektvorlage in Python
    • Projektlösung in Python
  • NLP – Natural Language Processing
    • Kapitelüberblick
    • NLP – Intuition
    • NLP in Python (Teil 1)
    • NLP in Python (Teil 2)
    • NLP in Python (Teil 3)
    • (Optional) Mathematische Vertiefung: Multinomiale Wahrscheinlichkeitsfunktion
    • Quiz: NLP – Natural Language Processing
  • Projekt 12 – Automatisierte Kundenbewertungsanalyse im Bereich E-Commerce
    • Kapitelüberblick
    • Projektvorlage in Python
    • Projektlösung in Python
  • Abschluss
    • Fazit und Kursabschluss

Über den Trainer:

Ilyas Tachakor entdeckte bereits während seines Informatikstudiums seine Leidenschaft für Data Science. Bevor er sich als Online-Dozent selbstständig machte, entwickelte er bei einem führenden deutschen EdTech-Startup innovative Lerninhalte im Bereich Informatik. Diese Erfahrung verschaffte ihm ein umfassendes Verständnis für die Bedürfnisse von Lernenden. Heute verbindet er dieses Wissen mit seiner Fachkompetenz, um in seinen praxisorientierten Videokursen ein nachhaltiges Lernerlebnis zu schaffen und Menschen für moderne Technologien zu begeistern.


So lernen Sie mit diesem Videokurs:

In den Videokursen von heise academy lernen Sie IT-Themen anschaulich und verständlich. In den Videos schauen Sie den Experten bei der praktischen Arbeit zu und lassen sich dabei alles genau erklären. Das Wissen ist in kleine Lernschritte und Aufgaben unterteilt, sodass Sie den Kurs Lektion für Lektion durcharbeiten oder gezielt zu Themen springen können, die Sie interessieren. Die persönliche Lernumgebung der heise academy hält viele Funktionen für Sie bereit, die Ihnen beim Lernen helfen können:

  • Flexibler Videoplayer mit vielen Steuerungsmöglichkeiten
  • Wissensquiz zur Lernkontrolle
  • Lernhistorie und Lernfortschritt
  • Lesezeichen und Notizen
  • Volltextsuche in den Videos
  • Frage-den-Experten-Modul
  • Übungsmaterial zum Mitmachen
  • Responsive Web-App und Videostreaming für alle Endgeräte

Technische Voraussetzungen:

Für diesen Videokurs werden lediglich ein Browser (mit eingeschalteter JavaScript-Funktionalität) und eine Internetverbindung benötigt.

Artikel-Details
Anbieter:
Heise Medien GmbH & Co. KG
Artikelnummer:
machine-learning-mit-python-teil-3-klassifikation-3055
Veröffentlicht:
28.03.25