Availability: Machine learning mit Python und Scikit-learn und TensorFlow

Machine learning mit Python und Scikit-learn und TensorFlow: das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics

Saved in:

Bibliographic Details
Previous Title:	Raschka, Sebastian Machine learning mit Python
Main Authors:	Raschka, Sebastian (Author), Mirjalili, Vahid (Author)
Other Authors:	Lorenzen, Knut (Translator)
Format:	Book
Language:	German
Published:	Frechen mitp 2018
Edition:	2., aktualisierte und erweiterte Auflage
Subjects:	Maschinelles Lernen Big Data Python > Programmiersprache Python 3.4 Datenanalyse Python 3.5 NumPy SciPy pandas Algorithmen Data Scientist Sentiment Analyse Sentiment Analysis
Links:	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030091852&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
Physical Description:	577 Seiten Diagramme 24 cm x 17 cm
ISBN:	9783958457331 3958457339

Staff View

MARC


LEADER	00000nam a22000008c 4500
001	BV044694981
003	DE-604
005	20190408
007	t\|
008	171221s2018 gw \|\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 17,N50 \|2 dnb
015			\|a 18,A10 \|2 dnb
016	7		\|a 1147881359 \|2 DE-101
020			\|a 9783958457331 \|c Broschur : EUR 49.99 (DE), circa EUR 49.99 (AT) \|9 978-3-95845-733-1
020			\|a 3958457339 \|9 3-95845-733-9
024	3		\|a 9783958457331
028	5	2	\|a Bestellnummer: 95845733
035			\|a (OCoLC)1018470551
035			\|a (DE-599)DNB1147881359
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-NW
049			\|a DE-M49 \|a DE-703 \|a DE-29T \|a DE-1102 \|a DE-739 \|a DE-20 \|a DE-706 \|a DE-11 \|a DE-523 \|a DE-91G \|a DE-860 \|a DE-19 \|a DE-1043 \|a DE-573 \|a DE-634 \|a DE-858 \|a DE-M347 \|a DE-83 \|a DE-898 \|a DE-92 \|a DE-1049 \|a DE-861 \|a DE-473 \|a DE-1046 \|a DE-1051 \|a DE-384 \|a DE-1047
082	0		\|a 004 \|2 23
082	0		\|a 005.133 \|2 22/ger
082	0		\|a 006.31 \|2 22/ger
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a ST 530 \|0 (DE-625)143679: \|2 rvk
084			\|a 004 \|2 sdnb
084			\|a DAT 708f \|2 stub
084			\|a DAT 368f \|2 stub
084			\|a DAT 316f \|2 stub
100	1		\|a Raschka, Sebastian \|e Verfasser \|0 (DE-588)1080537872 \|4 aut
240	1	0	\|a Python machine learning
245	1	0	\|a Machine learning mit Python und Scikit-learn und TensorFlow \|b das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics \|c Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen
250			\|a 2., aktualisierte und erweiterte Auflage
264		1	\|a Frechen \|b mitp \|c 2018
300			\|a 577 Seiten \|b Diagramme \|c 24 cm x 17 cm
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
650	0	7	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Big Data \|0 (DE-588)4802620-7 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python 3.4 \|0 (DE-588)1053433689 \|2 gnd \|9 rswk-swf
650	0	7	\|a Datenanalyse \|0 (DE-588)4123037-1 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python 3.5 \|0 (DE-588)1113598565 \|2 gnd \|9 rswk-swf
653			\|a NumPy
653			\|a SciPy
653			\|a pandas
653			\|a Big Data
653			\|a Algorithmen
653			\|a Datenanalyse
653			\|a Data Scientist
653			\|a Sentiment Analyse
653			\|a Sentiment Analysis
689	0	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0	1	\|a Datenanalyse \|0 (DE-588)4123037-1 \|D s
689	0	2	\|a Big Data \|0 (DE-588)4802620-7 \|D s
689	0	3	\|a Python 3.4 \|0 (DE-588)1053433689 \|D s
689	0	4	\|a Python 3.5 \|0 (DE-588)1113598565 \|D s
689	0		\|5 DE-604
689	1	0	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	1	1	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	1		\|5 DE-604
700	1		\|a Mirjalili, Vahid \|0 (DE-588)1147615993 \|4 aut
700	1		\|a Lorenzen, Knut \|0 (DE-588)1020241446 \|4 trl
710	2		\|a mitp Verlags GmbH & Co. KG \|0 (DE-588)1065362072 \|4 pbl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 978-3-95845-734-8 \|w (DE-604)BV044795341
780	0	0	\|a Raschka, Sebastian
780	0	0	\|t Machine learning mit Python
780	0	0	\|i Vorangegangen ist \|z 9783958454224 \|w (DE-604)BV043799643
856	4	2	\|m Digitalisierung UB Passau - ADAM Catalogue Enrichment \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030091852&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
943	1		\|a oai:aleph.bib-bvb.de:BVB01-030091852

Record in the Search Index

DE-BY-OTHR_call_number	F 03/ST 250 P99 R223(2)
DE-BY-OTHR_katkey	6031291
DE-BY-OTHR_location	02
DE-BY-OTHR_media_number	067004216029
DE-BY-TUM_call_number	0003 DAT 708f 2015 L 246(2) 0104 DAT 708f 2017 A 4028(2) 0202 DAT 708f 2018 A 2384(2) 0303 DAT 708f 2017 L 605(2) 1002 DAT 708f 2018 A 204(2)
DE-BY-TUM_katkey	2297771
DE-BY-TUM_location	00 01 02 03 10
DE-BY-TUM_media_number	040009268020 040009268031 040009268042 040009268053 040009268064 040009416166 040009416188 040009416199 040009416202 040009416177 040008152609 040008615405 040008623596 040008623585 040008623643 040008623632 040008623665 040008623654 040008623574 040008623609 040008623610 040008623621 040008152654 040008152643 040008152632 040008152621 040008152610 040008697765
_version_	1831256201618259968
adam_text	I n haltsverzeich n is Über die Autoren................................................ 15 Über die Korrektoren............................................ 17 Einleitung...................................................... 19 1 Wie Computer aus Daten lernen können............................ 25 1.1 Intelligente Maschinen, die Daten in Wissen verwandeln.......... 25 1.2 Die drei Arten des Machine Learnings............................ 26 1.2.1 Mit überwachtem Lernen Vorhersagen treffen............... 26 1.2.2 Interaktive Aufgaben durch verstärkendes Lernen lösen ... 29 1.2.3 Durch unüberwachtes Lernen verborgene Strukturen erkennen................................................. 31 1.3 Grundlegende Terminologie und Notation.......................... 32 1.4 Entwicklung eines Systems für das Machine Learning.............. 34 1.4.1 Vorverarbeitung: Daten in Form bringen................... 35 1.4.2 Trainieren und Auswahlen eines Vorhersagemodells...... 36 1.4.3 Bewertung von Modellen und Vorhersage anhand unbekannter Dateninstanzen............................... 37 1.5 Machine Leaming mit Python...................................... 37 1.5.1 Python-Pakete installieren............................... 37 1.5.2 Verwendung der Python-Distribution Anaconda.............. 38 1.5.3 Pakete für wissenschaftliches Rechnen, Data Science und Machine Learning......................................... 38 1.6 Zusammenfassung................................................. 39 2 Lemalgorithmen für die Klassifizierung trainieren............... 41 2.1 Künstliche Neuronen: Ein kurzer Blick auf die Anfänge des Machine Learnings............................................... 41 2.1.1 Formale Definition eines künstlichen Neurons............. 42 2.1.2 Die Perzeptron-Lernregel................................. 44 2.2 Implementierung eines Perzeptron-Lernalgorithmus in Python ... 47 2.2.1 Eine objektorientierte Perzeptron-API.................... 47 2.2.2 Trainieren eines Perzeptron-Modells auf die Iris-Datensammlung....................................... 51 2.3 Adaptive lineare Neuronen und die Konvergenz des Lernens.... 56 2.3.1 Straffunktionen mit dem Gradientenabstiegsverfahren minimieren............................................... 57 2.3.2 Implementierung eines adaptiven linearen Neurons in Python................................................... 59 2.3.3 Verbesserung des Gradientenabstiegsverfahrens durch Merkmalstandardisierung................................. 64 2.3.4 Großmaßstäbliches Machine Learning und stochastisches Gradientenabstiegs verfahren............................. 66 2.4 Zusammenfassung................................................. 71 3 Machine-Learning-Klassifizierer mit scikit-leam verwenden....... 73 3.1 Auswahl eines Klassifizierungsalgorithmus....................... 73 3.2 Erste Schritte mit scikit-learn: Trainieren eines Perzeptrons... 74 3.3 Klassenwahrscheinlichkeiten durch logistische Regression modellieren..................................................... 80 3.3.1 Logistische Regression und bedingte Wahrscheinlichkeiten 81 3.3.2 Gewichtungen der logistischen Straffunktion ermitteln.... 84 3.3.3 Konvertieren einer Adaline-Implementierung in einen Algorithmus für eine logistische Regression.............. 87 3.3.4 Trainieren eines logistischen Regressionsmodells mit scikit-learn............................................. 91 3.3.5 Überanpassung durch Regularisierung verhindern........... 93 3.4 Maximum-Margin-Klassifizierung mit Support Vector Machines. .. 96 3.4.1 Maximierung des Randbereichs............................. 97 3.4.2 Handhabung des nicht linear trennbaren Falls mit Schlupfvariablen......................................... 98 3.4.3 Alternative Implementierungen in scikit-learn........... 100 3.5 Nichtlineare Aufgaben mit einer Kernel-SVM lösen............... 101 3.5.1 Kernel-Methoden für linear nicht trennbare Daten........ 101 3.5.2 Mit dem Kemel-Trick Hyperebenen in höherdimensionalen Räumen finden........................................... 103 3.6 Lernen mit Entscheidungsbäumen................................. 107 3.6.1 Maximierung des Informationsgewinns: Daten ausreizen.. 108 3.6.2 Konstruktion eines Entscheidungsbaums................... 112 3.6.3 Mehrere Entscheidungsbäume zu einem Random Forest kombinieren............................................. 116 3.7 k-Nearest-Neighbor: Ein Lazy-Learning-Algorithmus.............. 119 3.8 Zusammenfassung................................................ 123 4 Gut geeignete Trainingsdatenmengen: Datenvorverarbeitung... 125 4.1 Umgang mit fehlenden Daten..................................... 125 4.1.1 Fehlende Werte in Tabellendaten......................... 126 4.1.2 Exemplare oder Merkmale mit fehlenden Daten entfernen............................................... 127 4.1.3 Fehlende Werte ergänzen................................. 128 4.1.4 Die Schätzer-API von scikit-learn....................... 129 4.2 Handhabung kategorialer Daten.................................. 130 4.2.1 Nominale und ordinale Merkmale.......................... 130 4.2.2 Erstellen einer Beispieldatenmenge...................... 130 4.2.3 Zuweisung von ordinalen Merkmalen....................... 131 4.2.4 Codierung der Klassenbezeichnungen...................... 132 4.2.5 One-hot-Codierung der nominalen Merkmale................ 133 4.3 Aufteilung einer Datensammlung in Trainings- und Testdaten .... 136 4.4 Anpassung der Merkmale......................................... 138 4.5 Auswahl aussagekräftiger Merkmale.............................. 140 4.5.1 LÍ- und L2-Regularisierung als Straffunktionen.......... 141 4.5.2 Geometrische Interpretation der L2-Regularisierung.. 141 4.5.3 Dünnbesetzte Lösungen mit Ll-Regularisierung............ 143 4.5.4 Algorithmen zur sequenziellen Auswahl von Merkmalen............................................... 147 4.6 Beurteilung der Bedeutung von Merkmalen mit Random Forests........................................................ 154 4.7 Zusammenfassung................................................ 156 5 Datenkomprimierung durch Dimensionsreduktion................... 159 5.1 Unüberwachte Dimensionsreduktion durch Hauptkomponentenanalyse........................................ 159 5.1.1 Schritte bei der Hauptkomponentenanalyse................ 160 5.1.2 Schrittweise Extraktion der Hauptkomponenten............ 161 5.1.3 Totale Varianz und Varianzaufklärung.................... 164 5.1.4 Merkmalstransformation.................................. 165 5.1.5 Hauptkomponentenanalyse mit scikit-learn................ 168 5.2 Überwachte Datenkomprimierung durch lineare Diskriminanzanalyse............................................ 171 5.2.1 Hauptkomponentenanalyse vs. lineare Diskriminanzanalyse..................................... 172 5.2.2 Die interne Funktionsweise der linearen Diskriminanzanalyse..................................... 173 5.2.3 Berechnung der Streumatrizen.. ....................... 174 5.2.4 Auswahl linearer Diskriminanten für den neuen Merkmalsunterraum..................................... 176 5.2.5 Projektion in den neuen Merkmalsraum.................. 179 5.2.6 LDA mit scikit-learn.................................. 180 5.3 Kemel-Hauptkomponentenanalyse für nichtlineare Zuordnungen verwenden.................................................... 181 5.3.1 Kernel-Funktionen und der Kernel-Trick................ 182 5.3.2 Implementierung einer Kemel-Hauptkomponentenanalyse in Python............................................. 186 5.3.3 Projizieren neuer Datenpunkte......................... 193 5.3.4 Kemel-Hauptkomponentenanalyse mit scikit-learn........ 197 5.4 Zusammenfassung.............................................. 198 6 Best Practices zur Modellbewertung und Hyperparameter-Abstimmung.................................... 201 6.1 Arbeitsabläufe mit Pipelines optimieren...................... 201 6.1.1 Die Wisconsin-Brustkrebs-Datensammlung................ 201 6.1.2 Transformer und Schätzer in einer Pipeline kombinieren......................................... 203 6.2 Beurteilung des Modells durch k-fache Kreuzvalidierung....... 205 6.2.1 2-fache Kreuzvalidierung.............................. 205 6.2.2 k-fache Kreuzvalidierung............................ 206 6.3 Algorithmen mit Lern- und Validierungskurven debuggen........ 211 6.3.1 Probleme mit Bias und Varianz anhand von Lernkurven erkennen.............................................. 211 6.3.2 Überanpassung und Unteranpassung anhand von Validierungskurven erkennen........................... 214 6.4 Feinabstimmung eines Lernmodells durch Rastersuche........... 216 6.4.1 Hyperparameter-Abstimmung durch Rastersuche........... 216 6.4.2 Algorithmenauswahl durch verschachtelte Kreuzvalidierung...................................... 218 6.5 Verschiedene Kriterien zur Leistungsbewertung................ 220 6.5.1 Interpretation einer Wahrheitsmatrix.................. 220 6.5.2 Optimierung der Genauigkeit und der Trefferquote eines Klassifizierungsmodells............................... 222 6.5.3 Receiver-Operating-Characteristic-Diagramme........... 224 6.5.4 Bewertungskriterien für Mehrfachklassifizierungen..... 227 228 231 233 233 237 237 244 247 253 254 255 258 259 263 266 267 267 268 268 270 270 272 275 277 279 282 285 286 286 290 Handhabung unausgewogener Klassenverteilung................. Zusammenfassung............................................. Kombination verschiedener Modelle für das Ensemble Leaming... Ensemble Leaming............................................ Klassifizierer durch Mehrheitsentscheidung kombinieren...... 7.2.1 Implementierung eines einfachen Mehrheitsentscheidungs-Klassifizierers............... 7.2.2 Vorhersagen nach dem Prinzip der Mehrheitsentscheidung treffen........................ Bewertung und Abstimmung des Klassifizierer-Ensembles....... Bagging: Klassifizierer-Ensembles anhand von Bootstrap-Stichproben entwickeln............................ 7.4.1 Bagging kurz zusammengefasst......................... 7.4.2 Klassifizierung der Wein-Datensammlung durch Bagging.............................................. Schwache Klassifizierer durch adaptives Boosting verbessern. 7.5.1 Funktionsweise des Boostings......................... 7.5.2 AdaBoost mit scikit-learn anwenden................... Zusammenfassung............................................. Machine Leaming zur Analyse von Stimmungslagen nutzen....... Die IMDb-Filmdatenbank...................................... 8.1.1 Herunterladen der Datensammlung...................... 8.1.2 Vorverarbeiten der Filmbewertungsdaten............... Das Bag-of-words-Modell..................................... 8.2.1 Wörter in Merkmalsvektoren umwandeln................. 8.2.2 Beurteilung der Wortrelevanz durch das Tf-idf-Maß.... 8.2.3 Textdaten bereinigen................................. 8.2.4 Dokumente in Token zerlegen.......................... Ein logistisches Regressionsmodell für die Dokument- klassifizierung trainieren.................................. Verarbeitung großer Datenmengen: Online-Algorithmen und Out-of-Core Learning........................................ Topic Modeling mit latenter Dirichlet-Allokation............ 8.5.1 Aufteilung von Texten mit der LDA.................... 8.5.2 LDA mit scikit-learn................................. Zusammenfassung............................................. 9 Einbettung eines Machine-Leaming-Modells in eine Webanwendung................................................ 291 9.1 Serialisierung angepasster Schätzer mit scikit-learn.......... 291 9.2 Einrichtung einer SQLite-Datenbank zum Speichern von Daten ... 295 9.3 Entwicklung einer Webanwendung mit Flask...................... 297 9.3.1 Die erste Webanwendung mit Flask....................... 298 9.3.2 Formularvalidierung und -ausgabe....................... 300 9.4 Der Fihnbewertungsldassifizierer als Webanwendung............. 304 9.4.1 Dateien und Ordner - die Verzeichnisstruktur........... 306 9.4.2 Implementierung der Hauptanwendung app.py.............. 306 9.4.3 Einrichtung des Bewertungsformulars.................... 309 9.4.4 Eine Vorlage für die Ergebnisseite erstellen........... 310 9.5 Einrichtung der Webanwendung auf einem öffentlich zugänglichen Webserver........................................ 312 9.5.1 Erstellen eines Benutzerkontos bei PythonAnywhere.... 312 9.5.2 Hochladen der Filmbewertungsanwendung.................. 313 9.5.3 Updatendes Filmbewertungsklassifizierers............... 314 9.6 Zusammenfassung............................................... 316 10 Vorhersage stetiger Zielvariablen durch Regressionsanalyse.... 317 10.1 Lineare Regression............................................ 317 10.1.1 Ein einfaches lineares Regressionsmodell............... 318 10.1.2 Multiple lineare Regression............................ 319 10.2 Die Lebensbedingungen-Datensammlung........................... 320 10.2.1 Einlesen der Datenmenge in einen DataFrame............. 320 10.2.2 Visualisierung der wichtigen Eigenschaften einer Datenmenge............................................. 321 10.2.3 Zusammenhänge anhand der Korrelationsmatrix erkennen............................................... 323 10.3 Implementierung eines linearen Regressionsmodells mit der Methode der kleinsten Quadrate................................ 326 10.3.1 Berechnung der Regressionsparameter mit dem Gradientenabstiegsverfahren............................ 326 10.3.2 Abschätzung der Koeffizienten eines Regressionsmodells mit scikit-learn..................................... 330 10.4 Anpassung eines robusten Regressionsmodells mit dem RANSAC-Algorithmus............................................ 332 10.5 Bewertung der Leistung linearer Regressionsmodelle............ 335 10.6 Regularisierungsverfahren für die Regression einsetzen........ 338 10.7 Polynomiale Regression: Umwandeln einer linearen Regression in eine Kurve................................................. 340 10.7.1 Hinzufugen polynomialer Terme mit scikit-learn......... 341 10.7.2 Modellierung nichtlinearer Zusammenhänge in der Lebensbedingungen- Datensammlung....................... 342 10.8 Handhabung nichtlinearer Beziehungen mit Random Forests..... 346 10.8.1 Entscheidungsbaum-Regression........................... 346 10.8.2 Random-Forest-Regression............................... 348 10.9 Zusammenfassung............................................... 351 11 Verwendung nicht gekennzeichneter Daten: Clusteranalyse....... 353 11.1 Gruppierung von Objekten nach Ähnlichkeit mit dem k-Means-Algorithmus........................................... 353 11.1.1 K-Means-Clustering mit scikit-learn.................... 354 11.1.2 Der k-Means++-Algorithmus.............................. 358 11.1.3 »Harte« und »weiche« Clustering-Algorithmen............ 359 11.1.4 Die optimale Anzahl der Cluster mit dem Ellenbogenkriterium ermitteln.......................... 362 11.1.5 Quantifizierung der Clustering-Güte mit Silhouettendiagrammen.................................. 363 11.2 Cluster als hierarchischen Baum organisieren.................. 368 11.2.1 Gruppierung von Clustern............................... 368 11.2.2 Hierarchisches Clustering einer Distanzmatrix.......... 370 11.2.3 Dendrogramme und Heatmaps verknüpfen................... 373 11.2.4 Agglomeratives Clustering mit scikit-learn............. 375 11.3 Bereiche hoher Dichte mit DBSCAN ermitteln.................... 376 11.4 Zusammenfassung............................................... 382 12 Implementierung eines künstlichen neuronalen Netzes........... 383 12.1 Modellierung komplexer Funktionen mit künstlichen neuronalen Netzen........................................................ 383 12.1.1 Einschichtige neuronale Netze.......................... 385 12.1.2 Mehrschichtige neuronale Netzarchitektur............... 387 12.1.3 Aktivierung eines neuronalen Netzes durch Vorwärtspropagation.................................. 390 12.2 Klassifizierung handgeschriebener Ziffern..................... 392 12.2.1 Die MNIST-Datensammlung................................ 393 12.2.2 Implementierung eines mehrschichtigen Perzeptrons.... 399 12.3 Trainieren eines künstlichen neuronalen Netzes................ 410 12.3.1 Berechnung der logistischen Straffunktion.............. 410 12.3.2 Ein Gespür für die Backpropagation entwickeln.......... 413 12.3.3 Trainieren neuronaler Netze durch Backpropagation..... 415 12.4 Konvergenz in neuronalen Netzen............................... 418 12.5 Abschließende Bemerkungen zur Implementierung neuronaler Netze......................................................... 420 12.6 Zusammenfassung.............................................. 420 13 Parallelisierung des Trainings neuronaler Netze mit TensorFlow.................................................... 423 13.1 TensorFlow und Trainingsleistung.............................. 423 13.1.1 Was genau ist TensorFlow?.............................. 425 13.1.2 TensorFlow erlernen.................................... 425 13.1.3 Erste Schritte mit TensorFlow.......................... 426 13.1.4 Mit Array-Strukturen arbeiten.......................... 428 13.1.5 Entwicklung eines einfachen Modells mit TensorFlows Low-level-API........................................ 430 13.2 Training neuronaler Netze mit TensorFlows High-level-APIs.... 434 13.2.1 Entwicklung mehrschichtiger neuronaler Netze mit TensorFlows Layers-API................................. 435 13.2.2 Entwicklung eines mehrschichtigen neuronalen Netzes mit Keras.............................................. 439 13.3 Auswahl der Aktivierungsfunktionen mehrschichtiger neuronaler Netze......................................................... 444 13.3.1 Die logistische Funktion kurz zusammengefasst.......... 445 13.3.2 Wahrscheinlichkeiten bei der Mehrfachklassifizierung mit der softmax-Funktion abschätzen.................... 447 13.3.3 Verbreiterung des Ausgabespektrums mittels Tangens hyperbolicus........................................... 448 13.3.4 Aktivierung durch rektifizierte Lineareinheiten........ 449 13.4 Zusammenfassung............................................... 451 14 Die Funktionsweise von TensorFlow im Detail................. 453 14.1 Grundlegende Merkmale von TensorFlow.......................... 453 14.2 TensorFlow-Tensoren und deren Rang............................ 454 14.2.1 Rang und Form eines Tensors ermitteln.................. 455 14.3 TensorFlow-Berechnungsgraphen................................. 456 14.4 Platzhalter in TensorFlow..................................... 458 14.4.1 Platzhalter definieren................................. 459 14.4.2 Platzhaltern Daten zuführen............................ 459 460 461 461 464 465 466 469 473 474 477 481 484 487 488 489 489 490 491 500 501 501 504 507 507 508 509 521 527 14.4.3 Platzhalter für Datenarrays mit variierenden Stapelgrößen definieren........................................... Variablen in TensorFlow..................................... 14.5.1 Variablen definieren................................ 14.5.2 Variablen initialisieren............................ 14.5.3 Geltungsbereich von Variablen....................... 14.5.4 Wiederverwendung von Variablen...................... Erstellen eines Regressionsmodells.......................... Ausführung von Objekten in einem TensorFlow-Graphen unter Verwendung ihres Namens..................................... Speichern und wiederherstellen eines Modells in TensorFlow.. Tensoren als mehrdimensionale Datenarrays transformieren.... Mechanismen der Flusskontrolle beim Erstellen von Graphen verwenden................................................... Graphen mit TensorBoard visualisieren....................... 14.11.1 Erweitern Sie Ihre TensorBoard-Kenntnisse........... Zusammenfassung............................................. Bildklassifizierung mit tiefen konvolutionalen neuronalen Netzen........................................... Bausteine konvolutionaler neuronaler Netze.................. 15.1.1 CNNs und Merkmalshierarchie......................... 15.1.2 Diskrete Faltungen.................................. 15.1.3 Subsampling......................................... Implementierung eines CNNs.................................. 15.2.1 Verwendung mehrerer Eingabe- oder Farbkanäle........ 15.2.2 Regularisierung eines neuronalen Netzes mit Dropout Implementierung eines tiefen konvolutionalen neuronalen Netzes mit TensorFlow.............................................. 15.3.1 Die mehrschichtige CNN-Architektur.................. 15.3.2 Einlesen und Vorverarbeiten der Daten............... 15.3.3 Implementierung eines CNNs mit TensorFlows Low-level-API ....................................... 15.3.4 Implementierung eines CNNs mit TensorFlows Layers-API........................................... Zusammenfassung............................................. 529 529 530 530 531 532 532 534 537 538 540 541 541 545 547 548 548 552 553 554 554 555 556 560 560 561 564 565 566 567 568 571 Modellierung sequenzieller Daten durch rekurrente neuronale Netze........................................... Sequenzielle Daten........................................ 16.1.1 Modellierung sequenzieller Daten: Die Reihenfolge ist von Bedeutung.......................................... 16.1.2 Repräsentierung von Sequenzen...................... 16.1.3 Verschiedene Kategorien der Sequenzmodellierung.... Sequenzmodellierung mit RNNs.............................. 16.2.1 Struktur und Ablauf eines RNNs..................... 16.2.2 Aktivierungen eines RNNs berechnen................. 16.2.3 Probleme bei der Erkennung weitreichender Interaktionen...................................... 16.2.4 LSTM-Einheiten..................................... Implementierung eines mehrschichtigen RNNs zur Sequenzmodellierung mit TensorFlow........................ Projekt 1: Analyse der Stimmungslage in der IMDb- Filmbewertungsdatenbank mit mehrschichtigen RNNs.......... 16.4.1 Datenaufbereitung.................................. 16.4.2 Einbettung......................................... 16.4.3 Erstellen eines RNN-Modells........................ 16.4.4 Der Konstruktor der SentimentRNN-Klasse............ 16.4.5 Die build-Methode.................................. 16.4.6 Die train-Methode.................................. 16.4.7 Die predict-Methode................................ 16.4.8 Instanziiemng der SentimentRNN-Klasse.............. 16.4.9 Training und Optimierung des RNN-Modells zur Stimmungsanalyse................................... Projekt 2: Implementierung eines RNNs zur Sprachmodellierung durch Zeichen mit TensorFlow.............................. 16.5.1 Datenaufbereitung ................................. 16.5.2 Erstellen eines RNNs zur Sprachmodellierung durch Zeichen............................................ 16.5.3 Der Konstruktor.................................... 16.5.4 Die build-Methode.................................. 16.5.5 Die train-Methode.................................. 16.5.6 Die sample-Methode................................. 16.5.7 Erstellen und Trainieren des CharRNN-Modells....... 16.5.8 Das CharRNN-Modell im Sampling-Modus............... Zusammenfassung und Schlusswort........................... Stichwortverzeichnis
any_adam_object	1
author	Raschka, Sebastian Mirjalili, Vahid
author2	Lorenzen, Knut
author2_role	trl
author2_variant	k l kl
author_GND	(DE-588)1080537872 (DE-588)1147615993 (DE-588)1020241446
author_facet	Raschka, Sebastian Mirjalili, Vahid Lorenzen, Knut
author_role	aut aut
author_sort	Raschka, Sebastian
author_variant	s r sr v m vm
building	Verbundindex
bvnumber	BV044694981
classification_rvk	ST 250 ST 300 ST 302 ST 530
classification_tum	DAT 708f DAT 368f DAT 316f
ctrlnum	(OCoLC)1018470551 (DE-599)DNB1147881359
dewey-full	004 005.133 006.31
dewey-hundreds	000 - Computer science, information, general works
dewey-ones	004 - Computer science 005 - Computer programming, programs, data, security 006 - Special computer methods
dewey-raw	004 005.133 006.31
dewey-search	004 005.133 006.31
dewey-sort	14
dewey-tens	000 - Computer science, information, general works
discipline	Informatik
edition	2., aktualisierte und erweiterte Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03673nam a22008778c 4500</leader><controlfield tag="001">BV044694981</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20190408 </controlfield><controlfield tag="007">t\|</controlfield><controlfield tag="008">171221s2018 gw \|\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">17,N50</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">18,A10</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1147881359</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783958457331</subfield><subfield code="c">Broschur : EUR 49.99 (DE), circa EUR 49.99 (AT)</subfield><subfield code="9">978-3-95845-733-1</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3958457339</subfield><subfield code="9">3-95845-733-9</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783958457331</subfield></datafield><datafield tag="028" ind1="5" ind2="2"><subfield code="a">Bestellnummer: 95845733</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1018470551</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1147881359</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-NW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-M49</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-858</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-861</subfield><subfield code="a">DE-473</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-384</subfield><subfield code="a">DE-1047</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">004</subfield><subfield code="2">23</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">005.133</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.31</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 250</subfield><subfield code="0">(DE-625)143626:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 530</subfield><subfield code="0">(DE-625)143679:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 708f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 368f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 316f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Raschka, Sebastian</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1080537872</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Python machine learning</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Machine learning mit Python und Scikit-learn und TensorFlow</subfield><subfield code="b">das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics</subfield><subfield code="c">Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">2., aktualisierte und erweiterte Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Frechen</subfield><subfield code="b">mitp</subfield><subfield code="c">2018</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">577 Seiten</subfield><subfield code="b">Diagramme</subfield><subfield code="c">24 cm x 17 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Python 3.4</subfield><subfield code="0">(DE-588)1053433689</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Python 3.5</subfield><subfield code="0">(DE-588)1113598565</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">NumPy</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">SciPy</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">pandas</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Big Data</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Algorithmen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Datenanalyse</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Scientist</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Sentiment Analyse</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Sentiment Analysis</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Python 3.4</subfield><subfield code="0">(DE-588)1053433689</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="4"><subfield code="a">Python 3.5</subfield><subfield code="0">(DE-588)1113598565</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Mirjalili, Vahid</subfield><subfield code="0">(DE-588)1147615993</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Lorenzen, Knut</subfield><subfield code="0">(DE-588)1020241446</subfield><subfield code="4">trl</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">mitp Verlags GmbH & Co. KG</subfield><subfield code="0">(DE-588)1065362072</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">978-3-95845-734-8</subfield><subfield code="w">(DE-604)BV044795341</subfield></datafield><datafield tag="780" ind1="0" ind2="0"><subfield code="a">Raschka, Sebastian</subfield></datafield><datafield tag="780" ind1="0" ind2="0"><subfield code="t">Machine learning mit Python</subfield></datafield><datafield tag="780" ind1="0" ind2="0"><subfield code="i">Vorangegangen ist</subfield><subfield code="z">9783958454224</subfield><subfield code="w">(DE-604)BV043799643</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Passau - ADAM Catalogue Enrichment</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030091852&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-030091852</subfield></datafield></record></collection>
id	DE-604.BV044694981
illustrated	Not Illustrated
indexdate	2024-12-20T18:09:13Z
institution	BVB
institution_GND	(DE-588)1065362072
isbn	9783958457331 3958457339
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-030091852
oclc_num	1018470551
open_access_boolean
owner	DE-M49 DE-BY-TUM DE-703 DE-29T DE-1102 DE-739 DE-20 DE-706 DE-11 DE-523 DE-91G DE-BY-TUM DE-860 DE-19 DE-BY-UBM DE-1043 DE-573 DE-634 DE-858 DE-M347 DE-83 DE-898 DE-BY-UBR DE-92 DE-1049 DE-861 DE-473 DE-BY-UBG DE-1046 DE-1051 DE-384 DE-1047
owner_facet	DE-M49 DE-BY-TUM DE-703 DE-29T DE-1102 DE-739 DE-20 DE-706 DE-11 DE-523 DE-91G DE-BY-TUM DE-860 DE-19 DE-BY-UBM DE-1043 DE-573 DE-634 DE-858 DE-M347 DE-83 DE-898 DE-BY-UBR DE-92 DE-1049 DE-861 DE-473 DE-BY-UBG DE-1046 DE-1051 DE-384 DE-1047
physical	577 Seiten Diagramme 24 cm x 17 cm
publishDate	2018
publishDateSearch	2018
publishDateSort	2018
publisher	mitp
record_format	marc
spellingShingle	Raschka, Sebastian Mirjalili, Vahid Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics Maschinelles Lernen (DE-588)4193754-5 gnd Big Data (DE-588)4802620-7 gnd Python Programmiersprache (DE-588)4434275-5 gnd Python 3.4 (DE-588)1053433689 gnd Datenanalyse (DE-588)4123037-1 gnd Python 3.5 (DE-588)1113598565 gnd
subject_GND	(DE-588)4193754-5 (DE-588)4802620-7 (DE-588)4434275-5 (DE-588)1053433689 (DE-588)4123037-1 (DE-588)1113598565
title	Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
title_alt	Python machine learning
title_auth	Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
title_exact_search	Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
title_full	Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen
title_fullStr	Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen
title_full_unstemmed	Machine learning mit Python und Scikit-learn und TensorFlow das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics Sebastian Raschka, Vahid Mirjalili ; Übersetzung aus dem Amerikanischen von Knut Lorenzen
title_old	Raschka, Sebastian Machine learning mit Python
title_short	Machine learning mit Python und Scikit-learn und TensorFlow
title_sort	machine learning mit python und scikit learn und tensorflow das umfassende praxis handbuch fur data science deep learning und predictive analytics
title_sub	das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
topic	Maschinelles Lernen (DE-588)4193754-5 gnd Big Data (DE-588)4802620-7 gnd Python Programmiersprache (DE-588)4434275-5 gnd Python 3.4 (DE-588)1053433689 gnd Datenanalyse (DE-588)4123037-1 gnd Python 3.5 (DE-588)1113598565 gnd
topic_facet	Maschinelles Lernen Big Data Python Programmiersprache Python 3.4 Datenanalyse Python 3.5
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030091852&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT raschkasebastian pythonmachinelearning AT mirjalilivahid pythonmachinelearning AT lorenzenknut pythonmachinelearning AT mitpverlagsgmbhcokg pythonmachinelearning AT raschkasebastian machinelearningmitpythonundscikitlearnundtensorflowdasumfassendepraxishandbuchfurdatasciencedeeplearningundpredictiveanalytics AT mirjalilivahid machinelearningmitpythonundscikitlearnundtensorflowdasumfassendepraxishandbuchfurdatasciencedeeplearningundpredictiveanalytics AT lorenzenknut machinelearningmitpythonundscikitlearnundtensorflowdasumfassendepraxishandbuchfurdatasciencedeeplearningundpredictiveanalytics AT mitpverlagsgmbhcokg machinelearningmitpythonundscikitlearnundtensorflowdasumfassendepraxishandbuchfurdatasciencedeeplearningundpredictiveanalytics

Availability

Order (Login required)

Table of Contents
Order paper/chapter scan

Branch Library Main Campus, Textbook Collection

Holdings details from Teilbibliothek Stammgelände, Lehrbuchsammlung
Call Number:	0003 DAT 708f 2015 L 246(2) Floor plan
Copy 1	Available for loan On Shelf
Copy 2	Available for loan On Shelf
Copy 3	Available for loan On Shelf
Copy 4	Available for loan On Shelf
Copy 5	Available for loan On Shelf
Copy 6	Available for loan On Shelf
Copy 7	Available for loan On Shelf
Copy 8	Available for loan On Shelf
Copy 9	Available for loan On Shelf
Copy 10	Available for loan On Shelf

Branch Library Mathematics & Informatics

Holdings details from Teilbibliothek Mathematik & Informatik
Call Number:	0104 DAT 708f 2017 A 4028(2) Floor plan
Copy 1	Not available for loan On Shelf

Branch Library Physics

Holdings details from Teilbibliothek Physik
Call Number:	0202 DAT 708f 2018 A 2384(2) Floor plan
Copy 1	Available for loan On Shelf

Branch Library Chemistry, Textbook Collection

Holdings details from Teilbibliothek Chemie, Lehrbuchsammlung
Call Number:	0303 DAT 708f 2017 L 605(2) Floor plan
Copy 1	Available for loan On Shelf
Copy 2	Available for loan On Shelf
Copy 3	Available for loan On Shelf
Copy 4	Available for loan On Shelf
Copy 5	Available for loan On Shelf
Copy 6	Available for loan On Shelf
Copy 7	Available for loan On Shelf
Copy 8	Available for loan On Shelf
Copy 9	Available for loan On Shelf
Copy 10	Available for loan On Shelf
Copy 11	Available for loan On Shelf
Copy 12	Available for loan On Shelf
Copy 13	Available for loan On Shelf
Copy 14	Available for loan On Shelf
Copy 15	Available for loan On Shelf

Branch Library Weihenstephan

Holdings details from Teilbibliothek Weihenstephan
Call Number:	1002 DAT 708f 2018 A 204(2) Floor plan
Copy 1	Available for loan On Shelf