Glossar

Scikit-learn

Was ist Scikit-learn?

Scikit-learn ist eine quelloffene Python-Bibliothek für klassisches maschinelles Lernen. Sie bietet einheitliche Werkzeuge für Klassifikation, Regression, Clustering, Dimensionsreduktion, Datenvorverarbeitung und Modellbewertung, etwa Kreuzvalidierung. Aufgebaut auf NumPy und SciPy, ist sie wegen ihrer einfachen, konsistenten Schnittstelle in Ausbildung, Forschung und Praxis weit verbreitet. Für tiefe neuronale Netze greift man dagegen meist zu Frameworks wie PyTorch oder TensorFlow.

Themen

Python
Bibliothek
Machine Learning

KI.ordo ausprobieren

Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.

Demo starten

← Alle Begriffe

Verwandte Begriffe

Pandas

Pandas ist eine quelloffene Python-Bibliothek zur Analyse und Bearbeitung tabellarischer Daten, entwickelt ab 2008 von Wes McKinney. Ihr zentrales Objekt, der DataFrame, ähnelt einer Tabelle mit benannten Spalten. Damit lassen sich Daten aus CSV-, Excel- oder Datenbankquellen einlesen, bereinigen, filtern, gruppieren und zusammenführen. Pandas baut auf NumPy auf und ist ein Standardwerkzeug in Datenanalyse, Berichtswesen und der Vorbereitung von Trainingsdaten.

Python
Datenanalyse
+1

NumPy

NumPy ist die grundlegende quelloffene Python-Bibliothek für numerisches Rechnen. Sie stellt mehrdimensionale Arrays sowie schnelle Funktionen für lineare Algebra, Statistik und Zufallszahlen bereit, deren Kern in kompilierter Sprache läuft. Zahlreiche Werkzeuge der Datenanalyse und des maschinellen Lernens, etwa pandas, scikit-learn und viele Visualisierungsbibliotheken, bauen auf NumPy auf. Wer in Python mit Daten arbeitet, nutzt es daher fast immer direkt oder indirekt.

Python
Datenanalyse
+1

XGBoost

XGBoost (Extreme Gradient Boosting) ist eine Open-Source-Bibliothek, die Gradient Boosting mit Entscheidungsbäumen besonders effizient umsetzt. Dabei werden viele kleine Bäume nacheinander trainiert, wobei jeder die Fehler der vorherigen korrigiert; Regularisierung beugt Overfitting vor. XGBoost gilt als bewährte Wahl für tabellarische Daten, etwa für Kreditrisiko-Bewertung, Kündigungsprognosen oder Absatzvorhersagen.

Machine Learning
Boosting
+1

Maschinelles Lernen

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, bei dem Computer Muster aus Daten ableiten, statt jede Regel ausdrücklich programmiert zu bekommen. Je nach Aufgabe lernen Modelle aus beschrifteten Beispielen (überwacht), aus unbeschrifteten Daten (unüberwacht) oder durch Belohnung (bestärkend). Anwendungen reichen von Spamfiltern über Nachfrageprognosen bis zu Produktempfehlungen. Die Qualität hängt stark von Menge und Güte der Trainingsdaten ab.

Grundlagen
KI
+1