Python Data Science-Handbuch

1. IPython: Jenseits von normalem Python
2. Einführung in NumPy
3. Datenmanipulation mit Pandas
4. Visualisierung mit Matplotlib

1. Erste Schritte mit maschinellem Lernen
2. Aus Daten lernen
3. Lineare Regression
4. Naive Bayes
5. k-nächste Nachbarn
6. Einführung in maschinelles Lernen mit Scikit-Learn
7. Maschinelles Lernen in der Praxis
8. Der Bias-Varianz-Tradeoff
9. Schätzung der Kerndichte
10. Hauptkomponentenanalyse
11. Vielfältiges Lernen
12. Clustering
13. Entscheidungsbäume und Random Forests
14. Gradientenbasierte Optimierung
15. K-Means-Clustering
16. Ausführlich: Naive Bayes-Klassifikation
17. Ausführlich: Lineare Regression
18. Ausführlich: Unterstützung von Vektormaschinen
19. Ausführlich: Entscheidungsbäume und Random Forests
20. Ausführlich: Hauptkomponentenanalyse
21. Ausführlich: Vielfältiges Lernen
22. Ausführlich: k-Means-Clustering

1. Eine Wirbelwind-Tour durch Python
2. Grundlagen der Python-Sprache
3. IPython: Jenseits von normalem Python
4. NumPy
5. Mehr zur IPython System Shell
6. Matplotlib
7. SciPy
8. Scikit-Lernen
9. Maschinelles Lernen mit Scikit-Learn
10. Weitere Ressourcen für maschinelles Lernen
11. Praktisches maschinelles Lernen: Ein einfaches Beispiel
12. Literaturverzeichnis

import numpy as np

# create a 1D array
a = np.array([0, 1, 2, 3, 4])
print(a)

import pandas as pd

# create a Pandas DataFrame
data = {'name': ['Alice', 'Bob', 'Charlie', 'David'],
        'age': [25, 32, 18, 47],
        'gender': ['F', 'M', 'M', 'M']}
df = pd.DataFrame(data)
print(df)

# filter rows based on a condition
df_filtered = df[df['age'] > 30]
print(df_filtered)

# group data by a column and compute statistics
grouped_data = df.groupby('gender')['age'].mean()
print(grouped_data)

import matplotlib.pyplot as plt
import numpy as np

# create some data to plot
x = np.linspace(0, 10, 100)
y = np.sin(x)

# create a line plot
plt.plot(x, y)
plt.title('Sine Wave')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

# create a scatter plot
x = np.random.randn(100)
y = np.random.randn(100)
plt.scatter(x, y)
plt.title('Random Data')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# load the iris dataset
iris = load_iris()

# split the data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(iris['data'], iris['target'], random_state=0)

# create a K-Nearest Neighbors classifier
knn = KNeighborsClassifier(n_neighbors=1)

# fit the classifier to the training data
knn.fit(X_train, y_train)

# predict the classes of the test data
y_pred = knn.predict(X_test)

# compute the accuracy of the classifier
accuracy = knn.score(X_test, y_test)
print('Accuracy:', accuracy)