Literatur

Buch zur Lehrveranstaltung

Die Lehrveranstaltung folgt dem Buch Introduction to Machine Learning with Python: A Guide for Data Scientists, 2016, O’Reilly, von Andreas Müller und Sarah Guido:

Das Buch verwendet hauptsächlich das Python-Paket scikit-learn, dessen online-Dokumentation sehr ausführlich ist.

Weiterführende Literatur

Die mathematischen Grundlagen der verwendeten Modelle und Methoden werden z. B. im Buch The Elements of Statistical Learning von Hastie, Tibshirani und Friedman dargelegt. Es kann hier heruntergeladen werden.

Die folgenden Bücher bieten weitere Einführungen in Data Science mit Python, verwenden aber andere Schwerpunkte und Herangehensweisen:

  • McKinney: Python for Data Analysis. (deutsche Übersetzung: Datenanalyse mit Python.) 2nd edition, 2017, O’Reilly.
  • Vanderplas: Python Data Science Handbook: Tools and Techniques for Developers. 2016, O’Reilly.
  • Grus: Data Science from Scratch. (deutsche Übersetzung: Einführung in Data Science.) 2nd edition, 2019, O’Reilly.

Literatur zur Regressionsanalyse: z. B.

  • Fahrmeir, Ludwig u. a.: Regression. 2. Aufl., 2009, Springer.
  • Fahrmeir, Ludwig u. a.: Statistik: Der Weg zur Datenanalyse. 8. Aufl., 2016, Springer.

Weitere Literaturempfehlungen:

  • Géron, Aurélien: Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. 2nd ed., 2019, O’Reilly.
  • Provost, Foster; Fawcett, Tom: Data Science for Business: What you need to know about data mining and data-analytic thinking. 2013, O’Reilly.
  • Ein Klassiker ist das Buch “Pattern Recognition and Machine Learning” von Christopher Bishop, 2006, Springer.