Geschäftskunden Kundenprogramme
Vor Ort
Merkzettel Warenkorb
Produktbild: Grundkurs Machine Learning

Grundkurs Machine Learning Aus der Buchreihe »Informatik verstehen«. Ideal zum Selbststudium

Aus der Reihe Rheinwerk Computing

Fr. 42.90

inkl. MwSt, Versandkostenfrei

Beschreibung

Details

Einband

Taschenbuch

Erscheinungsdatum

28.07.2020

Verlag

Rheinwerk

Seitenzahl

256

Maße (L/B/H)

22.8/17.5/1.7 cm

Gewicht

480 g

Auflage

1

Sprache

Deutsch

ISBN

978-3-8362-7598-9

Beschreibung

Details

Einband

Taschenbuch

Erscheinungsdatum

28.07.2020

Verlag

Rheinwerk

Seitenzahl

256

Maße (L/B/H)

22.8/17.5/1.7 cm

Gewicht

480 g

Auflage

1

Sprache

Deutsch

ISBN

978-3-8362-7598-9

Herstelleradresse

Rheinwerk Verlag GmbH
Rheinwerkallee 4
53227 Bonn
DE

Email: Info@rheinwerk-verlag.de

Weitere Bände von Rheinwerk Computing

Unsere Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Erste Bewertung verfassen

Unsere Kundinnen und Kunden meinen

0 Bewertungen filtern

Weitere Artikel finden Sie in
  • Produktbild: Grundkurs Machine Learning


  •   Vorwort ... 13

      1.  Einführung ... 17

           1.1 ... Maschinelles Lernen ... 18

           1.2 ... Lernen ist der Schlüssel ... 19

           1.3 ... Ein wenig Geschichte ... 20

           1.4 ... Schlüsselmethodiken in diesem Buch ... 22

           1.5 ... Klassische mathematische Modellierung ... 26

           1.6 ... Maschinelles Lernen ist anders ... 28

           1.7 ... Einfachheit führt zu Komplexität ... 29

           1.8 ... Weiterführende Literatur ... 33

      2.  Allgemeines ... 35

           2.1 ... Jargon und Notation ... 35

           2.2 ... Skalierung ... 37

           2.3 ... Distanzmessung ... 38

           2.4 ... Fluch der Dimensionalität ... 39

           2.5 ... Hauptkomponentenanalyse ... 39

           2.6 ... Maximum-Likelihood-Schätzung ... 40

           2.7 ... Konfusionsmatrix ... 44

           2.8 ... Kostenfunktion ... 47

           2.9 ... Gradientenabstieg ... 52

           2.10 ... Training, Testen und Validieren ... 54

           2.11 ... Bias und Varianz ... 57

           2.12 ... Lagrange-Multiplikatoren ... 63

           2.13 ... Mehrfachklassen ... 65

           2.14 ... Informationstheorie und Entropie ... 67

           2.15 ... Verarbeitung natürlicher Sprache (NLP) ... 70

           2.16 ... Bayes-Theorem ... 72

           2.17 ... Was nun? ... 73

           2.18 ... Weiterführende Literatur ... 74

      3.  K-nächste Nachbarn ... 75

           3.1 ... Wofür können wir die Methode verwenden? ... 75

           3.2 ... Wie die Methode funktioniert ... 76

           3.3 ... Der Algorithmus ... 78

           3.4 ... Probleme mit KNN ... 78

           3.5 ... Beispiel: Körpergrösse und -gewicht ... 79

           3.6 ... Regression ... 83

           3.7 ... Weiterführende Literatur ... 85

      4.  K-Means Clustering ... 87

           4.1 ... Wofür können wir die Methode verwenden? ... 87

           4.2 ... Was macht K-Means Clustering? ... 89

           4.3 ... Scree-Plots ... 93

           4.4 ... Beispiel: Kriminalität in England, 13 Dimensionen ... 94

           4.5 ... Beispiel: Volatiliät ... 98

           4.6 ... Beispiel: Zinssatz und Inflation ... 100

           4.7 ... Beispiel: Zinssätze, Inflation und BIP-Wachstum ... 103

           4.8 ... Ein paar Kommentare ... 104

           4.9 ... Weiterführende Literatur ... 105

      5.  Naiver Bayes-Klassifikator ... 107

           5.1 ... Wofür können wir ihn verwenden? ... 107

           5.2 ... Verwendung des Bayes-Theorems ... 108

           5.3 ... Anwendung des NBK ... 108

           5.4 ... In Symbolen ... 110

           5.5 ... Beispiel: Politische Reden ... 111

           5.6 ... Weiterführende Literatur ... 114

      6.  Regressionsmethoden ... 115

           6.1 ... Wofür können wir sie verwenden? ... 115

           6.2 ... Mehrdimensionale lineare Regression ... 116

           6.3 ... Logistische Regression ... 117

           6.4 ... Beispiel: Noch einmal politische Reden ... 119

           6.5 ... Weitere Regressionsmethoden ... 121

           6.6 ... Weiterführende Literatur ... 122

      7.  Support-Vektor-Maschinen ... 123

           7.1 ... Wofür können wir sie verwenden? ... 123

           7.2 ... Harte Ränder ... 123

           7.3 ... Beispiel: Iris (Schwertlilie) ... 126

           7.4 ... Lagrange-Multiplier-Version ... 128

           7.5 ... Weiche Ränder ... 130

           7.6 ... Kernel-Trick ... 132

           7.7 ... Weiterführende Literatur ... 136

      8.  Selbstorganisierende Karten ... 137

           8.1 ... Wofür können wir sie verwenden? ... 137

           8.2 ... Die Methode ... 138

           8.3 ... Der Lernalgorithmus ... 140

           8.4 ... Beispiel: Gruppierung von Aktien ... 142

           8.5 ... Beispiel: Abstimmungen im Unterhaus ... 147

           8.6 ... Weiterführende Literatur ... 149

      9.  Entscheidungsbäume ... 151

           9.1 ... Wofür können wir sie verwenden? ... 151

           9.2 ... Beispiel: Zeitschriftenabo ... 153

           9.3 ... Entropie ... 158

           9.4 ... Überanpassung und Abbruchregeln ... 161

           9.5 ... Zuschneiden ... 162

           9.6 ... Numerische Merkmale/Attribute ... 162

           9.7 ... Regression ... 164

           9.8 ... Ausblick ... 171

           9.9 ... Bagging und Random Forest ... 171

           9.10 ... Weiterführende Literatur ... 172

    10.  Neuronale Netze ... 173

           10.1 ... Wofür können wir sie verwenden? ... 173

           10.2 ... Ein sehr einfaches Netzwerk ... 173

           10.3 ... Universelles Approximations-Theorem ... 174

           10.4 ... Ein noch einfacheres Netzwerk ... 176

           10.5 ... Die mathematische Manipulation im Detail ... 177

           10.6 ... Häufige Aktivierungsfunktionen ... 181

           10.7 ... Das Ziel ... 182

           10.8 ... Beispiel: Approximation einer Funktion ... 183

           10.9 ... Kostenfunktion ... 184

           10.10 ... Backpropagation ... 185

           10.11 ... Beispiel: Buchstabenerkennung ... 188

           10.12 ... Training und Testen ... 190

           10.13 ... Mehr Architekturen ... 194

           10.14 ... Deep Learning ... 196

           10.15 ... Weiterführende Literatur ... 197

    11.  Verstärkendes Lernen ... 199

           11.1 ... Wofür können wir es verwenden? ... 199

           11.2 ... Geländeausfahrt mit Ihrem Lamborghini 400 GT ... 200

           11.3 ... Jargon ... 202

           11.4 ... Ein erster Blick auf Blackjack ... 203

           11.5 ... Der klassische Markow-Entscheidungsprozess für Tic-Tac-Toe ... 204

           11.6 ... Noch mehr Jargon ... 206

           11.7 ... Beispiel: Der mehrarmige Bandit ... 207

           11.8 ... Etwas anspruchsvoller 1: Bekannte Umgebung ... 211

           11.9 ... Beispiel: Ein Labyrinth ... 214

           11.10 ... Notation zu Wertefunktionen ... 218

           11.11 ... Die Bellman-Gleichung ... 220

           11.12 ... Optimale Policy ... 221

           11.13 ... Die Bedeutung der Wahrscheinlichkeit ... 222

           11.14 ... Etwas anspruchsvoller 2: Modell-frei ... 223

           11.15 ... Monte Carlo Policy Evaluation ... 224

           11.16 ... Temporal-Difference-Lernen ... 227

           11.17 ... Vor- und Nachteile: MC versus TD ... 228

           11.18 ... Finden der optimalen Policy ... 229

           11.19 ... Sarsa ... 230

           11.20 ... Q-Lernen ... 232

           11.21 ... Beispiel: Blackjack ... 233

           11.22 ... Grosse Zustandsräume ... 245

           11.23 ... Weiterführende Literatur ... 245

      Datensätze ... 247

      Epilog ... 251

      Index ... 253