Maschinelles Lernen - Grundlagen und Algorithmen in Python

Jörg Frochte

Maschinelles Lernen

Grundlagen und Algorithmen in Python

2018

406 Seiten

Format: PDF

E-Book: €  29,99

E-Book kaufen

E-Book kaufen

ISBN: 9783446457058

 

Inhalt

6

1 Einleitung

10

2 Maschinelles Lernen – Überblick und Abgrenzung

14

2.1 Lernen, was bedeutetet das eigentlich?

14

2.2 Künstliche Intelligenz, Data Mining und Knowledge Discovery in Databases

15

2.3 Strukturierte und unstrukturierte Daten in Big und Small

18

2.4 Überwachtes, unüberwachtes und bestärkendes Lernen

21

2.5 Werkzeuge und Ressourcen

27

2.6 Anforderungen und Datenschutz im praktischen Einsatz

28

3 Python, NumPy, SciPy und Matplotlib – in a nutshell

33

3.1 Installation mittels Anaconda und die Spyder-IDE

33

3.2 Python Grundlagen

36

3.3 Matrizen und Arrays in NumPy

44

3.4 Interpolation und Extrapolation von Funktionen mit SciPy

54

3.5 Daten aus Textdateien laden und speichern

60

3.6 Visualisieren mit der Matplotlib

62

3.7 Performance-Probleme und Vektorisierung

66

4 Statistische Grundlagen und Bayes-Klassifikator

69

4.1 Einige Grundbegriffe der Statistik

69

4.2 Satz von Bayes und Skalenniveaus

71

4.3 Bayes-Klassifikator, Verteilungen und Unabhängigkeit

77

5 Lineare Modelle und Lazy Learning

89

5.1 Vektorräume, Metriken und Normen

89

5.2 Methode der kleinsten Quadrate zur Regression

103

5.3 Der Fluch der Dimensionalität

110

5.4 k-Nearest-Neighbor-Algorithmus

111

6 Entscheidungsbäume

118

6.1 Bäume als Datenstruktur

118

6.2 Klassifikationsbäume für nominale Merkmale mit dem ID3-Algorithmus

123

6.3 Klassifikations- und Regressionsbäume für quantitative Merkmale

136

6.4 Overfitting und Pruning

150

6.5 Random Forest

155

7 Ein- und mehrschichtige Feedforward-Netze

162

7.1 Einlagiges Perzepton und Hebbsche Lernregel

163

7.2 Multilayer Perceptron und Gradientenverfahren

170

7.3 Auslegung, Lernsteuerung und Overfitting

190

8 Deep Neural Networks mit Keras

211

8.1 Deep Multilayer Perceptron und Regularisierung

211

8.2 Ein Einstieg in Convolutional Neural Networks

229

9 Feature-Reduktion und -Auswahl

252

9.1 Allgemeine Aufbereitung von Daten

254

9.2 Featureauswahl

262

9.3 Hauptkomponentenanalyse (PCA)

272

9.4 Autoencoder mit Keras

281

10 Support Vector Machines

287

10.1 Optimale Separation

287

10.2 Soft-Margin für nicht-linear separierbare Klassen

293

10.3 Kernel Ansätze

294

10.4 SVM in scikit-learn

299

11 Clustering-Verfahren

305

11.1 k-Means und k-Means++

309

11.2 Fuzzy-C-Means

314

11.3 Dichte-basierte Cluster-Analyse mit DBSCAN

318

11.4 Hierarchische Clusteranalyse

325

12 Bestärkendes Lernen

332

12.1 Software-Agenten und ihre Umgebung

332

12.2 Markow-Entscheidungsproblem

335

12.3 Q-Learning

343

12.4 Der SARSA Algorithmus

350

12.5 Unvollständige Informationen und Softmax

352

12.6 Q-Learning mittels Funktionsapproximation

356

12.7 Ausblick auf Multi-Agenten- und hierarchische Szenarien

386

Literatur

396

Index

402

 

© 2009-2018 ciando GmbH