Maschinelles Lernen

1 Einleitung

2 Maschinelles Lernen – Überblick und Abgrenzung

2.1 Lernen, was bedeutet das eigentlich?

2.2 Künstliche Intelligenz, Data Mining und Knowledge Discovery in Databases

2.3 Strukturierte und unstrukturierte Daten in Big und Small

2.4 Überwachtes, unüberwachtes und bestärkendes Lernen

2.5 Werkzeuge und Ressourcen

2.6 Anforderungen im praktischen Einsatz

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

3.1 Installation mittels Anaconda und die Spyder-IDE

3.2 Python-Grundlagen

3.3 Matrizen und Arrays in NumPy

3.4 Interpolation und Extrapolation von Funktionen mit SciPy

3.5 Daten aus Textdateien laden und speichern

3.6 Visualisieren mit der Matplotlib

3.7 Performance-Probleme und Vektorisierung

4 Statistische Grundlagen und Bayes-Klassifikator

4.1 Einige Grundbegriffe der Statistik

4.2 Satz von Bayes und Skalenniveaus

4.3 Bayes-Klassifikator, Verteilungen und Unabhängigkeit

5 Lineare Modelle und Lazy Learning

5.1 Vektorräume, Metriken und Normen

5.2 Methode der kleinsten Quadrate zur Regression

5.3 Der Fluch der Dimensionalität

5.4 k-Nearest-Neighbor-Algorithmus

6 Entscheidungsbäume

6.1 Bäume als Datenstruktur

6.2 Klassifikationsbäume für nominale Merkmale mit dem ID3-Algorithmus

6.3 Klassifikations- und Regressionsbäume für quantitative Merkmale

6.4 Overfitting und Pruning

7 Ein- und mehrschichtige Feedforward-Netze

7.1 Einlagiges Perzeptron und Hebbsche Lernregel

7.2 Multilayer Perceptron und Gradientenverfahren

7.3 Klassifikation und One-Hot-Codierung

7.4 Auslegung, Lernsteuerung und Overfitting

8 Deep Neural Networks mit Keras

8.1 Sequential Model von Keras

8.2 Verschwindender Gradient und weitere Aktivierungsfunktionen

8.3 Initialisierung und Batch Normalization

8.4 Loss-Function und Optimierungsalgorithmen

8.5 Overfitting und Regularisierungstechniken

9 Feature-Engineering und Datenanalyse

9.1 Pandas in a Nutshell

9.2 Aufbereitung von Daten und Imputer

9.3 Featureauswahl

9.4 Hauptkomponentenanalyse (PCA)

9.5 Autoencoder

9.6 Aleatorische und epistemische Unsicherheiten

9.7 Umgang mit unbalancierten Datenbeständen

10 Ensemble Learning mittels Bagging und Boosting

10.1 Bagging und Random Forest

10.2 Feature Importance mittels Random Forest

10.3 Gradient Boosting

11 Convolutional Neural Networks mit Keras

11.1 Grundlagen und eindimensionale Convolutional Neural Networks

11.2 Convolutional Neural Networks für Bilder

11.3 Data Augmentation und Flow-Verarbeitung

11.4 Class Activation Maps und Grad-CAM

11.5 Transfer Learning

11.6 Ausblicke Continual Learning und Object Detection

12 Support Vector Machines

12.1 Optimale Separation

12.2 Soft-Margin für nicht-linear separierbare Klassen

12.3 Kernel-Ansätze

12.4 SVM in scikit-learn

13 Clustering-Verfahren

13.1 k-Means und k-Means++

13.2 Fuzzy-C-Means

13.3 Dichte-basierte Cluster-Analyse mit DBSCAN

13.4 Hierarchische Clusteranalyse

13.5 Evaluierung von Clustern und Praxisbeispiel Clustern von Ländern

13.6 Schlecht gestellte Probleme und Clusterverfahren

14 Grundlagen des bestärkenden Lernens

14.1 Software-Agenten und ihre Umgebung

14.2 Markow-Entscheidungsproblem

14.3 Q-Learning

14.4 Unvollständige Informationen und Softmax

14.5 Der SARSA-Algorithmus

15 Fortgeschrittene Themen des bestärkenden Lernens

15.1 Experience Replay und Batch Reinforcement Learning

15.2 Q-Learning mit neuronalen Netzen

15.3 Double Q-Learning

15.4 Credit Assignment und Belohnungen in endlichen Spielen

15.5 Inverse Reinforcement Learning

15.6 Deep Q-Learning

15.7 Hierarchical Reinforcement Learning

15.8 Model-based Reinforcement Learning

15.9 Multi-Agenten-Szenarien

Literatur

Index