Maschinelles Lernen - Grundlagen und Algorithmen in Python

Jörg Frochte

Maschinelles Lernen

Grundlagen und Algorithmen in Python

2020

616 Seiten

Format: PDF, Online Lesen

E-Book: €  31,99

E-Book kaufen

E-Book kaufen

ISBN: 9783446463554

 

1 Einleitung

9

2 Maschinelles Lernen – Überblick und Abgrenzung

14

2.1 Lernen, was bedeutet 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 im praktischen Einsatz

28

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

38

3.1 Installation mittels Anaconda und die Spyder-IDE

38

3.2 Python-Grundlagen

41

3.3 Matrizen und Arrays in NumPy

51

3.4 Interpolation und Extrapolation von Funktionen mit SciPy

63

3.5 Daten aus Textdateien laden und speichern

69

3.6 Visualisieren mit der Matplotlib

70

3.7 Performance-Probleme und Vektorisierung

74

4 Statistische Grundlagen und Bayes-Klassifikator

78

4.1 Einige Grundbegriffe der Statistik

78

4.2 Satz von Bayes und Skalenniveaus

80

4.3 Bayes-Klassifikator, Verteilungen und Unabhängigkeit

86

5 Lineare Modelle und Lazy Learning

100

5.1 Vektorräume, Metriken und Normen

100

5.2 Methode der kleinsten Quadrate zur Regression

114

5.3 Der Fluch der Dimensionalität

121

5.4 k-Nearest-Neighbor-Algorithmus

122

6 Entscheidungsbäume

129

6.1 Bäume als Datenstruktur

129

6.2 Klassifikationsbäume für nominale Merkmale mit dem ID3-Algorithmus

134

6.3 Klassifikations- und Regressionsbäume für quantitative Merkmale

148

6.4 Overfitting und Pruning

162

7 Ein- und mehrschichtige Feedforward-Netze

168

7.1 Einlagiges Perzeptron und Hebbsche Lernregel

169

7.2 Multilayer Perceptron und Gradientenverfahren

176

7.3 Klassifikation und One-Hot-Codierung

196

7.4 Auslegung, Lernsteuerung und Overfitting

198

8 Deep Neural Networks mit Keras

219

8.1 Sequential Model von Keras

220

8.2 Verschwindender Gradient und weitere Aktivierungsfunktionen

226

8.3 Initialisierung und Batch Normalization

229

8.4 Loss-Function und Optimierungsalgorithmen

238

8.5 Overfitting und Regularisierungstechniken

255

9 Feature-Engineering und Datenanalyse

264

9.1 Pandas in a Nutshell

264

9.2 Aufbereitung von Daten und Imputer

274

9.3 Featureauswahl

289

9.4 Hauptkomponentenanalyse (PCA)

302

9.5 Autoencoder

313

9.6 Aleatorische und epistemische Unsicherheiten

319

9.7 Umgang mit unbalancierten Datenbeständen

325

10 Ensemble Learning mittels Bagging und Boosting

329

10.1 Bagging und Random Forest

329

10.2 Feature Importance mittels Random Forest

335

10.3 Gradient Boosting

342

11 Convolutional Neural Networks mit Keras

352

11.1 Grundlagen und eindimensionale Convolutional Neural Networks

353

11.2 Convolutional Neural Networks für Bilder

365

11.3 Data Augmentation und Flow-Verarbeitung

378

11.4 Class Activation Maps und Grad-CAM

383

11.5 Transfer Learning

393

11.6 Ausblicke Continual Learning und Object Detection

401

12 Support Vector Machines

405

12.1 Optimale Separation

405

12.2 Soft-Margin für nicht-linear separierbare Klassen

411

12.3 Kernel-Ansätze

412

12.4 SVM in scikit-learn

418

13 Clustering-Verfahren

425

13.1 k-Means und k-Means++

429

13.2 Fuzzy-C-Means

434

13.3 Dichte-basierte Cluster-Analyse mit DBSCAN

438

13.4 Hierarchische Clusteranalyse

445

13.5 Evaluierung von Clustern und Praxisbeispiel Clustern von Ländern

452

13.6 Schlecht gestellte Probleme und Clusterverfahren

469

14 Grundlagen des bestärkenden Lernens

481

14.1 Software-Agenten und ihre Umgebung

481

14.2 Markow-Entscheidungsproblem

484

14.3 Q-Learning

492

14.4 Unvollständige Informationen und Softmax

506

14.5 Der SARSA-Algorithmus

514

15 Fortgeschrittene Themen des bestärkenden Lernens

519

15.1 Experience Replay und Batch Reinforcement Learning

522

15.2 Q-Learning mit neuronalen Netzen

538

15.3 Double Q-Learning

545

15.4 Credit Assignment und Belohnungen in endlichen Spielen

552

15.5 Inverse Reinforcement Learning

559

15.6 Deep Q-Learning

561

15.7 Hierarchical Reinforcement Learning

577

15.8 Model-based Reinforcement Learning

582

15.9 Multi-Agenten-Szenarien

586

Literatur

591

Index

601

 

© 2009-2021 ciando GmbH