Das eBook.de Hörbuch Abo - jederzeit, überall, für nur 7,95 € monatlich!
Jetzt entdecken
mehr erfahren
Maschinelles Lernen - alle Grundlagen! . Dieser Grundkurs führt Sie in alle gängigen ML-Methoden ein. Paul Wilmott, bekannt für seine erhellende und unterhaltsame Darstellung angewandter Mathematik, stellt Ihnen die einschlägigen mathematischen Verfahren vor - von linearer Regression bis Neuronale Netze, komplett unabhängig von Software und Code. Der Vorteil dabei: Jeder Schritt ist schwarz auf weiß für Sie nachvollziehbar, kein Framework schaltet sich dazwischen, es geht immer um die Sache selbst.
Mit vielen Beispielen, Grafiken und Schritt-für-Schritt-Anleitungen. Für alle, die wirklich verstehen wollen, wie Maschinen lernen.
Aus dem Inhalt:
Inhaltsverzeichnis
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
Es wurden noch keine Bewertungen abgegeben. Schreiben Sie die erste Bewertung zu "Grundkurs Machine Learning" und helfen Sie damit anderen bei der Kaufentscheidung.
