Maschinelles Lernen - Grundlagen und Anwendungen

In diesem Lehr- und Fachbuch werden vorwiegend die Grundlagen des maschinellen Lernens (ML) erläutert. Die Hauptthemen sind die mathematischen Grundlagen, Optimierungsmethoden und die ML-Algorithmen. Die Kapitel enthalten Beispiel-Übungen mit Python-Code.
In den vorderen Kapiteln werden die mathematischen Grundlagen dargestellt. Der Hauptteil befasst sich mit den zentralen Konzepten des maschinellen Lernens. Das Buch wird abgerundet durch Kapitel zu speziellen Anwendungen in verschiedenen Disziplinen.
Die Zielgruppe sind hauptsächlich Studierende, welche sich in dieses Themengebiet einarbeiten möchten. Ingenieure können ebenfalls von diesem Fachbuch profitieren, da ein großer Schwerpunkt bei der Anwendung von ML liegt. Besonders die Verwendung in interdisziplinären Fachrichtungen wie der Regelungstechnik, Bildverarbeitung und der Chemie werden aufgezeigt.
Aus dem InhaltLineare Algebra - Wahrscheinlichkeit und Statistik - Optimierung - Parametrische Methoden - Nichtparametrische Methoden - Bestärkendes Lernen - Custeranalyse - Anwendungen
Der AutorBenny Botsch hat Maschinenbau an der TU Berlin studiert, hat für einen seiner Artikel einen Nachwuchspreis der Gesellschaft für angewandte Informatik gewonnen und ist dort als wissenschaftlicher Mitarbeiter im Bereich Bildverarbeitung angestellt.

1. Einleitung
2. Lineare Algebra
3. Wahrscheinlichkeit und Verteilungen
4. Grundlagen der Optimierung
5. Maschinelles Lernen
6. K-Nearest-Neighbor
7. Support Vector Machine
8. Entscheidungsbäume
9. Neuronale Netze
10. Bestärkendes Lernen
11. Anwendungen
12. Regelungstechnik
13. Bildverarbeitung
14. Chemie
15. Physik