✓ Schweizer Online-Shop
Grundkurs Machine Learning

Grundkurs Machine Learning

von Paul Wilmott

Verlag
Rheinwerk
Unsere Artikel-Nr.
7NZR9PD

Beschreibung

Maschinelles Lernen - alle Grundlagen. Paul Wilmott ist für seine erhellende und unterhaltsame Darstellung angewandter Mathematik bekannt. Von der linearen Regression bis zu Neuronalen Netzwerken führt er Sie durch alle Verfahren, und zwar komplett Software-unabhängig. Der Vorteil dabei: Jeder Schritt ist schwarz auf weiß zu sehen, kein Framework kann etwas „verstecken“, es geht immer um die Sache selbst. Mit vielen Beispielen, Grafiken und Schritt-für-Schritt-Kästen. Für alle, die wirklich verstehen wollen, wie Maschinen lernen. Aus dem Inhalt: Lineare Regression k-Nearest Neighbors Naive Bayes-Klassifikatoren k-Means-Algorithmus Support Vector Machines Logistische Regression Selbstorganisierende Karten Entscheidungsbäume Reinforcement Learning Neuronale Netze

Spezifikationen

SpracheDeutsch
AutorPaul Wilmott
ThemaSoftwareentwicklung: Programmiersprachen
Auflage1
Erscheinungsjahr2020
ErscheinungslandDeutschland
FormatBuch (Softcover)
DetailformatSoftcover
Anzahl Seiten256

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

Bewertungen

Produkt bewerten

Für dieses Produkt liegt noch keine Bewertung vor. Wenn Sie es gekauft haben, teilen Sie gerne Ihre Erfahrung.

Zahlungsarten

payment-einzahlungsscheinpayment-twintpayment-mastercardpayment-visapost-finance-paypayment-apple-paypayment-google-paysamsung-pay

Rechnung (Einzahlungsschein mit QR-Code), Twint, Kreditkarte, PostFinance, Apple, Google oder Samsung Pay.

Versand

Kostenlos: Schweiz & Liechtenstein

Rückgabe

30 Tage Rückgaberecht

Sie können das Produkt innerhalb von 30 Wochentagen ohne Angabe von Gründen zurücksenden, sofern es unbeschädigt und in der Originalverpackung ist.

Weitere Hinweise finden Sie in unseren AGB unter D.1.