Machine Learning kompakt : Alles, was Sie wissen müssen /

Alles, was Sie über Machine Learning wissen müssen, auf nur 200 Seiten Von Support Vector Machines über Gradient Boosting und tiefe neuronale Netze bis hin zu unüberwachten Lernmethoden Zahlreiche Tipps und Empfehlungen für den praktischen Einsatz Sie möchten Machine Learning verstehen und daf...

Descripción completa

Detalles Bibliográficos
Clasificación:Libro Electrónico
Autor principal: Burkov, Andriy (Autor)
Formato: Electrónico eBook
Idioma:Alemán
Inglés
Publicado: Frechen : MITP Verlags GmbH & Co. KG, 2019.
Edición:1. Auflage.
Temas:
Machine learning.
Materials science > Data processing.
Apprentissage automatique.
Science des matériaux > Informatique.
Acceso en línea:Texto completo (Requiere registro previo con correo institucional)
Tabla de Contenidos:
  • Cover; Titel; Impressum; Vorwort zur deutschen Ausgabe; Vorwort; Einleitung; Wer sollte dieses Buch lesen?; Verwendung des Buchs; Einführung; Was ist Machine Learning?; Arten des Lernens; Überwachtes Lernen; Unüberwachtes Lernen; Teilüberwachtes Lernen; Reinforcement Learning; Funktionsweise des überwachten Lernens; Weshalb das Modell mit neuen Daten umgehen kann; Notation und Definitionen; Notation; Datenstrukturen; Summenschreibweise; Produktschreibweise; Mengenoperationen; Vektoroperationen; Funktionen; Max und Arg Max; Zuweisungsoperator; Ableitung und Gradient; Zufallsvariable
  • Erwartungstreue SchätzerSatz von Bayes; Parameterschätzung; Parameter und Hyperparameter; Klassifikation und Regression; Modellbasiertes und instanzbasiertes Lernen; Shallow Learning und Deep Learning; Grundlegende Algorithmen; Lineare Regression; Problemstellung; Lösung; Logistische Regression; Problemstellung; Lösung; Entscheidungsbaum-Lernen; Problemstellung; Lösung; Support Vector Machine; Handhabung von Rauschen; Handhabung inhärenter Nichtlinearität; k-Nearest-Neighbors; Aufbau eines Lernalgorithmus; Bausteine eines Lernalgorithmus; Gradientenabstieg
  • Wie Machine-Learning-Entwickler vorgehenBesonderheiten von Lernalgorithmen; Grundlegende Techniken; Merkmalserstellung; One-hot-Codierung; Binning; Normalisierung; Standardisierung; Handhabung fehlender Merkmale; Datenimputationsverfahren; Auswahl von Lernalgorithmen; Drei Mengen; Unteranpassung und Überanpassung; Regularisierung; Beurteilung der Leistung eines Modells; Wahrheitsmatrix; Genauigkeit und Trefferquote; Korrektklassifikationsrate; Kostensensitive Korrektklassifikationsrate; Fläche unter der ROC-Kurve; Abstimmung der Hyperparameter; Kreuzvalidierung
  • Neuronale Netze und Deep LearningNeuronale Netze; Beispiel: mehrschichtiges Perzeptron; Neuronale Feedforward-Netzarchitektur; Deep Learning; Convolutional Neural Networks (CNNs); Rekurrente neuronale Netze (RNNs); Aufgaben und Lösungen; Kernel-Regression; Multi-Class-Klassifikation; One-Class-Klassifikation; Multi-Label-Klassifikation; Ensemble Learning; Boosting und Bagging; Random Forest; Gradient Boosting; Kennzeichnung von Sequenzen erlernen; Sequenz-zu-Sequenz-Lernen; Aktives Lernen; Teilüberwachtes Lernen; One-Shot Learning; Zero-Shot Learning; Fortgeschrittene Techniken
  • Handhabung unausgewogener DatenmengenModelle kombinieren; Trainieren neuronaler Netze; Erweiterte Regularisierung; Handhabung mehrerer Eingaben; Handhabung mehrerer Ausgaben; Transfer Learning; Effizienz von Algorithmen; Unüberwachtes Lernen; Dichteschätzung; Clustering; k-Means-Clustering; DBSCAN und HDBSCAN; Anzahl der Cluster festlegen; Weitere Clustering-Algorithmen; Dimensionsreduktion; Hauptkomponentenanalyse; UMAP; Erkennung von Ausreißern; Weitere Formen des Lernens; Metric Learning; Ranking; Empfehlungen; Faktorisierungsmaschinen; Denoising Autoencoder

Ejemplares similares