
Maschinelles Lernen - Grundlagen und Anwendungen
Mit Beispielen in Python
Benny Botsch(Autor*in)
Springer Spektrum (Verlag)
Erschienen am 22. November 2023
Buch
Softcover
VIII, 263 Seiten
978-3-662-67276-1 (ISBN)
Beschreibung
In diesem Fachbuch werden vorwiegend die Grundlagen des Maschinellen Lernens erläutert. Die Hauptthemen sind die mathematischen Grundlagen, Optimierungsmethoden und die ML-Algorithmen. Es wird zu jedem Kapitel mindestens eine Beispiel-Übung durchgeführt. Die Übungen könnten durch Python-Code ergänzt werden. Zusätzlich werden Aufgabenstellungen definiert, dies dient der Festigung des in dem jeweiligen Kapitel gelernten. Spezielle Anwendungen sollen ebenfalls dargestellt werden. Die Zielgruppe sind hauptsächlich Studierende, welche sich in dieses Themengebiet einarbeiten möchten. Ingenieure können allerdings 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.
Weitere Details
Auflage
1. Aufl. 2023
Sprache
Deutsch
Verlagsort
Berlin
Deutschland
Verlagsgruppe
Springer Berlin
Zielgruppe
Für Beruf und Forschung
Illustrationen
20 s/w Abbildungen, 36 farbige Abbildungen
VIII, 263 S. 56 Abb., 36 Abb. in Farbe.
Maße
Höhe: 235 mm
Breite: 155 mm
Dicke: 15 mm
Gewicht
520 gr
ISBN-13
978-3-662-67276-1 (9783662672761)
DOI
10.1007/978-3-662-67277-8
Schweitzer Klassifikation
Weitere Ausgaben
Person
Mein Name ist Benny Botsch und studierte Maschinenbau an der Technischen Universität in Berlin. Ich arbeite seit einigen Jahren als wissenschaftlicher Mitarbeiter bei der Gesellschaft zur Förderung angewandter Informatik e.V. (GFaI e.V.) im Bereich der Bildverarbeitung / Industrielle Anwendungen. Dabei entwickle ich Software zur Auswertung von 2D-Materialbildern durch klassische Bildverarbeitung (Objekterkennung, Kantenerkennung), aber auch durch neuronale Netze, um Materialkennwerte zu ermitteln.
Inhalt
- Einleitung
- Lineare Algebra
- Wahrscheinlichkeit und Verteilungen
- Grundlagen der Optimierung
- Maschinelles Lernen
- K-Nearest-Neighbor
- Support Vector Machine
- Entscheidungsbäume
- Neuronale Netze
- Bestärkendes Lernen
- Anwendungen
- Regelungstechnik
- Bildverarbeitung
- Chemie
- Physik