Maschinelles Lernen

1 - 1 Einleitung [Seite 9]
2 - 2 Maschinelles Lernen - Überblick und Abgrenzung [Seite 14]
2.1 - 2.1 Lernen, was bedeutet das eigentlich? [Seite 14]
2.2 - 2.2 Künstliche Intelligenz, Data Mining und Knowledge Discovery in Databases [Seite 15]
2.3 - 2.3 Strukturierte und unstrukturierte Daten in Big und Small [Seite 18]
2.4 - 2.4 Überwachtes, unüberwachtes und bestärkendes Lernen [Seite 21]
2.5 - 2.5 Werkzeuge und Ressourcen [Seite 27]
2.6 - 2.6 Anforderungen im praktischen Einsatz [Seite 28]
3 - 3 Python, NumPy, SciPy und Matplotlib - in a nutshell [Seite 38]
3.1 - 3.1 Installation mittels Anaconda und die Spyder-IDE [Seite 38]
3.2 - 3.2 Python-Grundlagen [Seite 41]
3.3 - 3.3 Matrizen und Arrays in NumPy [Seite 51]
3.4 - 3.4 Interpolation und Extrapolation von Funktionen mit SciPy [Seite 63]
3.5 - 3.5 Daten aus Textdateien laden und speichern [Seite 69]
3.6 - 3.6 Visualisieren mit der Matplotlib [Seite 70]
3.7 - 3.7 Performance-Probleme und Vektorisierung [Seite 74]
4 - 4 Statistische Grundlagen und Bayes-Klassifikator [Seite 78]
4.1 - 4.1 Einige Grundbegriffe der Statistik [Seite 78]
4.2 - 4.2 Satz von Bayes und Skalenniveaus [Seite 80]
4.3 - 4.3 Bayes-Klassifikator, Verteilungen und Unabhängigkeit [Seite 86]
5 - 5 Lineare Modelle und Lazy Learning [Seite 100]
5.1 - 5.1 Vektorräume, Metriken und Normen [Seite 100]
5.2 - 5.2 Methode der kleinsten Quadrate zur Regression [Seite 114]
5.3 - 5.3 Der Fluch der Dimensionalität [Seite 121]
5.4 - 5.4 k-Nearest-Neighbor-Algorithmus [Seite 122]
6 - 6 Entscheidungsbäume [Seite 129]
6.1 - 6.1 Bäume als Datenstruktur [Seite 129]
6.2 - 6.2 Klassifikationsbäume für nominale Merkmale mit dem ID3-Algorithmus [Seite 134]
6.3 - 6.3 Klassifikations- und Regressionsbäume für quantitative Merkmale [Seite 148]
6.4 - 6.4 Overfitting und Pruning [Seite 162]
7 - 7 Ein- und mehrschichtige Feedforward-Netze [Seite 168]
7.1 - 7.1 Einlagiges Perzeptron und Hebbsche Lernregel [Seite 169]
7.2 - 7.2 Multilayer Perceptron und Gradientenverfahren [Seite 176]
7.3 - 7.3 Klassifikation und One-Hot-Codierung [Seite 196]
7.4 - 7.4 Auslegung, Lernsteuerung und Overfitting [Seite 198]
8 - 8 Deep Neural Networks mit Keras [Seite 219]
8.1 - 8.1 Sequential Model von Keras [Seite 220]
8.2 - 8.2 Verschwindender Gradient und weitere Aktivierungsfunktionen [Seite 226]
8.3 - 8.3 Initialisierung und Batch Normalization [Seite 229]
8.4 - 8.4 Loss-Function und Optimierungsalgorithmen [Seite 238]
8.5 - 8.5 Overfitting und Regularisierungstechniken [Seite 255]
9 - 9 Feature-Engineering und Datenanalyse [Seite 264]
9.1 - 9.1 Pandas in a Nutshell [Seite 264]
9.2 - 9.2 Aufbereitung von Daten und Imputer [Seite 274]
9.3 - 9.3 Featureauswahl [Seite 289]
9.4 - 9.4 Hauptkomponentenanalyse (PCA) [Seite 302]
9.5 - 9.5 Autoencoder [Seite 313]
9.6 - 9.6 Aleatorische und epistemische Unsicherheiten [Seite 319]
9.7 - 9.7 Umgang mit unbalancierten Datenbeständen [Seite 325]
10 - 10 Ensemble Learning mittels Bagging und Boosting [Seite 329]
10.1 - 10.1 Bagging und Random Forest [Seite 329]
10.2 - 10.2 Feature Importance mittels Random Forest [Seite 335]
10.3 - 10.3 Gradient Boosting [Seite 342]
11 - 11 Convolutional Neural Networks mit Keras [Seite 352]
11.1 - 11.1 Grundlagen und eindimensionale Convolutional Neural Networks [Seite 353]
11.2 - 11.2 Convolutional Neural Networks für Bilder [Seite 365]
11.3 - 11.3 Data Augmentation und Flow-Verarbeitung [Seite 378]
11.4 - 11.4 Class Activation Maps und Grad-CAM [Seite 383]
11.5 - 11.5 Transfer Learning [Seite 393]
11.6 - 11.6 Ausblicke Continual Learning und Object Detection [Seite 401]
12 - 12 Support Vector Machines [Seite 405]
12.1 - 12.1 Optimale Separation [Seite 405]
12.2 - 12.2 Soft-Margin für nicht-linear separierbare Klassen [Seite 411]
12.3 - 12.3 Kernel-Ansätze [Seite 412]
12.4 - 12.4 SVM in scikit-learn [Seite 418]
13 - 13 Clustering-Verfahren [Seite 425]
13.1 - 13.1 k-Means und k-Means++ [Seite 429]
13.2 - 13.2 Fuzzy-C-Means [Seite 434]
13.3 - 13.3 Dichte-basierte Cluster-Analyse mit DBSCAN [Seite 438]
13.4 - 13.4 Hierarchische Clusteranalyse [Seite 445]
13.5 - 13.5 Evaluierung von Clustern und Praxisbeispiel Clustern von Ländern [Seite 452]
13.6 - 13.6 Schlecht gestellte Probleme und Clusterverfahren [Seite 469]
14 - 14 Grundlagen des bestärkenden Lernens [Seite 481]
14.1 - 14.1 Software-Agenten und ihre Umgebung [Seite 481]
14.2 - 14.2 Markow-Entscheidungsproblem [Seite 484]
14.3 - 14.3 Q-Learning [Seite 492]
14.4 - 14.4 Unvollständige Informationen und Softmax [Seite 506]
14.5 - 14.5 Der SARSA-Algorithmus [Seite 514]
15 - 15 Fortgeschrittene Themen des bestärkenden Lernens [Seite 519]
15.1 - 15.1 Experience Replay und Batch Reinforcement Learning [Seite 522]
15.2 - 15.2 Q-Learning mit neuronalen Netzen [Seite 538]
15.3 - 15.3 Double Q-Learning [Seite 545]
15.4 - 15.4 Credit Assignment und Belohnungen in endlichen Spielen [Seite 552]
15.5 - 15.5 Inverse Reinforcement Learning [Seite 559]
15.6 - 15.6 Deep Q-Learning [Seite 561]
15.7 - 15.7 Hierarchical Reinforcement Learning [Seite 577]
15.8 - 15.8 Model-based Reinforcement Learning [Seite 582]
15.9 - 15.9 Multi-Agenten-Szenarien [Seite 586]
16 - Literatur [Seite 591]
17 - Index [Seite 601]