Maschinelles Lernen mit Python und R für Dummies

 
 
Wiley-VCH (Verlag)
  • erschienen am 21. August 2017
  • |
  • 432 Seiten
 
E-Book | ePUB mit Adobe DRM | Systemvoraussetzungen
978-3-527-80901-1 (ISBN)
 
Maschinelles Lernen ist aufregend: Mit schnellen Prozessoren und großen Speichern können Computer aus Erfahrungen lernen, künstliche Intelligenz kommt wieder in Reichweite. Mit diesem Buch verstehen Sie, was maschinelles Lernen bedeutet, für welche Probleme es sich eignet, welche neuen Herangehensweisen damit möglich sind und wie Sie mit Python, R und speziellen Werkzeugen maschinelles Lernen implementieren. Sie brauchen dafür keine jahrelange Erfahrung als Programmierer und kein Mathematikstudium. Die praktische Anwendung maschinellen Lernens steht in diesem Buch im Vordergrund. Spielen Sie mit den Tools und haben Sie Spaß dabei! Lernen Sie Fakten und Mythen zum maschinellen Lernen zu unterscheiden.
1. Auflage
  • Deutsch
  • Newark
  • |
  • Deutschland
  • 7,36 MB
978-3-527-80901-1 (9783527809011)
3527809015 (3527809015)
weitere Ausgaben werden ermittelt
John Mueller ist freier Autor und technischer Redakteur. Er hat das Bücherschreiben im Blut. Bis heute hat er 99 Bücher und mehr als 600 Artikel geschrieben. Sein Themenspektrum reicht von Netzwerken zu Datensicherheit und von Datenbankmanagement zu Programmierung.
Luca Massaron ist Data Scientist und geübt darin, Big Data in Smart Data zu überführen. Er nutzt am liebsten die ganz einfachen, aber dennoch effektiven Techniken des Data Mining und des maschinellen Lernens.
  • Titelseite
  • Impressum
  • Inhaltsverzeichnis
  • Über die Autoren
  • Einführung
  • Über dieses Buch
  • Grundvoraussetzungen
  • Symbole, die in diesem Buch verwendet werden
  • Weitere Ressourcen
  • Und nun?
  • Teil I: Einführung in das maschinelle Lernen
  • Kapitel 1: Künstliche Intelligenz in Fiktion und Realität
  • Eine realistische Betrachtung von KI
  • Träume von elektrischen Schafen
  • Die Grenzen zwischen Fiktion und Realität
  • Die Beziehung zwischen KI und maschinellem Lernen
  • Die technischen Spezifikationen von KI und maschinellem Lernen
  • Technische und kreative Vorgehensweisen
  • Kapitel 2: Lernen im Zeitalter von Big Data
  • Definition von Big Data
  • Mögliche Quellen für Big Data
  • Die Statistik und das maschinelle Lernen
  • Die Rolle von Algorithmen
  • Das Training von Algorithmen
  • Kapitel 3: Ein Ausblick auf die Zukunft
  • Nützliche Technologien für die Zukunft
  • Neue Arbeitsfelder durch maschinelles Lernen
  • Potenzielle Tücken zukünftiger Technologien
  • Teil II: Einrichtung Ihrer Programmierumgebung
  • Kapitel 4: Installation einer R-Distribution
  • Auswahl einer R-Distribution für maschinelles Lernen
  • Installation von R unter Windows
  • Installation von R unter Linux
  • Installation von R unter Mac OS X
  • Herunterladen der Quelltexte und Datensätze
  • Kapitel 5: Programmierung mit R und RStudio
  • Wichtige Datentypen
  • Verwendung von Vektoren
  • Datenorganisation mit Listen
  • Verwendung von Matrizen
  • Nutzung mehrerer Dimensionen mit Arrays
  • Nutzung von Data-Frames
  • Durchführung einfacher statistischer Aufgaben
  • Kapitel 6: Installation einer Python-Distribution
  • Auswahl einer Python-Distribution für maschinelles Lernen
  • Installation von Python unter Linux
  • Installation von Python unter Mac OS?X
  • Installation von Python unter Windows
  • Herunterladen der Quelltexte und Datensätze
  • Kapitel 7: Programmierung mit Python und Anaconda
  • Zahlen und logische Ausdrücke in Python
  • Erzeugung und Verwendung von Zeichenketten
  • Interaktion mit Datums- und Zeitangaben
  • Erzeugung und Verwendung von Funktionen
  • Bedingungen und Schleifen
  • Datenspeicherung mit Mengen, Listen und Tupeln
  • Definition nützlicher Iteratoren
  • Datenindizierung mit Wörterbüchern
  • Codespeicherung in Modulen
  • Kapitel 8: Weitere Softwareprogramme für maschinelles Lernen
  • Die Vorgänger: SAS, Stata und SPSS
  • Lernen im akademischen Sektor mit Weka
  • Einfacher Zugriff auf komplexe Algorithmen mit LIBSVM
  • Höchstgeschwindigkeit mit Vowpal Wabbit
  • Visualisierung mit Knime und RapidMiner
  • Verwaltung riesiger Datenmengen mit Spark
  • Teil III: Mathematische Grundlagen
  • Kapitel 9: Mathematische Grundlagen des maschinellen Lernens
  • Die Arbeit mit Daten
  • Die Welt der Wahrscheinlichkeiten
  • Nutzung der Statistik für maschinelles Lernen
  • Kapitel 10: Fehlerfunktionen und ihre Minimierung
  • Der Lernprozess als Optimierung
  • Kostenfunktionen
  • Minimierung der Fehlerfunktion
  • Aktualisierung per Mini-Batch- und Online-Lernen
  • Kapitel 11: Validierung von maschinellem Lernen
  • Fehler durch inkorrekte Stichprobenerhebung
  • Der Einfluss von Bias
  • Beachtung der Komplexität des Modells
  • Ausgeglichene Lösungen
  • Training, Validierung und Test
  • Kreuzvalidierung
  • Alternativen bei der Validierung
  • Optimierung von Kreuzvalidierungsverfahren
  • Vermeidung von Datenlecks und Bias in Stichproben
  • Kapitel 12: Einfache Lerner
  • Das faszinierende Perzeptron
  • Klassifikationsbäume und der Greedy-Ansatz
  • Wahrscheinlichkeitsbasierte Algorithmen
  • Teil IV: Aufbereitung und Verwendung von Daten zum Lernen
  • Kapitel 13: Vorverarbeitung von Daten
  • Erfassung und Bereinigung von Daten
  • Korrektur von fehlenden Daten
  • Transformation von Verteilungen
  • Erzeugung Ihrer eigenen Merkmale
  • Komprimierung von Daten
  • Abgrenzung anomaler Daten
  • Kapitel 14: Ausnutzung von Ähnlichkeiten in Daten
  • Messung der Ähnlichkeit zwischen Vektoren
  • Suche nach Clustern durch Berechnung von Abständen
  • Feinanpassung des k-Means-Algorithmus
  • Klassifikation mit k-Nearest Neighbors
  • Auswahl des korrekten Parameters k
  • Kapitel 15: Einfache Anwendung von linearen Modellen
  • Kombination von Variablen
  • Vermischung von Variablen unterschiedlichen Typs
  • Nutzung von Wahrscheinlichkeiten
  • Schätzung der richtigen Merkmale
  • Lernen aus einzelnen Beispielen
  • Kapitel 16: Komplexere Lernverfahren und neuronale Netze
  • Imitation der Natur beim Lernen
  • Vermeidung von Überanpassung
  • Einführung in Deep Learning
  • Kapitel 17: Support Vector Machines und Kernel-Funktionen
  • Ein neuer Ansatz für das Problem der Separierbarkeit
  • Die Funktionsweise des Algorithmus
  • Nichtlinearität
  • Implementierung und Hyperparameter
  • Klassifikation und Schätzung mit einer SVM
  • Kapitel 18: Kombination von Lernalgorithmen in Ensembles
  • Kombination von Entscheidungsbäumen
  • Verwendung beinahe zufälliger Schätzungen
  • Boosting von intelligenten Prädiktoren
  • Durchschnitt verschiedener Prädiktoren
  • Teil V: Praktische Anwendung von maschinellem Lernen
  • Kapitel 19: Klassifikation von Bildern
  • Die Arbeit mit Bildern
  • Extraktion visueller Merkmale
  • Gesichtserkennung mit Eigengesichtern
  • Klassifikation von Bildern
  • Kapitel 20: Bewertung von Meinungen und Stimmungslagen
  • Einführung in die Verarbeitung natürlicher Sprache
  • Lesende Maschinen
  • Bewertung und Klassifikation von Texten
  • Kapitel 21: Produkt- und Filmempfehlungen
  • Revolutionäre Systeme
  • Bewertungsdaten aus dem Internet
  • Nutzung der Singulärwertzerlegung
  • Teil VI: Der Top-Ten-Teil
  • Kapitel 22: Zehn wichtige Pakete für maschinelles Lernen
  • Oryx 2
  • CUDA-Convnet
  • ConvNetJS
  • e1071
  • gbm
  • Gensim
  • glmnet
  • randomForest
  • SciPy
  • XGBoost
  • Kapitel 23: Zehn Methoden zur Verbesserung Ihrer maschinellen Lernmodelle
  • Auswertung von Lernkurven
  • Korrekte Verwendung der Kreuzvalidierung
  • Auswahl der geeigneten Fehler- oder Bewertungsmaße
  • Suche nach den besten Hyperparametern
  • Test von mehreren Modellen
  • Bildung des Durchschnitts verschiedener Modelle
  • Mehrstufige Kombination von Modellen
  • Erzeugung neuer Merkmale
  • Auswahl von Merkmalen und Beispielen
  • Suche nach mehr Daten
  • Stichwortverzeichnis
  • End User License Agreement

Inhaltsverzeichnis


  1. Cover
  2. Titelseite
  3. Impressum
  4. Über die Autoren
  5. Einführung
    1. Über dieses Buch
    2. Grundvoraussetzungen
    3. Symbole, die in diesem Buch verwendet werden
    4. Weitere Ressourcen
    5. Und nun?
  6. Teil I: Einführung in das maschinelle Lernen
    1. Kapitel 1: Künstliche Intelligenz in Fiktion und Realität
      1. Eine realistische Betrachtung von KI
      2. Träume von elektrischen Schafen
      3. Die Grenzen zwischen Fiktion und Realität
      4. Die Beziehung zwischen KI und maschinellem Lernen
      5. Die technischen Spezifikationen von KI und maschinellem Lernen
      6. Technische und kreative Vorgehensweisen
    2. Kapitel 2: Lernen im Zeitalter von Big Data
      1. Definition von Big Data
      2. Mögliche Quellen für Big Data
      3. Die Statistik und das maschinelle Lernen
      4. Die Rolle von Algorithmen
      5. Das Training von Algorithmen
    3. Kapitel 3: Ein Ausblick auf die Zukunft
      1. Nützliche Technologien für die Zukunft
      2. Neue Arbeitsfelder durch maschinelles Lernen
      3. Potenzielle Tücken zukünftiger Technologien
  7. Teil II: Einrichtung Ihrer Programmierumgebung
    1. Kapitel 4: Installation einer R-Distribution
      1. Auswahl einer R-Distribution für maschinelles Lernen
      2. Installation von R unter Windows
      3. Installation von R unter Linux
      4. Installation von R unter Mac OS X
      5. Herunterladen der Quelltexte und Datensätze
    2. Kapitel 5: Programmierung mit R und RStudio
      1. Wichtige Datentypen
      2. Verwendung von Vektoren
      3. Datenorganisation mit Listen
      4. Verwendung von Matrizen
      5. Nutzung mehrerer Dimensionen mit Arrays
      6. Nutzung von Data-Frames
      7. Durchführung einfacher statistischer Aufgaben
    3. Kapitel 6: Installation einer Python-Distribution
      1. Auswahl einer Python-Distribution für maschinelles Lernen
      2. Installation von Python unter Linux
      3. Installation von Python unter Mac OS?X
      4. Installation von Python unter Windows
      5. Herunterladen der Quelltexte und Datensätze
    4. Kapitel 7: Programmierung mit Python und Anaconda
      1. Zahlen und logische Ausdrücke in Python
      2. Erzeugung und Verwendung von Zeichenketten
      3. Interaktion mit Datums- und Zeitangaben
      4. Erzeugung und Verwendung von Funktionen
      5. Bedingungen und Schleifen
      6. Datenspeicherung mit Mengen, Listen und Tupeln
      7. Definition nützlicher Iteratoren
      8. Datenindizierung mit Wörterbüchern
      9. Codespeicherung in Modulen
    5. Kapitel 8: Weitere Softwareprogramme für maschinelles Lernen
      1. Die Vorgänger: SAS, Stata und SPSS
      2. Lernen im akademischen Sektor mit Weka
      3. Einfacher Zugriff auf komplexe Algorithmen mit LIBSVM
      4. Höchstgeschwindigkeit mit Vowpal Wabbit
      5. Visualisierung mit Knime und RapidMiner
      6. Verwaltung riesiger Datenmengen mit Spark
  8. Teil III: Mathematische Grundlagen
    1. Kapitel 9: Mathematische Grundlagen des maschinellen Lernens
      1. Die Arbeit mit Daten
      2. Die Welt der Wahrscheinlichkeiten
      3. Nutzung der Statistik für maschinelles Lernen
    2. Kapitel 10: Fehlerfunktionen und ihre Minimierung
      1. Der Lernprozess als Optimierung
      2. Kostenfunktionen
      3. Minimierung der Fehlerfunktion
      4. Aktualisierung per Mini-Batch- und Online-Lernen
    3. Kapitel 11: Validierung von maschinellem Lernen
      1. Fehler durch inkorrekte Stichprobenerhebung
      2. Der Einfluss von Bias
      3. Beachtung der Komplexität des Modells
      4. Ausgeglichene Lösungen
      5. Training, Validierung und Test
      6. Kreuzvalidierung
      7. Alternativen bei der Validierung
      8. Optimierung von Kreuzvalidierungsverfahren
      9. Vermeidung von Datenlecks und Bias in Stichproben
    4. Kapitel 12: Einfache Lerner
      1. Das faszinierende Perzeptron
      2. Klassifikationsbäume und der Greedy-Ansatz
      3. Wahrscheinlichkeitsbasierte Algorithmen
  9. Teil IV: Aufbereitung und Verwendung von Daten zum Lernen
    1. Kapitel 13: Vorverarbeitung von Daten
      1. Erfassung und Bereinigung von Daten
      2. Korrektur von fehlenden Daten
      3. Transformation von Verteilungen
      4. Erzeugung Ihrer eigenen Merkmale
      5. Komprimierung von Daten
      6. Abgrenzung anomaler Daten
    2. Kapitel 14: Ausnutzung von Ähnlichkeiten in Daten
      1. Messung der Ähnlichkeit zwischen Vektoren
      2. Suche nach Clustern durch Berechnung von Abständen
      3. Feinanpassung des k-Means-Algorithmus
      4. Klassifikation mit k-Nearest Neighbors
      5. Auswahl des korrekten Parameters k
    3. Kapitel 15: Einfache Anwendung von linearen Modellen
      1. Kombination von Variablen
      2. Vermischung von Variablen unterschiedlichen Typs
      3. Nutzung von Wahrscheinlichkeiten
      4. Schätzung der richtigen Merkmale
      5. Lernen aus einzelnen Beispielen
    4. Kapitel 16: Komplexere Lernverfahren und neuronale Netze
      1. Imitation der Natur beim Lernen
      2. Vermeidung von Überanpassung
      3. Einführung in Deep Learning
    5. Kapitel 17: Support Vector Machines und Kernel-Funktionen
      1. Ein neuer Ansatz für das Problem der Separierbarkeit
      2. Die Funktionsweise des Algorithmus
      3. Nichtlinearität
      4. Implementierung und Hyperparameter
      5. Klassifikation und Schätzung mit einer SVM
    6. Kapitel 18: Kombination von Lernalgorithmen in Ensembles
      1. Kombination von Entscheidungsbäumen
      2. Verwendung beinahe zufälliger Schätzungen
      3. Boosting von intelligenten Prädiktoren
      4. Durchschnitt verschiedener Prädiktoren
  10. Teil V: Praktische Anwendung von maschinellem Lernen
    1. Kapitel 19: Klassifikation von Bildern
      1. Die Arbeit mit Bildern
      2. Extraktion visueller Merkmale
      3. Gesichtserkennung mit Eigengesichtern
      4. Klassifikation von Bildern
    2. Kapitel 20: Bewertung von Meinungen und Stimmungslagen
      1. Einführung in die Verarbeitung natürlicher Sprache
      2. Lesende Maschinen
      3. Bewertung und Klassifikation von Texten
    3. Kapitel 21: Produkt- und Filmempfehlungen
      1. Revolutionäre Systeme
      2. Bewertungsdaten aus dem Internet
      3. Nutzung der Singulärwertzerlegung
  11. Teil VI: Der Top-Ten-Teil
    1. Kapitel 22: Zehn wichtige Pakete für maschinelles Lernen
      1. Oryx 2
      2. CUDA-Convnet
      3. ConvNetJS
      4. e1071
      5. gbm
      6. Gensim
      7. glmnet
      8. randomForest
      9. SciPy
      10. XGBoost
    2. Kapitel 23: Zehn Methoden zur Verbesserung Ihrer maschinellen Lernmodelle
      1. Auswertung von Lernkurven
      2. Korrekte Verwendung der Kreuzvalidierung
      3. Auswahl der geeigneten Fehler- oder Bewertungsmaße
      4. Suche nach den besten Hyperparametern
      5. Test von mehreren Modellen
      6. Bildung des Durchschnitts verschiedener Modelle
      7. Mehrstufige Kombination von Modellen
      8. Erzeugung neuer Merkmale
      9. Auswahl von Merkmalen und Beispielen
      10. Suche nach mehr Daten
  12. Stichwortverzeichnis
  13. End User License Agreement

Tabellenverzeichnis


  1. Kapitel 1
    1. Tabelle 1.1: Vergleich von maschinellem Lernen und Statistik
  2. Kapitel 7
    1. Tabelle 7.1: Zuweisungsoperatoren in Python
    2. Tabelle 7.2: Arithmetische Operatoren in Python
    3. Tabelle 7.3: Unäre Operatoren in Python
    4. Tabelle 7.4: Bitweise Operatoren in Python
    5. Tabelle 7.5: Vergleichsoperatoren in Python
    6. Tabelle 7.6: Logische Operatoren in Python
    7. Tabelle 7.7: Vorrangsregeln für Operatoren in Python
    8. Tabelle 7.8: Zugehörigkeitsoperatoren in Python
    9. Tabelle 7.9: Identitätsoperatoren in Python
  3. Kapitel...

Dateiformat: EPUB
Kopierschutz: Adobe-DRM (Digital Rights Management)

Systemvoraussetzungen:

Computer (Windows; MacOS X; Linux): Installieren Sie bereits vor dem Download die kostenlose Software Adobe Digital Editions (siehe E-Book Hilfe).

Tablet/Smartphone (Android; iOS): Installieren Sie bereits vor dem Download die kostenlose App Adobe Digital Editions (siehe E-Book Hilfe).

E-Book-Reader: Bookeen, Kobo, Pocketbook, Sony, Tolino u.v.a.m. (nicht Kindle)

Das Dateiformat EPUB ist sehr gut für Romane und Sachbücher geeignet - also für "fließenden" Text ohne komplexes Layout. Bei E-Readern oder Smartphones passt sich der Zeilen- und Seitenumbruch automatisch den kleinen Displays an. Mit Adobe-DRM wird hier ein "harter" Kopierschutz verwendet. Wenn die notwendigen Voraussetzungen nicht vorliegen, können Sie das E-Book leider nicht öffnen. Daher müssen Sie bereits vor dem Download Ihre Lese-Hardware vorbereiten.

Weitere Informationen finden Sie in unserer E-Book Hilfe.


Download (sofort verfügbar)

26,99 €
inkl. 19% MwSt.
Download / Einzel-Lizenz
ePUB mit Adobe DRM
siehe Systemvoraussetzungen
E-Book bestellen

Unsere Web-Seiten verwenden Cookies. Mit der Nutzung des WebShops erklären Sie sich damit einverstanden. Mehr Informationen finden Sie in unserem Datenschutzhinweis. Ok