Praxisbuch Unsupervised Learning

1 - Inhalt [Seite 5]
2 - Einleitung [Seite 13]
3 - Teil I: Grundlagen des Unsupervised Learning [Seite 23]
3.1 - Kapitel 1: Unsupervised Learning im Ökosystem des maschinellen Lernens [Seite 25]
3.1.1 - Grundbegriffe des maschinellen Lernens [Seite 25]
3.1.2 - Regelbasiertes vs. maschinelles Lernen [Seite 26]
3.1.3 - Supervised vs. Unsupervised [Seite 1]
3.1.4 - Ein genauerer Blick auf überwachte Algorithmen [Seite 33]
3.1.5 - Unüberwachte Algorithmen unter der Lupe [Seite 39]
3.1.6 - Reinforcement Learning mithilfe von Unsupervised Learning [Seite 48]
3.1.7 - Semi-supervised Learning [Seite 49]
3.1.8 - Erfolgreiche Anwendungen von Unsupervised Learning [Seite 49]
3.1.9 - Zusammenfassung [Seite 51]
3.2 - Kapitel 2: Durchgehendes Projekt zum maschinellen Lernen [Seite 53]
3.2.1 - Die Umgebung einrichten [Seite 53]
3.2.2 - Die Daten im Überblick [Seite 56]
3.2.3 - Datenvorbereitung [Seite 57]
3.2.4 - Modellvorbereitung [Seite 64]
3.2.5 - Modelle des maschinellen Lernens (Teil 1) [Seite 66]
3.2.6 - Kennzahlen bewerten [Seite 69]
3.2.7 - Modelle des maschinellen Lernens (Teil 2) [Seite 75]
3.2.8 - Bewertung der vier Modelle mit dem Testset [Seite 84]
3.2.9 - Ensembles [Seite 88]
3.2.10 - Endgültige Modellauswahl [Seite 91]
3.2.11 - Produktionspipeline [Seite 92]
3.2.12 - Zusammenfassung [Seite 93]
4 - Teil II: Unsupervised Learning mit Scikit-learn [Seite 95]
4.1 - Kapitel 3: Dimensionsreduktion [Seite 97]
4.1.1 - Die Motivation zur Dimensionsreduktion [Seite 97]
4.1.2 - Algorithmen zur Dimensionsreduktion [Seite 101]
4.1.3 - Hauptkomponentenanalyse [Seite 102]
4.1.4 - Singulärwertzerlegung [Seite 111]
4.1.5 - Zufallsprojektion [Seite 113]
4.1.6 - Isomap [Seite 115]
4.1.7 - Multidimensionale Skalierung [Seite 116]
4.1.8 - Lokal lineare Einbettung [Seite 117]
4.1.9 - Stochastische Nachbarschaftseinbettung mit Student-t-Verteilung [Seite 118]
4.1.10 - Andere Methoden zur Dimensionsreduktion [Seite 120]
4.1.11 - Zusammenfassung [Seite 122]
4.2 - Kapitel 4: Anomalieerkennung [Seite 125]
4.2.1 - Kreditkartenbetrugserkennung [Seite 126]
4.2.2 - Anomalieerkennung mit normaler PCA [Seite 129]
4.2.3 - Anomalieerkennung mit sparse PCA [Seite 134]
4.2.4 - Anomalieerkennung mit Kernel-PCA [Seite 137]
4.2.5 - Anomalieerkennung mit gaußscher Zufallsprojektion [Seite 139]
4.2.6 - Anomalieerkennung mit sparse Zufallsprojektion [Seite 141]
4.2.7 - Nicht lineare Anomalieerkennung [Seite 142]
4.2.8 - Anomalieerkennung mit Dictionary Learning [Seite 143]
4.2.9 - Anomalieerkennung mit Unabhängigkeitsanalyse [Seite 145]
4.2.10 - Betrugserkennung auf dem Testset [Seite 146]
4.2.11 - Zusammenfassung [Seite 151]
4.3 - Kapitel 5: Clustering [Seite 153]
4.3.1 - Das MNIST-Ziffern-Dataset [Seite 154]
4.3.2 - Clustering-Algorithmen [Seite 155]
4.3.3 - k-Means-Algorithmus [Seite 156]
4.3.4 - Hierarchisches Clustering [Seite 163]
4.3.5 - DBSCAN [Seite 169]
4.3.6 - Zusammenfassung [Seite 173]
4.4 - Kapitel 6: Gruppensegmentierung [Seite 175]
4.4.1 - Lending-Club-Daten [Seite 175]
4.4.2 - Güte der Cluster [Seite 182]
4.4.3 - k-Means-Anwendung [Seite 184]
4.4.4 - Anwendung mit hierarchischem Clustering [Seite 186]
4.4.5 - Anwendung mit HDBSCAN [Seite 190]
4.4.6 - Zusammenfassung [Seite 192]
5 - Teil III: Unsupervised Learning mit TensorFlow und Keras [Seite 193]
5.1 - Kapitel 7: Autoencoder [Seite 195]
5.1.1 - Neuronale Netze [Seite 196]
5.1.2 - Autoencoder: der Encoder und der Decoder [Seite 199]
5.1.3 - Untervollständige Autoencoder [Seite 200]
5.1.4 - Übervollständige Autoencoder [Seite 201]
5.1.5 - Dichte vs. sparsame Autoencoder [Seite 201]
5.1.6 - Autoencoder zur Rauschunterdrückung [Seite 202]
5.1.7 - Variational Autoencoder [Seite 202]
5.1.8 - Zusammenfassung [Seite 203]
5.2 - Kapitel 8: Praktische Autoencoder [Seite 205]
5.2.1 - Datenvorbereitung [Seite 205]
5.2.2 - Die Bestandteile eines Autoencoders [Seite 208]
5.2.3 - Aktivierungsfunktionen [Seite 208]
5.2.4 - Unser erster Autoencoder [Seite 209]
5.2.5 - Zweischichtiger untervollständiger Autoencoder mit linearer Aktivierungsfunktion [Seite 216]
5.2.6 - Nicht linearer Autoencoder [Seite 222]
5.2.7 - Übervollständiger Autoencoder mit linearer Aktivierung [Seite 224]
5.2.8 - Übervollständiger Autoencoder mit linearer Aktivierung und Drop-out [Seite 227]
5.2.9 - Sparse übervollständiger Autoencoder mit linearer Aktivierung [Seite 229]
5.2.10 - Sparse übervollständiger Autoencoder mit linearer Aktivierung und Drop-out [Seite 231]
5.2.11 - Mit verrauschten Datasets arbeiten [Seite 233]
5.2.12 - Rauschreduzierender Autoencoder [Seite 233]
5.2.13 - Zusammenfassung [Seite 241]
5.3 - Kapitel 9: Semi-supervised Learning [Seite 243]
5.3.1 - Datenvorbereitung [Seite 243]
5.3.2 - Supervised Modelle [Seite 246]
5.3.3 - Unsupervised Modelle [Seite 248]
5.3.4 - Semi-supervised Modelle [Seite 250]
5.3.5 - Die Leistung von supervised und unsupervised Modellen [Seite 253]
5.3.6 - Zusammenfassung [Seite 253]
6 - Teil IV: Deep Unsupervised Learning mit TensorFlow und Keras [Seite 255]
6.1 - Kapitel 10: Empfehlungsdienste mit beschränkten Boltzmann-Maschinen [Seite 257]
6.1.1 - Boltzmann-Maschinen [Seite 257]
6.1.2 - Empfehlungsdienste [Seite 259]
6.1.3 - MovieLens-Dataset [Seite 260]
6.1.4 - Matrixfaktorisierung [Seite 266]
6.1.5 - Kollaboratives Filtern mit RBMs [Seite 269]
6.1.6 - Zusammenfassung [Seite 275]
6.2 - Kapitel 11: Featureerkennung mit Deep Belief Networks [Seite 277]
6.2.1 - Deep Belief Networks im Detail [Seite 277]
6.2.2 - MNIST-Bildklassifizierung [Seite 278]
6.2.3 - Beschränkte Boltzmann-Maschinen [Seite 279]
6.2.4 - Die drei RBMs für das DBN trainieren [Seite 284]
6.2.5 - Das vollständige DBN [Seite 289]
6.2.6 - Wie Unsupervised Learning das Supervised Learning unterstützt [Seite 294]
6.2.7 - Bildklassifizierung mit LightGBM [Seite 299]
6.2.8 - Zusammenfassung [Seite 302]
6.3 - Kapitel 12: Generative Adversarial Networks [Seite 303]
6.3.1 - GANs - das Konzept [Seite 303]
6.3.2 - Deep Convolutional GANs [Seite 304]
6.3.3 - Convolutional Neural Networks [Seite 305]
6.3.4 - Noch einmal: DCGANs [Seite 309]
6.3.5 - MNIST-DCGAN in Aktion [Seite 314]
6.3.6 - Zusammenfassung [Seite 316]
6.4 - Kapitel 13: Zeitreihen-Clustering [Seite 319]
6.4.1 - EKG-Daten [Seite 320]
6.4.2 - Ansatz für Zeitreihen-Clustering [Seite 320]
6.4.3 - Zeitreihen-Clustering mit k-Shape auf ECGFiveDays [Seite 321]
6.4.4 - Zeitreihen-Clustering mit k-Shape auf ECG5000 [Seite 327]
6.4.5 - Zeitreihen-Clustering mit k-Means auf ECG5000 [Seite 332]
6.4.6 - Zeitreihen-Clustering mit hierarchischem DBSCAN auf ECG5000 [Seite 333]
6.4.7 - Die Zeitreihen-Clustering-Algorithmen vergleichen [Seite 334]
6.4.8 - Zusammenfassung [Seite 340]
6.5 - Kapitel 14: Zum Schluss [Seite 341]
6.5.1 - Supervised Learning [Seite 342]
6.5.2 - Unsupervised Learning [Seite 342]
6.5.3 - Reinforcement Learning [Seite 344]
6.5.4 - Die vielversprechendsten Bereiche des Unsupervised Learning [Seite 345]
6.5.5 - Die Zukunft des Unsupervised Learning [Seite 346]
6.5.6 - Schlusswort [Seite 348]
7 - Index [Seite 349]