Description
(Short description)
Aus der Buchreihe »Informatik verstehen«. Ideal zum Selbststudium
(Text)
Maschinelles Lernen - alle Grundlagen! Paul Wilmott ist für seine erhellende und unterhaltsame Darstellung angewandter Mathematik bekannt. Von der linearen Regression bis zu Neuronalen Netzwerken führt er Sie durch alle Verfahren, und zwar komplett Software-unabhängig. Der Vorteil dabei: Jeder Schritt ist schwarz auf weiß zu sehen, kein Framework kann etwas "verstecken", es geht immer um die Sache selbst. Mit vielen Beispielen, Grafiken und Schritt-für-Schritt-Kästen. Für alle, die wirklich verstehen wollen, wie Maschinen lernen.
Aus dem Inhalt:
Lineare Regressionk-Nearest NeighborsNaive Bayes-Klassifikatorenk-Means-AlgorithmusSupport Vector MachinesLogistische RegressionSelbstorganisierende KartenEntscheidungsbäumeReinforcement LearningNeuronale Netze
on Paul Wilmott
Aus dem Inhalt:
Lineare Regressionk-Nearest NeighborsNaive Bayes-Klassifikatorenk-Means-AlgorithmusSupport Vector MachinesLogistische RegressionSelbstorganisierende KartenEntscheidungsbäumeReinforcement LearningNeuronale Netze
(Table of content)
heorems ... 108
5.3 ... Anwendung des NBK ... 108
5.4 ... In Symbolen ... 110
5.5 ... Beispiel: Politische Reden ... 111
5.6 ... Weiterführende Literatur ... 114
6. Regressionsmethoden ... 115
6.1 ... Wofür können wir sie verwenden? ... 115
6.2 ... Mehrdimensionale lineare Regression ... 116
6.3 ... Logistische Regression ... 117
6.4 ... Beispiel: Noch einmal politische Reden ... 119
6.5 ... Weitere Regressionsmethoden ... 121
6.6 ... Weiterführende Literatur ... 122
7. Support-Vektor-Maschinen ... 123
7.1 ... Wofür können wir sie verwenden? ... 123
7.2 ... Harte Ränder ... 123
7.3 ... Beispiel: Iris (Schwertlilie) ... 126
7.4 ... Lagrange-Multiplier-Version ... 128
7.5 ... Weiche Ränder ... 130
7.6 ... Kernel-Trick ... 132
7.7 ... Weiterführende Literatur ... 136
8. Selbstorganisierende Karten ... 137
8.1 ... Wofür können wir sie verwenden? ... 137
8.2 ... Die Methode ... 138
8.3 ... Der Lernalgorithmus ... 140
8.4 ... Beispiel: Gruppierung von Aktien ...142
8.5 ... Beispiel: Abstimmungen im Unterhaus ... 147
8.6 ... Weiterführende Literatur ... 149
9. Entscheidungsbäume ... 151
9.1 ... Wofür können wir sie verwenden? ... 151
9.2 ... Beispiel: Zeitschriftenabo ... 153
9.3 ... Entropie ... 158
9.4 ... Überanpassung und Abbruchregeln ... 161
9.5 ... Zuschneiden ... 162
9.6 ... Numerische Merkmale/Attribute ... 162
9.7 ... Regression ... 164
9.8 ... Ausblick ... 171
9.9 ... Bagging und Random Forest ... 171
9.10 ... Weiterführende Literatur ... 172
10. Neuronale Netze ... 173
10.1 ... Wofür können wir sie verwenden? ... 173
10.2 ... Ein sehr einfaches Netzwerk ... 173
10.3 ... Universelles Approximations-Theorem ... 174
10.4 ... Ein noch einfacheres Netzwerk ... 176
10.5 ... Die mathematische Manipulation im D
