Beschreibung / Abstract

Beschreibung

Inhaltsverzeichnis

• Cover
• Titel
• Impressum
• Inhaltsverzeichnis
• Über die Autoren
• Über die Korrektoren
• Einleitung
• Kapitel 1: Wie Computer aus Daten lernen können
• 1.1 Intelligente Maschinen, die Daten in Wissen verwandeln
• 1.2 Die drei Arten des Machine Learnings
• 1.3 Grundlegende Terminologie und Notation
• 1.4 Entwicklung eines Systems für das Machine Learning
• 1.5 Machine Learning mit Python
• 1.6 Zusammenfassung
• Kapitel 2: Lernalgorithmen für die Klassifizierung trainieren
• 2.1 Künstliche Neuronen: Ein kurzer Blick auf die Anfänge des Machine Learnings
• 2.2 Implementierung eines Perzeptron-Lernalgorithmus in Python
• 2.3 Adaptive lineare Neuronen und die Konvergenz des Lernens
• 2.4 Zusammenfassung
• Kapitel 3: Machine-Learning-Klassifizierer mit scikit-learn verwenden
• 3.1 Auswahl eines Klassifizierungsalgorithmus
• 3.2 Erste Schritte mit scikit-learn: Trainieren eines Perzeptrons
• 3.3 Klassenwahrscheinlichkeiten durch logistische Regression modellieren
• 3.4 Maximum-Margin-Klassifizierung mit Support Vector Machines
• 3.5 Nichtlineare Aufgaben mit einer Kernel-SVM lösen
• 3.6 Lernen mit Entscheidungsbäumen
• 3.7 k-Nearest-Neighbor: Ein Lazy-Learning-Algorithmus
• 3.8 Zusammenfassung
• Kapitel 4: Gut geeignete Trainingsdatenmengen: Datenvorverarbeitung
• 4.1 Umgang mit fehlenden Daten
• 4.2 Handhabung kategorialer Daten
• 4.3 Aufteilung einer Datensammlung in Trainings- und Testdaten
• 4.4 Anpassung der Merkmale
• 4.5 Auswahl aussagekräftiger Merkmale
• 4.6 Beurteilung der Bedeutung von Merkmalen mit Random Forests
• 4.7 Zusammenfassung
• Kapitel 5: Datenkomprimierung durch Dimensionsreduktion
• 5.1 Unüberwachte Dimensionsreduktion durch Hauptkomponentenanalyse
• 5.2 Überwachte Datenkomprimierung durch lineare Diskriminanzanalyse
• 5.3 Kernel-Hauptkomponentenanalyse für nichtlineare Zuordnungen verwenden
• 5.4 Zusammenfassung
• Kapitel 6: Best Practices zur Modellbewertung und Hyperparameter- Abstimmung
• 6.1 Arbeitsabläufe mit Pipelines optimieren
• 6.2 Beurteilung des Modells durch k-fache Kreuzvalidierung
• 6.3 Algorithmen mit Lern- und Validierungskurven debuggen
• 6.4 Feinabstimmung eines Lernmodells durch Rastersuche
• 6.5 Verschiedene Kriterien zur Leistungsbewertung
• 6.6 Handhabung unausgewogener Klassenverteilung
• 6.7 Zusammenfassung
• Kapitel 7: Kombination verschiedener Modelle für das Ensemble Learning
• 7.1 Ensemble Learning
• 7.2 Klassifizierer durch Mehrheitsentscheidung kombinieren
• 7.3 Bewertung und Abstimmung des Klassifizierer-Ensembles
• 7.4 Bagging: Klassifizierer-Ensembles anhand von Bootstrap-Stichproben entwickeln
• 7.5 Schwache Klassifizierer durch adaptives Boosting verbessern
• 7.6 Zusammenfassung
• Kapitel 8: Machine Learning zur Analyse von Stimmungslagen nutzen
• 8.1 Die IMDb-Filmdatenbank
• 8.2 Das Bag-of-words-Modell
• 8.3 Ein logistisches Regressionsmodell für die Dokumentklassifizierung trainieren
• 8.4 Verarbeitung großer Datenmengen: Online-Algorithmen und Out-of-Core Learning
• 8.5 Topic Modeling mit latenter Dirichlet-Allokation
• 8.6 Zusammenfassung
• Kapitel 9: Einbettung eines Machine-Learning- Modells in eine Webanwendung
• 9.1 Serialisierung angepasster Schätzer mit scikit-learn
• 9.2 Einrichtung einer SQLite-Datenbank zum Speichern von Daten
• 9.3 Entwicklung einer Webanwendung mit Flask
• 9.4 Der Filmbewertungsklassifizierer als Webanwendung
• 9.5 Einrichtung der Webanwendung auf einem öffentlich zugänglichen Webserver
• 9.6 Zusammenfassung
• Kapitel 10: Vorhersage stetiger Zielvariablen durch Regressionsanalyse
• 10.1 Lineare Regression
• 10.2 Die Lebensbedingungen-Datensammlung
• 10.3 Implementierung eines linearen Regressionsmodells mit der Methode der kleinsten Quadrate
• 10.4 Anpassung eines robusten Regressionsmodells mit dem RANSAC-Algorithmus
• 10.5 Bewertung der Leistung linearer Regressionsmodelle
• 10.6 Regularisierungsverfahren für die Regression einsetzen
• 10.7 Polynomiale Regression: Umwandeln einer linearen Regression in eine Kurve
• 10.8 Handhabung nichtlinearer Beziehungen mit Random Forests
• 10.9 Zusammenfassung
• Kapitel 11: Verwendung nicht gekennzeichneter Daten: Clusteranalyse
• 11.1 Gruppierung von Objekten nach Ähnlichkeit mit dem k-Means-Algorithmus
• 11.2 Cluster als hierarchischen Baum organisieren
• 11.3 Bereiche hoher Dichte mit DBSCAN ermitteln
• 11.4 Zusammenfassung
• Kapitel 12: Implementierung eines künstlichen neuronalen Netzes
• 12.1 Modellierung komplexer Funktionen mit künstlichen neuronalen Netzen
• 12.2 Klassifizierung handgeschriebener Ziffern
• 12.3 Trainieren eines künstlichen neuronalen Netzes
• 12.4 Konvergenz in neuronalen Netzen
• 12.5 Abschließende Bemerkungen zur Implementierung neuronaler Netze
• 12.6 Zusammenfassung
• Kapitel 13: Parallelisierung des Trainings neuronaler Netze mit TensorFlow
• 13.1 TensorFlow und Trainingsleistung
• 13.2 Training neuronaler Netze mit TensorFlows High-level-APIs
• 13.3 Auswahl der Aktivierungsfunktionen mehrschichtiger neuronaler Netze
• 13.4 Zusammenfassung
• Kapitel 14: Die Funktionsweise von TensorFlow im Detail
• 14.1 Grundlegende Merkmale von TensorFlow
• 14.2 TensorFlow-Tensoren und deren Rang
• 14.3 TensorFlow-Berechnungsgraphen
• 14.4 Platzhalter in TensorFlow
• 14.5 Variablen in TensorFlow
• 14.6 Erstellen eines Regressionsmodells
• 14.7 Ausführung von Objekten in einem TensorFlow- Graphen unter Verwendung ihres Namens
• 14.8 Speichern und wiederherstellen eines Modells in TensorFlow
• 14.9 Tensoren als mehrdimensionale Datenarrays transformieren
• 14.10 Mechanismen der Flusskontrolle beim Erstellen von Graphen verwenden
• 14.11 Graphen mit TensorBoard visualisieren
• 14.12 Zusammenfassung
• Kapitel 15: Bildklassifizierung mit tiefen konvolutionalen neuronalen Netzen
• 15.1 Bausteine konvolutionaler neuronaler Netze
• 15.2 Implementierung eines CNNs
• 15.3 Implementierung eines tiefen konvolutionalen neuronalen Netzes mit TensorFlow
• 15.4 Zusammenfassung
• Kapitel 16: Modellierung sequenzieller Daten durch rekurrente neuronale Netze
• 16.1 Sequenzielle Daten
• 16.2 Sequenzmodellierung mit RNNs
• 16.3 Implementierung eines mehrschichtigen RNNs zur Sequenzmodellierung mit TensorFlow
• 16.4 Projekt 1: Analyse der Stimmungslage in der IMDb- Filmbewertungsdatenbank mit mehrschichtigen RNNs
• 16.5 Projekt 2: Implementierung eines RNNs zur Sprachmodellierung durch Zeichen mit TensorFlow
• 16.6 Zusammenfassung und Schlusswort
• Stichwortverzeichnis