Beschreibung / Abstract

Inhaltsverzeichnis

• Machine Learning und Neuronale Netze
• Inhaltsverzeichnis
• 1. Einführung in Machine Learning und Data Science
• 1.1 Was ist Machine Learning und wofür wird es angewendet?
• 1.2 Was ist Deep Learning?
• 1.3 Ansätze im Machine Learning
• 1.4 Vorgehensmodell in der Data Science
• 1.5 Data-Science-Programme
• 1.6 Definitionen im Machine Learning
• 1.7 Übungen
• Downloadhinweis
• 2. Einführung in Python
• 2.1 Installation mittels Anaconda
• 2.2 Basics: Datentypen, Schleifen, Funktionen
• 2.3 Mehrdimensionale Arrays mit NumPy
• 2.4 Daten einlesen und Arbeiten mit DataFrames in Pandas
• 2.5 Visualisierungen
• Downloadhinweis
• 3. Mathematische Grundlagen von Data Science
• 3.1 Lineare Algebra
• 3.2 Numerische Methoden
• 3.3 Stochastik
• 3.4 Übungen
• Downloadhinweis
• 4. Datenaufbereitung
• 4.1 Outlier Detection (Ermittlung von Ausreißern)
• 4.2 Variablenauswahl
• 4.3 Dummy Encoding
• 4.4 Standardisierung
• 4.5 Übungen
• Downloadhinweis
• 5. Data Science mit SciPy
• 5.1 Beschreibende Statistik
• 5.2 Parametrische Tests
• 5.3 Nichtparametrische Tests
• 5.4 ANOVA
• 5.5 Übungen
• Downloadhinweis
• 6. Regressionsmodelle
• 6.1 Einführung in die Regression
• 6.2 Einfache Lineare Regression mit Scikit-learn
• 6.3 Polynomiales Regressionsmodell
• 6.4 Multiple Lineare Regression
• 6.5 Annahmen bzw. Bedingungen der Regressionsanalyse
• 6.6 Regression mit Statsmodels
• 6.7 Ridge Regression
• 6.8 Bayes†™sche Regression
• 6.9 Übungen
• Downloadhinweis
• 7. Logistische Regression
• 7.1 Einführung zur logistischen Regression
• 7.2 Lineare Entscheidungsgrenzen
• 7.3 Regularisierung
• 7.4 Übungen
• Downloadhinweis
• 8. Baumverfahren
• 8.1 Einführung Entscheidungsbäume
• 8.2 Klassifikationsbäume
• 8.3 Regressionsbäume
• 8.4 Aufteilungsregeln
• 8.5 Random Forests
• 8.6 Bagging- und Boosting-Baumverfahren
• 8.7 Übungen
• Downloadhinweis
• 9. Support Vector Machine (SVM)
• 9.1 SVM-Klassifizierung
• 9.2 SVM-Regression (SVR)
• 9.3 Tuning-Parameter
• 9.4 Übungen
• Downloadhinweis
• 10. Weitere Machine Learning-Modelle
• 10.1 k-Nearest-Neighbour
• 10.2 Naive Bayes
• 10.3 Übungen
• Downloadhinweis
• 11. Unsupervised Learning
• 11.1 Clusteranalyse zur Segmentbildung
• 11.2 Hauptkomponentenanalyse zur Dimensionsreduktion
• 11.3 Übungen
• 12. Aufbau eines Data Science-Modells
• 12.1 Über- und Unteranpassung
• 12.2 Bewertung eines Modells
• 12.3 Feature Wichtigkeit (Feature Importance)
• 12.4 Kreuzvalidierung
• 12.5 Ensemble-Ansätze in Python
• 12.6 Grid-Search
• 12.7 Übungen
• Downloadhinweis
• 13. Deep Learning mit TensorFlow 2 und Keras
• 13.1 Grundlagen des Deep Learnings
• 13.2 Was ist ein neuronales Netz
• 13.3 Grundkonzepte neuronaler Netze
• 13.4 Einführung in TensorFlow
• 13.5 Verschiedene Netztypen
• 13.6 Lernstrategien
• 13.7 Convolutional neuronale Netzwerke (CNNs)
• 13.8 Rekurrente neuronale Netzwerke (RNNs)
• 13.9 Restricted Boltzmann Machine
• 13.10 Generatives Deep Learning
• 13.11 Generative Adversarial Networks (GANs
• 13.12 Übungen
• Downloadhinweis
• 14. End-to-end-Beispiel
• Downloadhinweis
• 15. Zusammenfassung und Ausblick
• Downloadhinweis
• 16. Literaturverzeichnis
• 17. Glossar
• Index