Descripción / Abstract

Descripción

Índice

• Cover
• Unbenannt
• Impressum
• Inhaltsverzeichnis
• Über die Autoren
• Über die Korrektoren
• Über den Fachkorrektor der deutschen Ausgabe
• 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 Klassifikation 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-Klassifikatoren mit scikit-learn verwenden
• 3.1 Auswahl eines Klassifikationsalgorithmus
• 3.2 Erste Schritte mit scikit-learn: Trainieren eines Perzeptrons
• 3.3 Klassenwahrscheinlichkeiten durch logistische Regression modellieren
• 3.4 Maximum-Margin-Klassifikation mit Support Vector Machines
• 3.5 Nichtlineare Aufgaben mit einer Kernel-SVM lösen
• 3.6 Lernen mit Entscheidungsbäumen
• 3.7 k-Nearest-Neighbors: 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: Bewährte Verfahren zur Modellbewertung und Hyperparameter-Optimierung
• 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 Grid Search
• 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 Klassifikatoren durch Mehrheitsentscheidung kombinieren
• 7.3 Bewertung und Abstimmung des Klassifikator-Ensembles
• 7.4 Bagging: Klassifikator-Ensembles anhand von Bootstrap-Stichproben entwickeln
• 7.5 Schwache Klassifikatoren 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 Dokumentklassifikation 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 Filmbewertungsklassifikator 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 Boston-Housing-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 von Daten ohne Label: 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 Klassifikation 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 Erste Schritte mit TensorFlow
• 13.3 Eingabe-Pipelines mit tf.data erstellen – die Dataset-API von TensorFlow
• 13.4 Entwicklung eines NN-Modells mit TensorFlow
• 13.5 Auswahl der Aktivierungsfunktionen mehrschichtiger neuronaler Netze
• 13.6 Zusammenfassung
• Kapitel 14: Die Funktionsweise von TensorFlow im Detail
• 14.1 Grundlegende Merkmale von TensorFlow
• 14.2 TensorFlows Berechnungsgraphen: Migration nach TensorFlow v2
• 14.3 TensorFlows Variablenobjekte zum Speichern und Aktualisieren von Modellparametern
• 14.4 Gradientenberechnung durch automatisches Differenzieren und GradientTape
• 14.5 Vereinfachung der Implementierung gebräuchlicher Architekturen mit der Keras-API
• 14.6 TensorFlows Schätzer
• 14.7 Zusammenfassung
• Kapitel 15: Bildklassifikation mit Deep Convolutional Neural Networks
• 15.1 Bausteine von Convolutional Neural Networks
• 15.2 Implementierung eines CNNs
• 15.3 Implementierung eines tiefen CNNs mit TensorFlow
• 15.4 Klassifikation des Geschlechts anhand von Porträtfotos mit einem CNN
• 15.5 Zusammenfassung
• Kapitel 16: Modellierung sequenzieller Daten durch rekurrente neuronale Netze
• 16.1 Sequenzielle Daten
• 16.2 Sequenzmodellierung mit RNNs
• 16.3 Implementierung von RNNs zur Sequenzmodellierung mit TensorFlow
• 16.4 Sprache mit dem Transformer-Modell verstehen
• 16.5 Zusammenfassung
• Kapitel 17: Synthetisieren neuer Daten mit Generative Adversarial Networks
• 17.1 Einführung in GANs
• 17.2 Ein GAN von Grund auf implementieren
• 17.3 Verbesserung der Qualität synthetisierter Bilder durch Convolutional GAN und Wasserstein-GAN
• 17.4 Weitere GAN-Anwendungen
• 17.5 Zusammenfassung
• Kapitel 18: Entscheidungsfindung in komplexen Umgebungen per Reinforcement Learning
• 18.1 Einführung: Aus Erfahrung lernen
• 18.2 Theoretische Grundlagen des RLs
• 18.3 Reinforcement-Learning-Algorithmen
• 18.4 Implementierung eines RL-Algorithmus
• 18.5 Zusammenfassung und Schlusswort
• Stichwortverzeichnis