Maschinelles Lernen - Grundlagen und Anwendungen

Mit Beispielen in Python
1. Auflage 2023
ISBN: 978-3-662-67276-1
Verlag: Springer

Buch, Deutsch, 263 Seiten, Format (B × H): 155 mm x 235 mm, Gewicht: 520 g

In diesem Fachbuch werden vorwiegend die Grundlagen des Maschinellen Lernens erläutert. Die Hauptthemen sind die mathematischen Grundlagen, Optimierungsmethoden und die ML-Algorithmen. Es wird zu jedem Kapitel mindestens eine Beispiel-Übung durchgeführt. Die Übungen könnten durch Python-Code ergänzt werden. Zusätzlich werden Aufgabenstellungen definiert, dies dient der Festigung des in dem jeweiligen Kapitel gelernten. Spezielle Anwendungen sollen ebenfalls dargestellt werden. Die Zielgruppe sind hauptsächlich Studierende, welche sich in dieses Themengebiet einarbeiten möchten. Ingenieure können allerdings ebenfalls von diesem Fachbuch profitieren, da ein großer Schwerpunkt bei der Anwendung von ML liegt. Besonders die Verwendung in interdisziplinären Fachrichtungen wie der Regelungstechnik, Bildverarbeitung und der Chemie werden aufgezeigt.

Zielgruppe

Upper undergraduate

Autoren/Hrsg.

Botsch, Benny

Fachgebiete

• Mathematik | Informatik EDV | Informatik Programmierung | Softwareentwicklung Programmier- und Skriptsprachen
• Mathematik | Informatik EDV | Informatik Informatik Künstliche Intelligenz Maschinelles Lernen

Inhaltsverzeichnis

1. Einleitung
2. Lineare Algebra
3. Wahrscheinlichkeit und Verteilungen
4. Grundlagen der Optimierung
5. Maschinelles Lernen
6. K-Nearest-Neighbor
7. Support Vector Machine
8. Entscheidungsbäume
9. Neuronale Netze
10. Bestärkendes Lernen
11. Anwendungen
12. Regelungstechnik
13. Bildverarbeitung
14. Chemie
15. Physik

Über Autor(innen)

Mein Name ist Benny Botsch und studierte Maschinenbau an der Technischen Universität in Berlin. Ich arbeite seit einigen Jahren als wissenschaftlicher Mitarbeiter bei der Gesellschaft zur Förderung angewandter Informatik e.V. (GFaI e.V.) im Bereich der Bildverarbeitung / Industrielle Anwendungen. Dabei entwickle ich Software zur Auswertung von 2D-Materialbildern durch klassische Bildverarbeitung (Objekterkennung, Kantenerkennung), aber auch durch neuronale Netze, um Materialkennwerte zu ermitteln.