Frochte Maschinelles Lernen

Grundlagen und Algorithmen in Python
3. überarbeitete und erweiterte Auflage 2020
ISBN: 978-3-446-46355-4
Verlag: Carl Hanser
Format: PDF
Kopierschutz: 1 - PDF Watermark

E-Book, Deutsch, 616 Seiten

Maschinelles Lernen ist ein interdisziplinäres Fach, das die Bereiche Informatik, Mathematik und das jeweilige Anwendungsgebiet zusammenführt. In diesem Buch werden alle drei Teilgebiete gleichermaßen berücksichtigt:
- Algorithmen des maschinellen Lernens verwenden und verstehen, wie und warum sie funktionieren.
- Kickstart zur Verwendung von Python 3 und seinem Ökosystem im Umfeld des maschinellen Lernens.
- Verschiedene Methoden des überwachten, unüberwachten und bestärkenden Lernens, u.a. Random Forest, DBSCAN und Q-Learning.
Die Algorithmen werden zum besseren Verständnis und praktischen Einsatz anschaulich mittels NumPy und SciPy umgesetzt. Für die Support Vector Machines und das Deep Learning wird auf scikit-learn bzw. Keras zurückgegriffen.
Die dritte Auflage wurde für die Keras/Tensorflow-Version 2 sowie Python 3.7 überarbeitet, mehrere Kapitel insbesondere zum bestärkten Lernen wurde aktualisiert und folgende Themen wurden unter anderem neu aufgenommen:
- Deep Q-Learning
- Class Activation Maps und Grad-CAM
- Pandas-Integration und -Einführung
- OpenAI Gym integriert
Das Buch ist ideal für Studierende der Informatik, Mechatronik, Elektrotechnik und der angewandten Statistik/Data Science sowie für Ingenieure und Informatiker in der Praxis. Vorausgesetzt werden Kenntnisse in objektorientierter Programmierung und Basiswissen der Hochschulmathematik. Die nötige Mathematik wird eingebettet im Buch präsentiert und die Theorie direkt in Python-Code umgesetzt.

Prof. Dr. Jörg Frochte lehrt und forscht seit 2010 an der Hochschule Bochum. Als Professor für Angewandte Informatik und Mathematik hält er hier Vorlesungen in Mathematik, Simulation & Modellbildung und maschinellem Lernen.

Autoren/Hrsg.

Frochte, Jörg

Fachgebiete

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

Inhaltsverzeichnis

1;1 Einleitung;9
2;2 Maschinelles Lernen – Überblick und Abgrenzung;14
2.1;2.1 Lernen, was bedeutet das eigentlich?;14
2.2;2.2 Künstliche Intelligenz, Data Mining und Knowledge Discovery in Databases;15
2.3;2.3 Strukturierte und unstrukturierte Daten in Big und Small;18
2.4;2.4 Überwachtes, unüberwachtes und bestärkendes Lernen;21
2.5;2.5 Werkzeuge und Ressourcen;27
2.6;2.6 Anforderungen im praktischen Einsatz;28
3;3 Python, NumPy, SciPy und Matplotlib – in a nutshell;38
3.1;3.1 Installation mittels Anaconda und die Spyder-IDE;38
3.2;3.2 Python-Grundlagen;41
3.3;3.3 Matrizen und Arrays in NumPy;51
3.4;3.4 Interpolation und Extrapolation von Funktionen mit SciPy;63
3.5;3.5 Daten aus Textdateien laden und speichern;69
3.6;3.6 Visualisieren mit der Matplotlib;70
3.7;3.7 Performance-Probleme und Vektorisierung;74
4;4 Statistische Grundlagen und Bayes-Klassifikator;78
4.1;4.1 Einige Grundbegriffe der Statistik;78
4.2;4.2 Satz von Bayes und Skalenniveaus;80
4.3;4.3 Bayes-Klassifikator, Verteilungen und Unabhängigkeit;86
5;5 Lineare Modelle und Lazy Learning;100
5.1;5.1 Vektorräume, Metriken und Normen;100
5.2;5.2 Methode der kleinsten Quadrate zur Regression;114
5.3;5.3 Der Fluch der Dimensionalität;121
5.4;5.4 k-Nearest-Neighbor-Algorithmus;122
6;6 Entscheidungsbäume;129
6.1;6.1 Bäume als Datenstruktur;129
6.2;6.2 Klassifikationsbäume für nominale Merkmale mit dem ID3-Algorithmus;134
6.3;6.3 Klassifikations- und Regressionsbäume für quantitative Merkmale;148
6.4;6.4 Overfitting und Pruning;162
7;7 Ein- und mehrschichtige Feedforward-Netze;168
7.1;7.1 Einlagiges Perzeptron und Hebbsche Lernregel;169
7.2;7.2 Multilayer Perceptron und Gradientenverfahren;176
7.3;7.3 Klassifikation und One-Hot-Codierung;196
7.4;7.4 Auslegung, Lernsteuerung und Overfitting;198
8;8 Deep Neural Networks mit Keras;219
8.1;8.1 Sequential Model von Keras;220
8.2;8.2 Verschwindender Gradient und weitere Aktivierungsfunktionen;226
8.3;8.3 Initialisierung und Batch Normalization;229
8.4;8.4 Loss-Function und Optimierungsalgorithmen;238
8.5;8.5 Overfitting und Regularisierungstechniken;255
9;9 Feature-Engineering und Datenanalyse;264
9.1;9.1 Pandas in a Nutshell;264
9.2;9.2 Aufbereitung von Daten und Imputer;274
9.3;9.3 Featureauswahl;289
9.4;9.4 Hauptkomponentenanalyse (PCA);302
9.5;9.5 Autoencoder;313
9.6;9.6 Aleatorische und epistemische Unsicherheiten;319
9.7;9.7 Umgang mit unbalancierten Datenbeständen;325
10;10 Ensemble Learning mittels Bagging und Boosting;329
10.1;10.1 Bagging und Random Forest;329
10.2;10.2 Feature Importance mittels Random Forest;335
10.3;10.3 Gradient Boosting;342
11;11 Convolutional Neural Networks mit Keras;352
11.1;11.1 Grundlagen und eindimensionale Convolutional Neural Networks;353
11.2;11.2 Convolutional Neural Networks für Bilder;365
11.3;11.3 Data Augmentation und Flow-Verarbeitung;378
11.4;11.4 Class Activation Maps und Grad-CAM;383
11.5;11.5 Transfer Learning;393
11.6;11.6 Ausblicke Continual Learning und Object Detection;401
12;12 Support Vector Machines;405
12.1;12.1 Optimale Separation;405
12.2;12.2 Soft-Margin für nicht-linear separierbare Klassen;411
12.3;12.3 Kernel-Ansätze;412
12.4;12.4 SVM in scikit-learn;418
13;13 Clustering-Verfahren;425
13.1;13.1 k-Means und k-Means++;429
13.2;13.2 Fuzzy-C-Means;434
13.3;13.3 Dichte-basierte Cluster-Analyse mit DBSCAN;438
13.4;13.4 Hierarchische Clusteranalyse;445
13.5;13.5 Evaluierung von Clustern und Praxisbeispiel Clustern von Ländern;452
13.6;13.6 Schlecht gestellte Probleme und Clusterverfahren;469
14;14 Grundlagen des bestärkenden Lernens;481
14.1;14.1 Software-Agenten und ihre Umgebung;481
14.2;14.2 Markow-Entscheidungsproblem;484
14.3;14.3 Q-Learning;492
14.4;14.4 Unvollständige Informationen und Softmax;506
14.5;14.5 Der SARSA-Algorithmus;514
15;15 Fortgeschrittene Themen des bestärkenden Lernens;519
15.1;15.1 Experience Replay und Batch Reinforcement Learning;522
15.2;15.2 Q-Learning mit neuronalen Netzen;538
15.3;15.3 Double Q-Learning;545
15.4;15.4 Credit Assignment und Belohnungen in endlichen Spielen;552
15.5;15.5 Inverse Reinforcement Learning;559
15.6;15.6 Deep Q-Learning;561
15.7;15.7 Hierarchical Reinforcement Learning;577
15.8;15.8 Model-based Reinforcement Learning;582
15.9;15.9 Multi-Agenten-Szenarien;586
16;Literatur;591
17;Index;601

Über Autor(innen)

Frochte, Jörg
Prof. Dr. Jörg Frochte lehrt und forscht seit 2010 an der Hochschule Bochum. Als Professor für Angewandte Informatik und Mathematik hält er hier Vorlesungen in Mathematik, Simulation & Modellbildung und maschinellem Lernen.

Prof. Dr. Jörg Frochte lehrt und forscht seit 2010 an der Hochschule Bochum. Als Professor für Angewandte Informatik und Mathematik hält er hier u.a. Vorlesungen in Mathematik, Simulation und Modellbildung sowie maschinellem Lernen.