Wilmott Grundkurs Machine Learning

1. Auflage 2020
ISBN: 978-3-8362-7600-9
Verlag: Rheinwerk
Format: PDF
Kopierschutz: 0 - No protection

E-Book, Deutsch, 256 Seiten

Reihe: Rheinwerk Computing

Maschinelles Lernen - alle Grundlagen! Paul Wilmott ist für seine erhellende und unterhaltsame Darstellung angewandter Mathematik bekannt. Von der linearen Regression bis zu Neuronalen Netzwerken führt er Sie durch alle Verfahren, und zwar komplett Software-unabhängig. Der Vorteil dabei: Jeder Schritt ist schwarz auf weiß zu sehen, kein Framework kann etwas 'verstecken', es geht immer um die Sache selbst. Mit vielen Beispielen, Grafiken und Schritt-für-Schritt-Kästen. Für alle, die wirklich verstehen wollen, wie Maschinen lernen.

Aus dem Inhalt:

• Lineare Regression
• k-Nearest Neighbors
• Naive Bayes-Klassifikatoren
• k-Means-Algorithmus
• Support Vector Machines
• Logistische Regression
• Selbstorganisierende Karten
• Entscheidungsbäume
• Reinforcement Learning
• Neuronale Netze

Autoren/Hrsg.

Wilmott, Paul

Inhaltsverzeichnis

Vorwort ... 13  1.  Einführung ... 17  1.1 ... Maschinelles Lernen ... 18  1.2 ... Lernen ist der Schlüssel ... 19  1.3 ... Ein wenig Geschichte ... 20  1.4 ... Schlüsselmethodiken in diesem Buch ... 22  1.5 ... Klassische mathematische Modellierung ... 26  1.6 ... Maschinelles Lernen ist anders ... 28  1.7 ... Einfachheit führt zu Komplexität ... 29  1.8 ... Weiterführende Literatur ... 33  2.  Allgemeines ... 35  2.1 ... Jargon und Notation ... 35  2.2 ... Skalierung ... 37  2.3 ... Distanzmessung ... 38  2.4 ... Fluch der Dimensionalität ... 39  2.5 ... Hauptkomponentenanalyse ... 39  2.6 ... Maximum-Likelihood-Schätzung ... 40  2.7 ... Konfusionsmatrix ... 44  2.8 ... Kostenfunktion ... 47  2.9 ... Gradientenabstieg ... 52  2.10 ... Training, Testen und Validieren ... 54  2.11 ... Bias und Varianz ... 57  2.12 ... Lagrange-Multiplikatoren ... 63  2.13 ... Mehrfachklassen ... 65  2.14 ... Informationstheorie und Entropie ... 67  2.15 ... Verarbeitung natürlicher Sprache (NLP) ... 70  2.16 ... Bayes-Theorem ... 72  2.17 ... Was nun? ... 73  2.18 ... Weiterführende Literatur ... 74  3.  K-nächste Nachbarn ... 75  3.1 ... Wofür können wir die Methode verwenden? ... 75  3.2 ... Wie die Methode funktioniert ... 76  3.3 ... Der Algorithmus ... 78  3.4 ... Probleme mit KNN ... 78  3.5 ... Beispiel: Körpergröße und -gewicht ... 79  3.6 ... Regression ... 83  3.7 ... Weiterführende Literatur ... 85  4.  K-Means Clustering ... 87  4.1 ... Wofür können wir die Methode verwenden? ... 87  4.2 ... Was macht K-Means Clustering? ... 89  4.3 ... Scree-Plots ... 93  4.4 ... Beispiel: Kriminalität in England, 13 Dimensionen ... 94  4.5 ... Beispiel: Volatiliät ... 98  4.6 ... Beispiel: Zinssatz und Inflation ... 100  4.7 ... Beispiel: Zinssätze, Inflation und BIP-Wachstum ... 103  4.8 ... Ein paar Kommentare ... 104  4.9 ... Weiterführende Literatur ... 105  5.  Naiver Bayes-Klassifikator ... 107  5.1 ... Wofür können wir ihn verwenden? ... 107  5.2 ... Verwendung des Bayes-Theorems ... 108  5.3 ... Anwendung des NBK ... 108  5.4 ... In Symbolen ... 110  5.5 ... Beispiel: Politische Reden ... 111  5.6 ... Weiterführende Literatur ... 114  6.  Regressionsmethoden ... 115  6.1 ... Wofür können wir sie verwenden? ... 115  6.2 ... Mehrdimensionale lineare Regression ... 116  6.3 ... Logistische Regression ... 117  6.4 ... Beispiel: Noch einmal politische Reden ... 119  6.5 ... Weitere Regressionsmethoden ... 121  6.6 ... Weiterführende Literatur ... 122  7.  Support-Vektor-Maschinen ... 123  7.1 ... Wofür können wir sie verwenden? ... 123  7.2 ... Harte Ränder ... 123  7.3 ... Beispiel: Iris (Schwertlilie) ... 126  7.4 ... Lagrange-Multiplier-Version ... 128  7.5 ... Weiche Ränder ... 130  7.6 ... Kernel-Trick ... 132  7.7 ... Weiterführende Literatur ... 136  8.  Selbstorganisierende Karten ... 137  8.1 ... Wofür können wir sie verwenden? ... 137  8.2 ... Die Methode ... 138  8.3 ... Der Lernalgorithmus ... 140  8.4 ... Beispiel: Gruppierung von Aktien ... 142  8.5 ... Beispiel: Abstimmungen im Unterhaus ... 147  8.6 ... Weiterführende Literatur ... 149  9.  Entscheidungsbäume ... 151  9.1 ... Wofür können wir sie verwenden? ... 151  9.2 ... Beispiel: Zeitschriftenabo ... 153  9.3 ... Entropie ... 158  9.4 ... Überanpassung und Abbruchregeln ... 161  9.5 ... Zuschneiden ... 162  9.6 ... Numerische Merkmale/Attribute ... 162  9.7 ... Regression ... 164  9.8 ... Ausblick ... 171  9.9 ... Bagging und Random Forest ... 171  9.10 ... Weiterführende Literatur ... 172

10.  Neuronale Netze ... 173  10.1 ... Wofür können wir sie verwenden? ... 173  10.2 ... Ein sehr einfaches Netzwerk ... 173  10.3 ... Universelles Approximations-Theorem ... 174  10.4 ... Ein noch einfacheres Netzwerk ... 176  10.5 ... Die mathematische Manipulation im Detail ... 177  10.6 ... Häufige Aktivierungsfunktionen ... 181  10.7 ... Das Ziel ... 182  10.8 ... Beispiel: Approximation einer Funktion ... 183  10.9 ... Kostenfunktion ... 184  10.10 ... Backpropagation ... 185  10.11 ... Beispiel: Buchstabenerkennung ... 188  10.12 ... Training und Testen ... 190  10.13 ... Mehr Architekturen ... 194  10.14 ... Deep Learning ... 196  10.15 ... Weiterführende Literatur ... 197

11.  Verstärkendes Lernen ... 199  11.1 ... Wofür können wir es verwenden? ... 199  11.2 ... Geländeausfahrt mit Ihrem Lamborghini 400 GT ... 200  11.3 ... Jargon ... 202  11.4 ... Ein erster Blick auf Blackjack ... 203  11.5 ... Der klassische Markow-Entscheidungsprozess für Tic-Tac-Toe ... 204  11.6 ... Noch mehr Jargon ... 206  11.7 ... Beispiel: Der mehrarmige Bandit ... 207  11.8 ... Etwas anspruchsvoller 1: Bekannte Umgebung ... 211  11.9 ... Beispiel: Ein Labyrinth ... 214  11.10 ... Notation zu Wertefunktionen ... 218  11.11 ... Die Bellman-Gleichung ... 220  11.12 ... Optimale Policy ... 221  11.13 ... Die Bedeutung der Wahrscheinlichkeit ... 222  11.14 ... Etwas anspruchsvoller 2: Modell-frei ... 223  11.15 ... Monte Carlo Policy Evaluation ... 224  11.16 ... Temporal-Difference-Lernen ... 227  11.17 ... Vor- und Nachteile: MC versus TD ... 228  11.18 ... Finden der optimalen Policy ... 229  11.19 ... Sarsa ... 230  11.20 ... Q-Lernen ... 232  11.21 ... Beispiel: Blackjack ... 233  11.22 ... Große Zustandsräume ... 245  11.23 ... Weiterführende Literatur ... 245  Datensätze ... 247  Epilog ... 251  Index ... 253