Inhaltsverzeichnis

Alle Kapitel aufklappen
Alle Kapitel zuklappen
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