Maschinelles Lernen für Dummies

Maschinelles Lernen ist eines der wichtigsten Teilgebiete der künstlichen Intelligenz und das Verstehen und Entwickeln von passenden Algorithmen bleibt die große Herausforderung. Dieses Buch bietet einen außergewöhnlich umfassenden Überblick über die neuesten Algorithmen und die bereits bewährten Verfahren. Jörn Fischer beschreibt nicht nur deren Funktionsweise, sondern gibt für alle Bereiche verständliche Beispiele, die detailliert beschrieben und leicht nachvollziehbar sind. Außerdem werden hilfreiche Methoden zur Fehlersuche und -beseitigung an die Hand gegeben.

Autorentext
Jörn Fischer lehrt und forscht als Professor der Informatik an der Hochschule Mannheim. Sein Interesse für neuronale Netze und maschinelles Lernen geht zurück bis in die frühen 1990-er Jahre. Seit 2010 hält er Vorlesungen im Bereich maschinelles Lernen und begleitet die Umsetzung der Algorithmen in zahlreichen Projekten.

Klappentext

Algorithmen für künstliches Lernen verstehen Maschinelles Lernen ist eines der wichtigsten Teilgebiete der künstlichen Intelligenz und das Verstehen und Entwickeln von passenden Algorithmen bleibt die große Herausforderung. Dieses Buch bietet einen außergewöhnlich umfassenden Überblick über die neuesten Algorithmen und die bereits bewährten Verfahren. Jörn Fischer beschreibt nicht nur deren Funktionsweise, sondern gibt für alle Bereiche verständliche Beispiele, die detailliert beschrieben und leicht nachvollziehbar sind. Außerdem werden hilfreiche Methoden zur Fehlersuche und -beseitigung an die Hand gegeben. Sie erfahren

• Wie Sie mit Python und Frameworks starten
• Wie Sie Optimierung, Clustering und Klassifizierung umsetzen
• Wie generative Methoden und Reinforcement Learning funktionieren

• Wie neuronale Netze arbeiten und erklärbar werden

  Inhalt

  Einleitung 17

  Teil I: Einführung ins Maschinelle Lernen 23

  Kapitel 1: Die Welt der KI 25

  Kapitel 2: Ein kleiner Mathe-Exkurs 29

  Kapitel 3: Python-Grundlagen 55

  Kapitel 4: Das Wichtigste: die Daten 69

  Teil II: Grundlegende Optimierungs- und Lernalgorithmen 83

  Kapitel 5: Einfach besser werden 85

  Kapitel 6: Natürlich - künstliche Evolution 97

  Kapitel 7: Clustering 115

  Kapitel 8: Klassifikation 123

  Kapitel 9: Regression 145

  Teil III: Neuronale Netze 153

  Kapitel 10: Und was ist mit neuronalen Netzen? 155

  Kapitel 11: Tiefe Netze 193

  Kapitel 12: Generative Netze 219

  Kapitel 13: Rückgekoppelte Netze 237

  Kapitel 14: Neuronale Netze erklärbar 259

  Teil IV: Verstärkendes Lernen 271

  Kapitel 15: Reinforcement Learning 273

  Kapitel 16: Reinforcement Learning kombiniert 289

  Kapitel 17: Ein kleiner Blick in die Zukunft 305

  Teil V: Der Top-Ten-Teil 313

  Kapitel 18: Zehn Tipps, damit es funktioniert 315

  Kapitel 19: Zehn Kategorien für die Anwendung 319

  Literaturverzeichnis 327

  Abbildungsverzeichnis 329

  Stichwortverzeichnis 337