Machine Learning und Neuronale Netze
Der verständliche Einstieg mit Python
Philipp Grunert
Diese Publikation zitieren
Philipp Grunert, Machine Learning und Neuronale Netze (2021), BMU Verlag, Landshut, ISBN: 9783966450720
6304
Accesses
Accesses
176
Quotes
Quotes
Beschreibung / Abstract
Dieses Buch richtet sich sowohl an Softwareentwickler als auch Programmiereinsteiger und bietet eine fundierte Einführung in Machine Learning und Neuronale Netze
†¢ Alle notwendigen Grundlagen werden erklärt: Mathematisches Hintergrundwissen, Vorhersagemodelle, Programmiergrundlagen in Python
†¢ Fundierte Erklärungen zu ML und Neuronalen Netzen anhand vieler Beispiele
†¢ Zahlreiche Übungsaufgaben helfen das Erlernte zu festigen und selbst anzuwenden
†¢ Zielgruppe: Softwareentwickler, Programmierer, Mathematiker
†¢ Platzierung: Softwareentwicklung/Programmierung, Künstliche Intelligenz
†¢ Alle notwendigen Grundlagen werden erklärt: Mathematisches Hintergrundwissen, Vorhersagemodelle, Programmiergrundlagen in Python
†¢ Fundierte Erklärungen zu ML und Neuronalen Netzen anhand vieler Beispiele
†¢ Zahlreiche Übungsaufgaben helfen das Erlernte zu festigen und selbst anzuwenden
†¢ Zielgruppe: Softwareentwickler, Programmierer, Mathematiker
†¢ Platzierung: Softwareentwicklung/Programmierung, Künstliche Intelligenz
Inhaltsverzeichnis
- Machine Learning und Neuronale Netze
- Inhaltsverzeichnis
- 1. Einführung in Machine Learning und Data Science
- 1.1 Was ist Machine Learning und wofür wird es angewendet?
- 1.2 Was ist Deep Learning?
- 1.3 Ansätze im Machine Learning
- 1.4 Vorgehensmodell in der Data Science
- 1.5 Data-Science-Programme
- 1.6 Definitionen im Machine Learning
- 1.7 Übungen
- Downloadhinweis
- 2. Einführung in Python
- 2.1 Installation mittels Anaconda
- 2.2 Basics: Datentypen, Schleifen, Funktionen
- 2.3 Mehrdimensionale Arrays mit NumPy
- 2.4 Daten einlesen und Arbeiten mit DataFrames in Pandas
- 2.5 Visualisierungen
- Downloadhinweis
- 3. Mathematische Grundlagen von Data Science
- 3.1 Lineare Algebra
- 3.2 Numerische Methoden
- 3.3 Stochastik
- 3.4 Übungen
- Downloadhinweis
- 4. Datenaufbereitung
- 4.1 Outlier Detection (Ermittlung von Ausreißern)
- 4.2 Variablenauswahl
- 4.3 Dummy Encoding
- 4.4 Standardisierung
- 4.5 Übungen
- Downloadhinweis
- 5. Data Science mit SciPy
- 5.1 Beschreibende Statistik
- 5.2 Parametrische Tests
- 5.3 Nichtparametrische Tests
- 5.4 ANOVA
- 5.5 Übungen
- Downloadhinweis
- 6. Regressionsmodelle
- 6.1 Einführung in die Regression
- 6.2 Einfache Lineare Regression mit Scikit-learn
- 6.3 Polynomiales Regressionsmodell
- 6.4 Multiple Lineare Regression
- 6.5 Annahmen bzw. Bedingungen der Regressionsanalyse
- 6.6 Regression mit Statsmodels
- 6.7 Ridge Regression
- 6.8 Bayes†™sche Regression
- 6.9 Übungen
- Downloadhinweis
- 7. Logistische Regression
- 7.1 Einführung zur logistischen Regression
- 7.2 Lineare Entscheidungsgrenzen
- 7.3 Regularisierung
- 7.4 Übungen
- Downloadhinweis
- 8. Baumverfahren
- 8.1 Einführung Entscheidungsbäume
- 8.2 Klassifikationsbäume
- 8.3 Regressionsbäume
- 8.4 Aufteilungsregeln
- 8.5 Random Forests
- 8.6 Bagging- und Boosting-Baumverfahren
- 8.7 Übungen
- Downloadhinweis
- 9. Support Vector Machine (SVM)
- 9.1 SVM-Klassifizierung
- 9.2 SVM-Regression (SVR)
- 9.3 Tuning-Parameter
- 9.4 Übungen
- Downloadhinweis
- 10. Weitere Machine Learning-Modelle
- 10.1 k-Nearest-Neighbour
- 10.2 Naive Bayes
- 10.3 Übungen
- Downloadhinweis
- 11. Unsupervised Learning
- 11.1 Clusteranalyse zur Segmentbildung
- 11.2 Hauptkomponentenanalyse zur Dimensionsreduktion
- 11.3 Übungen
- 12. Aufbau eines Data Science-Modells
- 12.1 Über- und Unteranpassung
- 12.2 Bewertung eines Modells
- 12.3 Feature Wichtigkeit (Feature Importance)
- 12.4 Kreuzvalidierung
- 12.5 Ensemble-Ansätze in Python
- 12.6 Grid-Search
- 12.7 Übungen
- Downloadhinweis
- 13. Deep Learning mit TensorFlow 2 und Keras
- 13.1 Grundlagen des Deep Learnings
- 13.2 Was ist ein neuronales Netz
- 13.3 Grundkonzepte neuronaler Netze
- 13.4 Einführung in TensorFlow
- 13.5 Verschiedene Netztypen
- 13.6 Lernstrategien
- 13.7 Convolutional neuronale Netzwerke (CNNs)
- 13.8 Rekurrente neuronale Netzwerke (RNNs)
- 13.9 Restricted Boltzmann Machine
- 13.10 Generatives Deep Learning
- 13.11 Generative Adversarial Networks (GANs
- 13.12 Übungen
- Downloadhinweis
- 14. End-to-end-Beispiel
- Downloadhinweis
- 15. Zusammenfassung und Ausblick
- Downloadhinweis
- 16. Literaturverzeichnis
- 17. Glossar
- Index