Maschinelles Lernen - Grundlagen und Algorithmen in Python

Inhalt

1 Einleitung

2 Maschinelles Lernen – Überblick und Abgrenzung

2.1 Lernen, was bedeutetet das eigentlich?

2.2 Künstliche Intelligenz, Data Mining und Knowledge Discovery in Databases

2.3 Strukturierte und unstrukturierte Daten in Big und Small

2.4 Überwachtes, unüberwachtes und bestärkendes Lernen

2.4.1 Überwachtes Lernen

2.4.2 Bestärkendes Lernen

2.4.3 Unüberwachtes Lernen

2.5 Werkzeuge und Ressourcen

2.6 Anforderungen und Datenschutz impraktischen Einsatz

3 Python, NumPy, SciPy und Matplotlib – in a nutshell

3.1 Installation mittels Anaconda und dieSpyder-IDE

3.2 Python Grundlagen

3.3 Matrizen und Arrays in NumPy

3.3.1 Grundlegendes und Typen

3.3.2 Arrays erzeugen und manipulieren

3.4 Interpolation und Extrapolation vonFunktionen mit SciPy

3.5 Daten aus Textdateien laden undspeichern

3.6 Visualisieren mit der Matplotlib

3.7 Performance-Probleme undVektorisierung

4 Statistische Grundlagen und Bayes-Klassifikator

4.1 Einige Grundbegriffe der Statistik

4.2 Satz von Bayes und Skalenniveaus

4.2.1 Satz von Bayes

4.2.2 Skalenniveau

4.3 Bayes-Klassifikator, Verteilungen und Unabhängigkeit

4.3.1 Stochastische Unabhängigkeit

4.3.2 Bayes-Klassifikator für nominale Merkmale

4.3.3 Bayes-Klassifikator für Kardinalskalen

5 Lineare Modelle und Lazy Learning

5.1 Vektorräume, Metriken und Normen

5.1.1 Vektorräume, Erzeugendensysteme und Basen

5.1.2 Metriken und Normen

5.1.3 Untervektorräume und Projektionen

5.2 Methode der kleinsten Quadrate zur Regression

5.3 Der Fluch der Dimensionalität

5.4 k-Nearest-Neighbor-Algorithmus

6 Entscheidungsbäume

6.1 Bäume als Datenstruktur

6.2 Klassifikationsbäume für nominale Merkmale mit dem ID3-Algorithmus

6.3 Klassifikations- und Regressionsbäume für quantitative Merkmale

6.3.1 Klassifikation

6.3.2 Regression

6.3.3 Komplexität, Parallelisierbarkeit und Laufzeitoptimierung

6.4 Overfitting und Pruning

6.5 Random Forest

7 Ein- und mehrschichtige Feedforward-Netze

7.1 Einlagiges Perzepton und Hebbsche Lernregel

7.2 Multilayer Perceptron und Gradientenverfahren

7.3 Auslegung, Lernsteuerung undOverfitting

8 Deep Neural Networks mit Keras

8.1 Deep Multilayer Perceptron und Regularisierung

8.1.1 Ein kurzer Einstieg in Keras

8.1.2 L1- und L2-Regularisierung

8.1.3 Dropout-Strategie und Software-Patente

8.1.4 Bilderkennung am Beispiel von Ziffern

8.2 Ein Einstieg in Convolutional Neural Networks

8.2.1 Faltungen angewendet auf Bildern

8.2.2 Aufbau eines Convolutional Neural Networks und Pooling

8.2.3 Softmax und Cross-Entropy-Error

8.2.4 Bilderkennung am Beispiel des CIFAR-10 Data Sets

8.2.5 Verwendung vortrainierter Netze und Data Augmentation

9 Feature-Reduktion und -Auswahl

9.1 Allgemeine Aufbereitung von Daten

9.1.1 Normierung und Standardisierung

9.1.2 Imputation fehlender Daten

9.2 Featureauswahl

9.2.1 Kovarianz und Korrelationskoeffizient

9.2.2 Sequenzielle Auswahl von Merkmalen

9.3 Hauptkomponentenanalyse (PCA)

9.3.1 Mathematische Herleitung und Motivation

9.3.2 Praktische Umsetzung in Python

9.4 Autoencoder mit Keras

10 Support Vector Machines

10.1 Optimale Separation

10.2 Soft-Margin für nicht-linearseparierbare Klassen

10.3 Kernel Ansätze

10.4 SVM in scikit-learn

11 Clustering-Verfahren

11.1 k-Means und k-Means++

11.2 Fuzzy-C-Means

11.3 Dichte-basierte Cluster-Analyse mit DBSCAN

11.4 Hierarchische Clusteranalyse

12 Bestärkendes Lernen

12.1 Software-Agenten und ihre Umgebung

12.2 Markow-Entscheidungsproblem

12.3 Q-Learning

12.4 Der SARSA Algorithmus

12.5 Unvollständige Informationen und Softmax

12.6 Q-Learning mittels Funktionsapproximation

12.6.1 Eine kontinuierliche virtuelle Umgebung zum Lernen

12.6.2 Growing Batch Reinforcement Learning

12.7 Ausblick auf Multi-Agenten- und hierarchische Szenarien

Literatur

Index