Жанры Авторы Контакты О сайте

Книжные новинки Популярные книги

Главная Авторы Aurélien Géron Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow

Читать книгу Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow - Aurélien Géron - Страница 1

Оглавление

Предыдущая Следующая

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 ...187

Оглавление

Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow

Купить и скачать книгу Вернуться на страницу книги Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow

Оглавление

Страница 1Страница 2Страница 3Страница 4 Inhalt Vorwort Der Machine-Learning-Tsunami Machine Learning in Ihren Projekten Ziel und Ansatz Voraussetzungen Wegweiser durch dieses Buch Änderungen in der zweiten Auflage Ressourcen im Netz In diesem Buch verwendete Konventionen Codebeispiele Verwenden von Codebeispielen Danksagungen Страница 17 KAPITEL 1 Die Machine-Learning-Umgebung Was ist Machine Learning? Warum wird Machine Learning verwendet? Anwendungsbeispiel Unterschiedliche Machine-Learning-Systeme Überwachtes/unüberwachtes Lernen Überwachtes Lernen Unüberwachtes Lernen Halbüberwachtes Lernen Reinforcement Learning Batch- und Online-Learning Batch-Learning Online-Learning Instanzbasiertes versus modellbasiertes Lernen Instanzbasiertes Lernen Modellbasiertes Lernen Formel 1-1: Ein einfaches lineares Modell Beispiel 1-1: Trainieren und Ausführen eines linearen Modells mit Scikit-Learn Die wichtigsten Herausforderungen beim Machine Learning Unzureichende Menge an Trainingsdaten Die unverschämte Effektivität von Daten Nicht repräsentative Trainingsdaten Beispiele für Stichprobenverzerrungen Minderwertige Daten Irrelevante Merkmale Overfitting der Trainingsdaten Underfitting der Trainingsdaten Zusammenfassung Testen und Validieren Hyperparameter anpassen und Modellauswahl Datendiskrepanz Das No-Free-Lunch-Theorem Übungen KAPITEL 2 Ein Machine-Learning-Projekt von A bis Z Der Umgang mit realen Daten Betrachte das Gesamtbild Die Aufgabe abstecken Pipelines Wähle ein Qualitätsmaß aus Formel 2-1: Wurzel der mittleren quadratischen Abweichung (RMSE) Schreibweisen Formel 2-2: mittlerer absoluter Fehler Überprüfe die Annahmen Beschaffe die Daten Erstelle eine Arbeitsumgebung Erstellen einer isolierten Umgebung Die Daten herunterladen Wirf einen kurzen Blick auf die Datenstruktur Erstelle einen Testdatensatz Erkunde und visualisiere die Daten, um Erkenntnisse zu gewinnen Visualisieren geografischer Daten Suche nach Korrelationen Experimentieren mit Kombinationen von Merkmalen Bereite die Daten für Machine-Learning-Algorithmen vor Aufbereiten der Daten Das Design von Scikit-Learn Bearbeiten von Text und kategorischen Merkmalen Eigene Transformer Skalieren von Merkmalen Pipelines zur Transformation Wähle ein Modell aus und trainiere es Trainieren und Auswerten auf dem Trainingsdatensatz Bessere Auswertung mittels Kreuzvalidierung Optimiere das Modell Gittersuche Zufällige Suche Ensemble-Methoden Analysiere die besten Modelle und ihre Fehler Evaluiere das System auf dem Testdatensatz Nimm das System in Betrieb, überwache und warte es Probieren Sie es aus! Übungen KAPITEL 3 Klassifikation MNIST Trainieren eines binären Klassifikators Qualitätsmaße Messen der Genauigkeit über Kreuzvalidierung Implementierung der Kreuzvalidierung Konfusionsmatrix Formel 3-1: Relevanz Formel 3-2: Sensitivität Relevanz und Sensitivität Formel 3-3: F₁ Die Wechselbeziehung zwischen Relevanz und Sensitivität Die ROC-Kurve Klassifikatoren mit mehreren Kategorien Fehleranalyse Klassifikation mit mehreren Labels Klassifikation mit mehreren Ausgaben Übungen KAPITEL 4 Trainieren von Modellen Lineare Regression Formel 4-1: Lineares Regressionsmodell zur Vorhersage Formel 4-2: Lineares Regressionsmodell zur Vorhersage (Vektorschreibweise) Formel 4-3: MSE-basierte Kostenfunktion für ein lineares Regressionsmodell Die Normalengleichung Formel 4-4: Normalengleichung Komplexität der Berechnung Das Gradientenverfahren Batch-Gradientenverfahren Formel 4-5: Partielle Ableitung der Kostenfunktion Formel 4-6: Gradientenvektor der Kostenfunktion Formel 4-7: Schritt im Gradientenverfahren Konvergenzrate Stochastisches Gradientenverfahren Mini-Batch-Gradientenverfahren Polynomielle Regression Lernkurven Das Gleichgewicht zwischen Bias und Varianz Regularisierte lineare Modelle Ridge-Regression Formel 4-8: Kostenfunktion bei der Ridge-Regression Formel 4-9: Lösung der geschlossenen Form bei der Ridge-Regression Lasso-Regression Formel 4-10: Kostenfunktion bei der Lasso-Regression Formel 4-11: Subgradientenvektor für die Lasso-Regression Elastic Net Formel 4-12: Kostenfunktion von Elastic Net Early Stopping Logistische Regression Abschätzen von Wahrscheinlichkeiten Formel 4-13: Geschätzte Wahrscheinlichkeit bei einem logistischen Regressionsmodell (Vektorschreibweise) Formel 4-14: Logistische Funktion Formel 4-15: Vorhersage eines logistischen Regressionsmodells Trainieren und Kostenfunktion Formel 4-16: Kostenfunktion eines einzelnen Trainingsdatenpunkts Formel 4-17: Kostenfunktion bei der logistischen Regression (Log Loss) Formel 4-18: Partielle Ableitungen der logistischen Kostenfunktion Entscheidungsgrenzen Softmax-Regression Formel 4-19: Softmax-Score für Kategorie k Formel 4-20: Softmax-Funktion Formel 4-21: Vorhersage eines Klassifikators mit Softmax-Regression Formel 4-22: Die Kreuzentropie als Kostenfunktion Kreuzentropie Formel 4-23: Gradientenvektor der Kreuzentropie für Kategorie k Übungen KAPITEL 5 Support Vector Machines Lineare Klassifikation mit SVMs Soft-Margin-Klassifikation Nichtlineare SVM-Klassifikation Polynomieller Kernel Ähnlichkeitsbasierte Merkmale Formel 5-1: Gaußsche RBF Der gaußsche RBF-Kernel Komplexität der Berechnung SVM-Regression Hinter den Kulissen Entscheidungsfunktion und Vorhersagen Formel 5-2: Vorhersage eines linearen SVM-Klassifikators Zielfunktionen beim Trainieren Formel 5-3: Zielfunktion eines linearen SVM-Klassifikators mit Hard-Margin Formel 5-4: Zielfunktion eines linearen SVM-Klassifikators mit Soft-Margin Quadratische Programme Formel 5-5: Formulierung quadratischer Programme Das duale Problem Formel 5-6: Duale Form der Zielfunktion einer linearen SVM Formel 5-7: Von der dualen Lösung zur primalen Lösung Kernel-SVM Formel 5-8: Polynomielle Zuordnung 2. Grades Formel 5-9: Kerneltrick bei einer polynomiellen Zuordnung 2. Grades Formel 5-10: Gebräuchliche Kernels Mercers Theorem Formel 5-11: Vorhersagen mit einer Kernel-SVM treffen Formel 5-12: Berechnen des Bias-Terms mithilfe des Kerneltricks Online-SVMs Formel 5-13: Kostenfunktion eines linearen SVM-Klassifikators Hinge Loss Übungen {buyButton}

Подняться наверх

Популярные жанры Детективы Классика Искусство Психология Наука и образование Фантастика Фэнтези

Книжные новинки Популярные книги Жанры Авторы Контакты О сайте

© КнигаЛит.ру 2015 - 2024. Рейтинг книг, рецензии и отзывы о бумажных и электронных книгах, сравнение цен на книги в магазинах.

На нашем сайте вы можете скачать бесплатно и читать бесплатно онлайн фрагмент интересующего вас произведения, заказать и купить бумажную книгу с доставкой в книжных интернет-магазинах, или электронную книгу в одном из популярных форматов для чтения на ридере, мобильном устройстве и ПК. Подробнее о сайте.