Оглавление
Oliver Zeigermann. Machine Learning – kurz & gut
Machine Learning kurz & gut
Inhalt
KAPITEL 1. Einführung
Wie du dieses Buch lesen kannst
Arten von Machine Learning – ein Überblick
Supervised Learning
Klassifikation und Regression
Unsupervised Learning
Clustering
Vereinfachung von Daten – Reduktion von Dimensionen
Reinforcement Learning
Visualisierung
KAPITEL 2. Quick-Start
Unser erstes Python-Notebook
Unser Beispiel: Irisblüten
Wir bringen dem Computer bei, Irisblüten zu unterscheiden
Nearest Neighbors
Nearest Neighbors Classification
Overfitting
Underfitting
Eine bessere Feature-Auswahl
Weiterführende Links
KAPITEL 3. Datenimport und -vorbereitung
Datenimport
Das vorbereitete Projekt
Preprocessing
Fehlende Werte
Dubletten
Zeichendreher/Tippfehler
Uneinheitliche Einheiten
Unplausible Daten (Ausreißer)
Weiterführende Links
KAPITEL 4. Supervised Learning
Lineare Regression
Loss-Funktion
Ordinary Least Square
Stochastic Gradient Descent
Logistische Regression
Logistische Regression der Irisdaten
Support Vector Machine
Nicht-lineare SVM
Decision-Tree-Klassifikator
Split-Kriterium: Gini Impurity vs. Entropie
Random-Forest-Klassifikator
Boosted Decision Trees
Weiterführende Links
KAPITEL 5. Feature-Auswahl
Reduzierung der Features
Fluch der hohen Dimensionen
Overfitting und Underfitting
Auswahl der Features
Feature Exploration
Varianz und Korrelation
Principal-Component-Analyse
Feature-Selektion
Selektion nach Varianz
Selektion nach Tree-Modellen
Rekursive Eliminierung nach Modellen
Weiterführende Links
KAPITEL 6. Modellvalidierung
Metrik für Klassifikation
Accuracy
Confusion Matrix
Precision-Recall
Receiver-Operating-Characteristic-(ROC-)Kurve
Metrik für Regression
Evaluierung
Validierung
Cross-Validation
Hyperparameter-Suche
Grid-Suche
Zufallssuche
Weiterführende Links
KAPITEL 7. Neuronale Netze und Deep Learning
Iris mit neuronalen Netzen
Das künstliche Neuron
Die Aktivierungsfunktion
Was kann man mit einem künstlichen Neuron machen?
Feed Forward Networks
Das vollständige Modell
Training
Bewertung
Deep Neural Networks
Anwendungsbeispiel: Erkennung von Verkehrsschildern
Architektur
Input-Schicht
Convolutional Layer
Sub-Sampling durch Max Pooling
Steigende Anzahl von Feature-Channels
Training
Optimierungsalgorithmen
Categorical Crossentropy
Ein minimales Modell
Dropout
Bewertung
Data Augmentation
Neuere Ansätze im Bereich CNN
Weiterführende Links
KAPITEL 8. Unsupervised Learning mit Autoencodern
Das Szenario: Visuelle Regressionstests mit Autoencodern – eingeschlichene Fehler erkennen
Die Idee von Autoencodern
Aufbau unseres Autoencoders
Training und Ergebnisse
Was passiert im Autoencoder?
Fazit
Weiterführende Links
KAPITEL 9. Deep Reinforcement Learning
Grundkonzepte und Terminologie
Verhalten in Training und Spiel
Ein Beispiel: der hungrige Bär
Optimierung als Herausforderung
Technische Modellierung als OpenAI Environment
Training mit PPO
Training als Supervised-Deep-Learning-Problemstellung formulieren
Der Policy-Loss
Actor-Critic über das Value Network
Sample-Effizienz und katastrophale Updates
Exploration vs. Exploitation
Fazit
Weiterführende Links
Index
Fußnoten. 7 Neuronale Netze und Deep Learning
