Читать книгу Machine Learning – kurz & gut - Oliver Zeigermann - Страница 5

1Einführung

Wie du dieses Buch lesen kannst

Arten von Machine Learning – ein Überblick

2Quick-Start

Unser erstes Python-Notebook

Unser Beispiel: Irisblüten

Wir bringen dem Computer bei, Irisblüten zu unterscheiden

Nearest Neighbors Classification

Overfitting

Underfitting

Eine bessere Feature-Auswahl

Weiterführende Links

3Datenimport und -vorbereitung

Datenimport

Das vorbereitete Projekt

Preprocessing

Weiterführende Links

4Supervised Learning

Lineare Regression

Logistische Regression

Support Vector Machine

Decision-Tree-Klassifikator

Random-Forest-Klassifikator

Boosted Decision Trees

Weiterführende Links

5Feature-Auswahl

Reduzierung der Features

Auswahl der Features

Principal-Component-Analyse

Feature-Selektion

Weiterführende Links

6Modellvalidierung

Metrik für Klassifikation

Metrik für Regression

Evaluierung

Hyperparameter-Suche

Weiterführende Links

7Neuronale Netze und Deep Learning

Iris mit neuronalen Netzen

Feed Forward Networks

Deep Neural Networks

Anwendungsbeispiel: Erkennung von Verkehrsschildern

Data Augmentation

Neuere Ansätze im Bereich CNN

Weiterführende Links

8Unsupervised 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

9Deep Reinforcement Learning

Grundkonzepte und Terminologie

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