Sie sind hier
E-Book

Maschinelles Lernen mit Python und R für Dummies

AutorJohn Paul Mueller, Luca Massaron
VerlagWiley-VCH
Erscheinungsjahr2017
Seitenanzahl432 Seiten
ISBN9783527809011
FormatePUB
KopierschutzDRM
GerätePC/MAC/eReader/Tablet
Preis26,99 EUR
Maschinelles Lernen ist aufregend: Mit schnellen Prozessoren und gro?en Speichern konnen Computer aus Erfahrungen lernen, kunstliche Intelligenz kommt wieder in Reichweite. Mit diesem Buch verstehen Sie, was maschinelles Lernen bedeutet, fur welche Probleme es sich eignet, welche neuen Herangehensweisen damit moglich sind und wie Sie mit Python, R und speziellen Werkzeugen maschinelles Lernen implementieren. Sie brauchen dafur keine jahrelange Erfahrung als Programmierer und kein Mathematikstudium. Die praktische Anwendung maschinellen Lernens steht in diesem Buch im Vordergrund. Spielen Sie mit den Tools und haben Sie Spa? dabei! Lernen Sie Fakten und Mythen zum maschinellen Lernen zu unterscheiden.

Kaufen Sie hier:

Horizontale Tabs

Leseprobe

Inhaltsverzeichnis


  1. Cover
  2. Titelseite
  3. Impressum
  4. Über die Autoren
  5. Einführung
    1. Über dieses Buch
    2. Grundvoraussetzungen
    3. Symbole, die in diesem Buch verwendet werden
    4. Weitere Ressourcen
    5. Und nun?
  6. Teil I: Einführung in das maschinelle Lernen
    1. Kapitel 1: Künstliche Intelligenz in Fiktion und Realität
      1. Eine realistische Betrachtung von KI
      2. Träume von elektrischen Schafen
      3. Die Grenzen zwischen Fiktion und Realität
      4. Die Beziehung zwischen KI und maschinellem Lernen
      5. Die technischen Spezifikationen von KI und maschinellem Lernen
      6. Technische und kreative Vorgehensweisen
    2. Kapitel 2: Lernen im Zeitalter von Big Data
      1. Definition von Big Data
      2. Mögliche Quellen für Big Data
      3. Die Statistik und das maschinelle Lernen
      4. Die Rolle von Algorithmen
      5. Das Training von Algorithmen
    3. Kapitel 3: Ein Ausblick auf die Zukunft
      1. Nützliche Technologien für die Zukunft
      2. Neue Arbeitsfelder durch maschinelles Lernen
      3. Potenzielle Tücken zukünftiger Technologien
  7. Teil II: Einrichtung Ihrer Programmierumgebung
    1. Kapitel 4: Installation einer R‐Distribution
      1. Auswahl einer R‐Distribution für maschinelles Lernen
      2. Installation von R unter Windows
      3. Installation von R unter Linux
      4. Installation von R unter Mac OS X
      5. Herunterladen der Quelltexte und Datensätze
    2. Kapitel 5: Programmierung mit R und RStudio
      1. Wichtige Datentypen
      2. Verwendung von Vektoren
      3. Datenorganisation mit Listen
      4. Verwendung von Matrizen
      5. Nutzung mehrerer Dimensionen mit Arrays
      6. Nutzung von Data‐Frames
      7. Durchführung einfacher statistischer Aufgaben
    3. Kapitel 6: Installation einer Python‐Distribution
      1. Auswahl einer Python‐Distribution für maschinelles Lernen
      2. Installation von Python unter Linux
      3. Installation von Python unter Mac OS X
      4. Installation von Python unter Windows
      5. Herunterladen der Quelltexte und Datensätze
    4. Kapitel 7: Programmierung mit Python und Anaconda
      1. Zahlen und logische Ausdrücke in Python
      2. Erzeugung und Verwendung von Zeichenketten
      3. Interaktion mit Datums‐ und Zeitangaben
      4. Erzeugung und Verwendung von Funktionen
      5. Bedingungen und Schleifen
      6. Datenspeicherung mit Mengen, Listen und Tupeln
      7. Definition nützlicher Iteratoren
      8. Datenindizierung mit Wörterbüchern
      9. Codespeicherung in Modulen
    5. Kapitel 8: Weitere Softwareprogramme für maschinelles Lernen
      1. Die Vorgänger: SAS, Stata und SPSS
      2. Lernen im akademischen Sektor mit Weka
      3. Einfacher Zugriff auf komplexe Algorithmen mit LIBSVM
      4. Höchstgeschwindigkeit mit Vowpal Wabbit
      5. Visualisierung mit Knime und RapidMiner
      6. Verwaltung riesiger Datenmengen mit Spark
  8. Teil III: Mathematische Grundlagen
    1. Kapitel 9: Mathematische Grundlagen des maschinellen Lernens
      1. Die Arbeit mit Daten
      2. Die Welt der Wahrscheinlichkeiten
      3. Nutzung der Statistik für maschinelles Lernen
    2. Kapitel 10: Fehlerfunktionen und ihre Minimierung
      1. Der Lernprozess als Optimierung
      2. Kostenfunktionen
      3. Minimierung der Fehlerfunktion
      4. Aktualisierung per Mini‐Batch‐ und Online‐Lernen
    3. Kapitel 11: Validierung von maschinellem Lernen
      1. Fehler durch inkorrekte Stichprobenerhebung
      2. Der Einfluss von Bias
      3. Beachtung der Komplexität des Modells
      4. Ausgeglichene Lösungen
      5. Training, Validierung und Test
      6. Kreuzvalidierung
      7. Alternativen bei der Validierung
      8. Optimierung von Kreuzvalidierungsverfahren
      9. Vermeidung von Datenlecks und Bias in Stichproben
    4. Kapitel 12: Einfache Lerner
      1. Das faszinierende Perzeptron
      2. Klassifikationsbäume und der Greedy‐Ansatz
      3. Wahrscheinlichkeitsbasierte Algorithmen
  9. Teil IV: Aufbereitung und Verwendung von Daten zum Lernen
    1. Kapitel 13: Vorverarbeitung von Daten
      1. Erfassung und Bereinigung von Daten
      2. Korrektur von fehlenden Daten
      3. Transformation von Verteilungen
      4. Erzeugung Ihrer eigenen Merkmale
      5. Komprimierung von Daten
      6. Abgrenzung anomaler Daten
    2. Kapitel 14: Ausnutzung von Ähnlichkeiten in Daten
      1. Messung der Ähnlichkeit zwischen Vektoren
      2. Suche nach Clustern durch Berechnung von Abständen
      3. Feinanpassung des k‐Means‐Algorithmus
      4. Klassifikation mit k‐Nearest Neighbors
      5. Auswahl des korrekten Parameters k
    3. Kapitel 15: Einfache Anwendung von linearen Modellen
      1. Kombination von Variablen
      2. Vermischung von Variablen unterschiedlichen Typs
      3. Nutzung von Wahrscheinlichkeiten
      4. Schätzung der richtigen Merkmale
      5. Lernen aus einzelnen Beispielen
    4. Kapitel 16: Komplexere Lernverfahren und neuronale Netze
      1. Imitation der Natur beim Lernen
      2. Vermeidung von Überanpassung
      3. Einführung in Deep Learning
    5. Kapitel 17: Support Vector Machines und Kernel‐Funktionen
      1. Ein neuer Ansatz für das Problem der Separierbarkeit
      2. Die Funktionsweise des Algorithmus
      3. Nichtlinearität
      4. Implementierung und Hyperparameter
      5. Klassifikation und Schätzung mit einer SVM
    6. Kapitel 18: Kombination von Lernalgorithmen in Ensembles
      1. Kombination von Entscheidungsbäumen
      2. Verwendung beinahe zufälliger Schätzungen
      3. Boosting von intelligenten Prädiktoren
      4. Durchschnitt verschiedener Prädiktoren
  10. Teil V: Praktische Anwendung von maschinellem Lernen
    1. Kapitel 19: Klassifikation von Bildern
      1. Die Arbeit mit Bildern
      2. Extraktion visueller Merkmale
      3. Gesichtserkennung mit Eigengesichtern
      4. Klassifikation von Bildern
    2. Kapitel 20: Bewertung von Meinungen und Stimmungslagen
      1. Einführung in die Verarbeitung natürlicher Sprache
      2. Lesende Maschinen
      3. Bewertung und Klassifikation von Texten
    3. Kapitel 21: Produkt‐ und Filmempfehlungen
      1. Revolutionäre Systeme
      2. Bewertungsdaten aus dem Internet
      3. Nutzung der Singulärwertzerlegung
  11. Teil VI: Der Top‐Ten‐Teil
    1. Kapitel 22: Zehn wichtige Pakete für maschinelles Lernen
      1. Oryx 2
      2. CUDA‐Convnet
      3. ConvNetJS
      4. e1071
      5. gbm
      6. Gensim
      7. glmnet
      8. randomForest
      9. SciPy
      10. XGBoost
    2. Kapitel 23: Zehn Methoden zur Verbesserung Ihrer maschinellen Lernmodelle
      1. Auswertung von Lernkurven
      2. Korrekte Verwendung der Kreuzvalidierung
      3. Auswahl der geeigneten Fehler‐ oder Bewertungsmaße
      4. Suche nach den besten Hyperparametern
      5. Test von mehreren Modellen
      6. Bildung des Durchschnitts verschiedener Modelle
      7. Mehrstufige Kombination von Modellen
      8. Erzeugung neuer Merkmale
      9. Auswahl von Merkmalen und Beispielen
      10. Suche nach mehr Daten
  12. Stichwortverzeichnis
  13. End User License Agreement

Tabellenverzeichnis


  1. Kapitel 1
    1. Tabelle 1.1: Vergleich von maschinellem Lernen und Statistik
  2. Kapitel 7
    1. Tabelle 7.1: Zuweisungsoperatoren in Python
    2. Tabelle 7.2: Arithmetische Operatoren in Python
    3. Tabelle 7.3: Unäre Operatoren in Python
    4. Tabelle 7.4: Bitweise Operatoren in Python
    5. Tabelle 7.5: Vergleichsoperatoren in Python
    6. Tabelle 7.6: Logische Operatoren in Python
    7. Tabelle 7.7: Vorrangsregeln für Operatoren in Python
    8. Tabelle 7.8: Zugehörigkeitsoperatoren in Python
    9. Tabelle 7.9: Identitätsoperatoren in Python
  3. Kapitel...
Blick ins Buch

Weitere E-Books zum Thema: Einsteiger - Grundlagen

Internet für Psychologen

E-Book Internet für Psychologen
Format: PDF

Das Internet kurz zu erklären und gleichzeitig einen aktuellen Überblick über psychologische Themen und Forschungsschwerpunkte zu geben, ist wohl ein hoffnungsloses Unterfangen. Zu…

Internet für Psychologen

E-Book Internet für Psychologen
Format: PDF

Das Internet kurz zu erklären und gleichzeitig einen aktuellen Überblick über psychologische Themen und Forschungsschwerpunkte zu geben, ist wohl ein hoffnungsloses Unterfangen. Zu…

Internet für Psychologen

E-Book Internet für Psychologen
Format: PDF

Das Internet kurz zu erklären und gleichzeitig einen aktuellen Überblick über psychologische Themen und Forschungsschwerpunkte zu geben, ist wohl ein hoffnungsloses Unterfangen. Zu…

Internet für Psychologen

E-Book Internet für Psychologen
Format: PDF

Das Internet kurz zu erklären und gleichzeitig einen aktuellen Überblick über psychologische Themen und Forschungsschwerpunkte zu geben, ist wohl ein hoffnungsloses Unterfangen. Zu…

E-Learning

E-Book E-Learning
Einsatzkonzepte und Geschäftsmodelle Format: PDF

Der vorliegende Band ist dem Lernen und Lehren auf der Basis moderner Informations- und Kommunikationstechnologien gewidmet. Das Buch fasst die wichtigsten Ansätze zur Einführung, Umsetzung und…

Weitere Zeitschriften

aufstieg

aufstieg

Zeitschrift der NaturFreunde in Württemberg Die Natur ist unser Lebensraum: Ort für Erholung und Bewegung, zum Erleben und Forschen; sie ist ein schützenswertes Gut. Wir sind aktiv in der Natur ...

Augenblick mal

Augenblick mal

Die Zeitschrift mit den guten Nachrichten "Augenblick mal" ist eine Zeitschrift, die in aktuellen Berichten, Interviews und Reportagen die biblische Botschaft und den christlichen Glauben ...

Berufsstart Bewerbung

Berufsstart Bewerbung

»Berufsstart Bewerbung« erscheint jährlich zum Wintersemester im November mit einer Auflage von 50.000 Exemplaren und ermöglicht Unternehmen sich bei Studenten und Absolventen mit einer ...

care konkret

care konkret

care konkret ist die Wochenzeitung für Entscheider in der Pflege. Ambulant wie stationär. Sie fasst topaktuelle Informationen und Hintergründe aus der Pflegebranche kompakt und kompetent für Sie ...

dima

dima

Bau und Einsatz von Werkzeugmaschinen für spangebende und spanlose sowie abtragende und umformende Fertigungsverfahren. dima - die maschine - bietet als Fachzeitschrift die Kommunikationsplattform ...

DSD Der Sicherheitsdienst

DSD Der Sicherheitsdienst

Der "DSD – Der Sicherheitsdienst" ist das Magazin der Sicherheitswirtschaft. Es erscheint viermal jährlich und mit einer Auflage von 11.000 Exemplaren. Der DSD informiert über aktuelle Themen ...

rfe-Elektrohändler

rfe-Elektrohändler

rfe-Elektrohändler ist die Fachzeitschrift für die CE- und Hausgeräte-Branche. Wichtige Themen sind: Aktuelle Entwicklungen in beiden Branchen, Waren- und Verkaufskunde, Reportagen über ...

Euro am Sonntag

Euro am Sonntag

Deutschlands aktuelleste Finanz-Wochenzeitung Jede Woche neu bietet €uro am Sonntag Antworten auf die wichtigsten Fragen zu den Themen Geldanlage und Vermögensaufbau. Auch komplexe Sachverhalte ...