Maschinelles Lernen ist nicht allein Informatik. Maschinelles Lernen ist ein interdisziplinäres Fach und umfasst je nach Zielsetzung die Bereiche Informatik, Mathematik und das jeweilige Anwendungsgebiet. Diesen Umstand berücksichtigt der Autor in diesem Buch und spricht gleichermaßen Studierende der Informatik, Mechatronik, Elektrotechnik und der angewandten Statistik/Data Science sowie für Ingenieure und Informatiker in der Praxis an.Die nötige Mathematik wird in diesem Buch eingebettet präsentiert und die Theorie direkt in Python-Code umgesetzt wird, Kenntnisse in objektorientierter Programmierung und Basiswissen der Hochschulmathematik sollten Sie zum Verständnis jedoch mitbringen.
Zum besseren Verständnis und praktischen Einsatz werden die Algorithmen anschaulich mittels NumPy und SciPy umgesetzt. Für die Support Vector Machines und das Deep Learning wird auf scikit-learn bzw. Keras zurückgegriffen.
Die dritte Auflage wurde für die Keras/Tensorflow-Version 2 sowie Python 3.7 überarbeitet, mehrere Kapitel insbesondere zum bestärkten Lernen wurde aktualisiert und folgende Themen wurden unter anderem neu aufgenommen:
- Deep Q-Learning
- Class Activation Maps und Grad-CAM
- Pandas-Integration und -Einführung
- OpenAI Gym integriert
Aus dem Inhalt
- Maschinelles Lernen – Überblick und Abgrenzung
- Python, NumPy, SciPy und Matplotlib – in a nutshell
- Statistische Grundlagen und Bayes-Klassifikator
- Lineare Modelle und Lazy Learning
- Entscheidungsbäume
- Ein- und mehrschichtige Feedforward-Netze
- Deep Neural Networks mit Keras
Hier das ganze Inhaltsverzeichnis lesen.- Feature-Engineering und Datenanalyse
- Ensemble Learning mittels Bagging und Boosting
- Convolutional Neural Networks mit Keras
- Support Vector Machines
- Clustering-Verfahren
- Grundlagen des bestärkenden Lernens
- Fortgeschrittene Themen des bestärkenden Lernens
Bei der Klassifizierung von Bildern geht gern auch mal etwas schief. So können während des Trainings irrelevante Bilddetails wie der Hintergrund oder Markierungen auf medizinischen Bildern unerwünschte Korrelationen hervorrufen. Bei medizinischen Anwendungen kann das durchaus kritische Folgen haben. Wie Sie dem mit Global Average Pooling entgegenwirken, erfahren Sie in dieser
Leseprobe.
Wer hat's geschrieben?
Prof. Dr. Jörg Frochte lehrt und forscht seit 2010 an der Hochschule Bochum. Als Professor für Angewandte Informatik und Mathematik hält er hier u.a. Vorlesungen in Mathematik, Simulation und Modellbildung sowie maschinellem Lernen.