Holdings: Maschinelles Lernen

Maschinelles Lernen:

Saved in:

Bibliographic Details
Main Author:	Alpaydın, Ethem 1966- (Author)
Format:	Book
Language:	German
Published:	Berlin ; Boston De Gruyter Oldenbourg [2019]
Edition:	2. Auflage
Series:	De Gruyter Studium
Subjects:	Maschinelles Lernen Fachhochschul-/Hochschulausbildung Informatik Kunstliche Intelligenz Neuronale Netzwerke Lehrbuch
Online Access:	Inhaltsverzeichnis
Item Description:	"Autorisierte Übersetzung der 3. englischsprachigen Ausgabe, die bei The MIT Press, Massachusetts Institute of Technology, unter dem Titel: 'Introduction to Machine Learning' erschienen ist."
Physical Description:	XXII, 633 Seiten Illustrationen, Diagramme
ISBN:	9783110617887 3110617889

Staff View

MARC


LEADER	00000nam a2200000 c 4500
001	BV045454716
003	DE-604
005	20210126
007	t
008	190212s2019 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 18,N49 \|2 dnb
016	7		\|a 1172439621 \|2 DE-101
020			\|a 9783110617887 \|c pbk. : EUR 9.95 \|9 978-3-11-061788-7
020			\|a 3110617889 \|9 3-11-061788-9
024	3		\|a 9783110617887
035			\|a (OCoLC)1078162832
035			\|a (DE-599)DNB1172439621
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-BE
049			\|a DE-20 \|a DE-91G \|a DE-2070s \|a DE-523 \|a DE-29T \|a DE-706 \|a DE-355 \|a DE-83 \|a DE-862 \|a DE-12 \|a DE-1043 \|a DE-860 \|a DE-703 \|a DE-19 \|a DE-1051 \|a DE-B768 \|a DE-634 \|a DE-1050 \|a DE-739 \|a DE-92 \|a DE-1046 \|a DE-11 \|a DE-858 \|a DE-859 \|a DE-898
082	0		\|a 006.31 \|2 22/ger
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a ST 304 \|0 (DE-625)143653: \|2 rvk
084			\|a 68T05 \|2 msc
084			\|a 68T10 \|2 msc
084			\|a 004 \|2 sdnb
084			\|a DAT 708f \|2 stub
100	1		\|a Alpaydın, Ethem \|d 1966- \|e Verfasser \|0 (DE-588)134261046 \|4 aut
240	1	0	\|a Introduction to machine learning
245	1	0	\|a Maschinelles Lernen \|c Ethem Alpaydin
250			\|a 2. Auflage
264		1	\|a Berlin ; Boston \|b De Gruyter Oldenbourg \|c [2019]
264		4	\|c © 2019
300			\|a XXII, 633 Seiten \|b Illustrationen, Diagramme
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
490	0		\|a De Gruyter Studium
500			\|a "Autorisierte Übersetzung der 3. englischsprachigen Ausgabe, die bei The MIT Press, Massachusetts Institute of Technology, unter dem Titel: 'Introduction to Machine Learning' erschienen ist."
650	0	7	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd \|9 rswk-swf
653			\|a Fachhochschul-/Hochschulausbildung
653			\|a Maschinelles Lernen
653			\|a Informatik
653			\|a Kunstliche Intelligenz
653			\|a Neuronale Netzwerke
655		7	\|0 (DE-588)4123623-3 \|a Lehrbuch \|2 gnd-content
689	0	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0		\|5 DE-604
710	2		\|a Walter de Gruyter GmbH & Co. KG \|0 (DE-588)10095502-2 \|4 pbl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, EPUB \|z 978-3-11-061794-8
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 978-3-11-061789-4
856	4	2	\|m DNB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030840029&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-030840029

Record in the Search Index

DE-BY-862_location	2000
DE-BY-FWS_call_number	2000/ST 302 A456(2)
DE-BY-FWS_katkey	729177
DE-BY-FWS_media_number	083000508877
_version_	1824553883567915008
adam_text	INHALTSVERZEICHNIS 1 EINFUEHRUNG 1 1.1 WAS IST MASCHINELLES LERNEN? ................................................ 1 1.2 BEISPIELE FUER ANWENDUNGEN DES MASCHINELLEN LERNENS ......... 4 1.2.1 ERLERNEN VON ASSOZIATIONEN ................................................... 4 1.2.2 KLASSIFIKATION ............................................................................ 5 1.2.3 REGRESSION ............................................................................... 10 1.2.4 UNUEBERWACHTES LERNEN .......................................................... 12 1.2.5 BESTAERKENDES LERNEN .............................................................. 14 1.3 ANMERKUNGEN .......................................................................... 15 1.4 RELEVANTE RESSOURCEN .............................................................. 18 1.5 UEBUNGEN ................................................................................... 19 1.6 LITERATURANGABEN ..................................................................... 22 2 UEBERWACHTES LERNEN 23 2.1 ERLERNEN EINER KLASSE ANHAND VON BEISPIELEN ........................ 23 2.2 VAPNIK-CHERVONENKIS(VC)-DIMENSION .................................. 29 2.3 PAC-LERNEN .............................................................................. 30 2.4 RAUSCHEN ................................................................................... 32 2.5 ERLERNEN MULTIPLER KLASSEN ..................................................... 34 2.6 REGRESSION ............................................................................... 36 2.7 MODELLAUSWAHL UND GENERALISIERUNG ..................................... 39 2.8 DIMENSIONEN EINES ALGORITHMUS FUER UEBERWACHTES LERNEN .. 43 2.9 ANMERKUNGEN .......................................................................... 45 2.10 UEBUNGEN ................................................................................... 46 2.11 LITERATURANGABEN ..................................................................... 50 3 BAYESSCHE ENTSCHEIDUNGSTHEORIE 51 3.1 EINFUEHRUNG ............................................................................... 51 3.2 KLASSIFIKATION ............................................................................ 53 3.3 VERLUSTE UND RISIKEN .............................................................. 55 3.4 DISKRIMINANZFUNKTIONEN ......................................................... 58 3.5 ASSOZIATIONSREGELN ................................................................... 59 3.6 ANMERKUNGEN .......................................................................... 62 3.7 UEBUNGEN ................................................................................... 63 3.8 LITERATURANGABEN ..................................................................... 67 VI INHALTSVERZEICHNIS 4 PARAMETRISCHE METHODEN 69 4.1 EINFUEHRUNG ................................................................................ 69 4.2 MAXIMUM-LIKELIHOOD-SCHAETZUNG ........................................... 70 4.2.1 BERNOULLI-VERTEILUNG ................................................................ 71 4.2.2 MULTINOMIALE DICHTE ................................................................ 72 4.2.3 GAUSS-VERTEILUNG (NORMALVERTEILUNG) .................................... 72 4.3 BEWERTUNG EINES SCHAETZERS: VERZERRUNG UND VARIANZ ......... 73 4.4 DER BAYESSCHE SCHAETZER ........................................................... 75 4.5 PARAMETRISCHE KLASSIFIKATION .................................................. 78 4.6 REGRESSION ................................................................................ 82 4.7 DAS VERZERRUNG/VARIANZ-DILEMMA ....................................... 85 4.8 MODELLAUSWAHL ......................................................................... 88 4.9 ANMERKUNGEN ........................................................................... 93 4.10 UEBUNGEN .................................................................................... 94 4.11 LITERATURANGABEN ..................................................................... 96 5 MULTIVARIATE METHODEN 97 5.1 MULTIVARIATE DATEN .................................................................. 97 5.2 PARAMETERSCHAETZUNG ................................................................ 98 5.3 SCHAETZUNG VON FEHLENDEN WERTEN ........................................... 99 5.4 MULTIVARIATE NORMAL VERTEILUNG ............................................... 100 5.5 MULTIVARIATE KLASSIFIKATION ....................................................... 104 5.6 ANPASSEN DER KOMPLEXITAET ...................................................... 110 5.7 DISKRETE MERKMALE ................................................................... 112 5.8 MULTIVARIATE REGRESSION ............................................................ 114 5.9 ANMERKUNGEN ............................................................................ 115 5.10 UEBUNGEN ..................................................................................... 116 5.11 LITERATURANGABEN ...................................................................... 118 6 DIMENSIONALITAETSREDUKTION 119 6.1 EINFUEHRUNG .................................................................................. 119 6.2 TEILMENGENSELEKTION ................................................................. 120 6.3 HAUPTKOMPONENTENANALYSE ..................................................... 125 6.4 MERKMALSEINBETTUNG ................................................................. 131 6.5 FAKTORENANALYSE ........................................................................ 134 6.6 SINGULAERWERTZERLEGUNG UND FAKTORISIERUNG VON MATRIZEN .. 139 6.7 MULTIDIMENSIONALE SKALIERUNG ................................................. 141 6.8 LINEARE DISKRIMINANZANALYSE ................................................... 145 6.9 KANONISCHE KORRELATIONSANALYSE .............................................. 149 6.10 ISOMAP ........................................................................................ 152 6.11 LOKAL LINEARE EINBETTUNG .......................................................... 154 6.12 LAPLACESCHE EIGENMAPS ............................................................ 157 6.13 ANMERKUNGEN ............................................................................ 159 6.14 UEBUNGEN ..................................................................................... 161 6.15 LITERATUR ANGABEN ...................................................................... 163 INHALTSVERZEICHNIS VII 7 CLUSTERANALYSE 165 7.1 EINFUEHRUNG .................................................................................. 165 7.2 MISCHUNGSDICHTEN ...................................................................... 166 7.3 FC-MEANS-CLUSTERANALYSE .......................................................... 167 7.4 EXPECTATION-MAXIMIZATION-ALGORITHMUS ............................... 171 7.5 MISCHUNGSMODELLE MIT VERBORGENEN VARIABLEN ...................... 177 7.6 UEBERWACHTES LERNEN NACH EINER CLUSTERANALYSE ................... 178 7.7 SPEKTRALE CLUSTERANALYSE .......................................................... 179 7.8 HIERARCHISCHE CLUSTERANALYSE ................................................... 181 7.9 AUSWAHL DER ANZAHL AN CLUSTERN ............................................ 183 7.10 ANMERKUNGEN ........................................................................... 184 7.11 UEBUNGEN .................................................................................... 185 7.12 LITERATURANGABEN ............................................................ 187 8 NICHT PARAMETRISCHE METHODEN 189 8.1 EINFUEHRUNG ................................................................................. 189 8.2 NICHTPARAMETRISCHE DICHTESCHAETZUNG ..................................... 191 8.2.1 HISTOGRAMMSCHAETZER ................................................................. 191 8.2.2 KERNEL-SCHAETZER ........................................................................ 193 8.2.3 FC-NAECHSTE-NACHBARN-SCHAETZER ................................................. 195 8.3 VERALLGEMEINERUNG AUF MULTIVARIATE DATEN ............................. 196 8.4 NICHT PARAMETRISCHE KLASSIFIKATION .......................................... 197 8.5 VERDICHTETE NAECHSTE-NACHBARN-METHODE ............................... 198 8.6 ABSTANDSBASIERTE KLASSIFIKATION ............................................. 200 8.7 AUSREISSERERKENNUNG ................................................................. 203 8.8 NICHTPARAMETRISCHE REGRESSION: GLAETTUNGSMODELLE ............. 205 8.8.1 GLEITENDE MITTELWERTGLAETTUNG ................................................. 206 8.8.2 GLAETTUNG DURCH KERNEL-FUNKTION ........................................... 208 8.8.3 GLEITENDE LINIENGLAETTUNG ........................................................ 208 8.9 WAHL DES GLAETTUNGSPARAMETERS ............................................. 209 8.10 ANMERKUNGEN ........................................................................... 210 8.11 UEBUNGEN .................................................................................... 213 8.12 LITERATUR ANGABEN ...................................................................... 215 9 ENTSCHEIDUNGSBAEUME 217 9.1 EINFUEHRUNG ................................................................................. 217 9.2 UNIVARIATE BAEUME .................................................................... 219 9.2.1 KLASSIFIKATIONSBAEUME ............................................................... 220 9.2.2 REGRESSIONSBAEUME .................................................................... 225 9.3 PRUNING ...................................................................................... 227 9.4 REGELEXTRAKTION AUS BAEUMEN .................................................. 229 9.5 LERNEN VON REGELN ANHAND VON DATEN ................................. 231 9.6 MULTIVARIATE BAEUME ................................................................. 235 9.7 ANMERKUNGEN ........................................................................... 237 9.8 UEBUNGEN .................................................................................... 240 9.9 LITERATUR ANGABEN ...................................................................... 242 VIII INHALTSVERZEICHNIS 10 LINEARE DISKRIMINANZ 245 10.1 EINFUEHRUNG ................................................................................. 245 10.2 GENERALISIERUNG DES LINEAREN MODELLS ...................................... 247 10.3 GEOMETRIE DER LINEAREN DISKRIMINANZ ..................................... 248 10.3.1 ZWEI KLASSEN ............................................................................. 248 10.3.2 MULTIPLE KLASSEN ...................................................................... 250 10.4 PAARWEISE TRENNUNG ................................................................. 251 10.5 NEUBETRACHTUNG DER PARAMETRISCHEN DISKRIMINANZ ............. 253 10.6 GRADIENTENABSTIEG .................................................................... 255 10.7 LOGISTISCHE DISKRIMINANZ ........................................................ 256 10.7.1 ZWEI KLASSEN ............................................................................. 256 10.7.2 MULTIPLE KLASSEN ...................................................................... 259 10.8 DISKRIMINANZ DURCH REGRESSION ............................................. 265 10.9 LERNEN VON RANGORDNUNGEN ..................................................... 266 10.10 ANMERKUNGEN ............................................................................ 269 10.11 UEBUNGEN ..................................................................................... 270 10.12 LITERATUR ANGABEN ...................................................................... 273 11 MEHRLAGIGE PERZEPTRONEN 275 11.1 EINFUEHRUNG ................................................................................. 275 11.1.1 DAS GEHIRN VERSTEHEN ............................................................... 276 11.1.2 NEURONALE NETZE UND PARALLELVERARBEITUNG .......................... 277 11.2 DAS PERZEPTRON .......................................................................... 279 11.3 TRAINING EINES PERZEPTRONS ...................................................... 283 11.4 LERNEN VON BOOLESCHEN FUNKTIONEN ...................................... 286 11.5 MEHRLAGIGE PERZEPTRONEN ........................................................ 287 11.6 DAS MLP ALS UNIVERSELLE NAEHERUNGSFUNKTION ........................ 290 11.7 BACKPROPAGATION-ALGORITHMUS ............................................... 291 11.7.1 NICHTLINEARE REGRESSION ............................................................ 292 11.7.2 ZWEIKLASSENDISKRIMINANZ .......................................................... 296 11.7.3 DISKRIMINANZ BEI MULTIPLEN KLASSEN ...................................... 297 11.7.4 MULTIPLE VERBORGENE SCHICHTEN ............................................... 297 11.8 TRAININGSPROZEDUREN ................................................................. 298 11.8.1 VERBESSERUNG DER KONVERGENZ ................................................. 298 11.8.2 UEBERTRAINING ............................................................................. 299 11.8.3 STRUKTURIEREN DES NETZES .......................................................... 301 11.8.4 HINWEISE ..................................................................................... 303 11.9 ANPASSUNG DER NETZGROESSE ........................................................ 305 11.10 BAYESSCHE BETRACHTUNGSWEISE DES LERNENS ............................. 308 11.11 DIMENSIONALITAETSREDUKTION ...................................................... 309 11.12 LERNEN MIT ZEITREIHEN ............................................................. 312 11.12.1 TIME DELAY NEURAL NETWORKS ................................................. 313 11.12.2 REKURRENTE NETZE ...................................................................... 313 11.13 TIEFES LERNEN ............................................................................. 315 11.14 ANMERKUNGEN ............................................................................ 317 11.15 UEBUNGEN ..................................................................................... 319 11.16 LITERATUR ANGABEN ...................................................................... 322 INHALTSVERZEICHNIS IX 12 LOKALE MODELLE 327 12.1 EINFUEHRUNG ................................................................................. 327 12.2 KOMPETITIVES LERNEN ............................................................... 327 12.2.1 ONLINE K-MEANS-ALGORITHMUS ................................................. 328 12.2.2 ADAPTIVE RESONANZTHEORIE ...................................................... 333 12.2.3 SELBSTORGANISIERENDE MERKMALSKARTEN ................................... 334 12.3 RADIALE BASISFUNKTIONEN .......................................................... 336 12.4 EINBINDUNG VON REGELBASIERTEM WISSEN ................................. 342 12.5 NORMALISIERTE BASISFUNKTIONEN ............................................... 343 12.6 KOMPETITIVE BASISFUNKTIONEN ................................................. 345 12.7 LERNEN MIT VEKTORQUANTISIERUNG ........................................... 348 12.8 GEMISCHTE EXPERTENSYSTEME .................................................. 349 12.8.1 KOOPERATIVE EXPERTENSYSTEME ............................................... 351 12.8.2 KOMPETITIVE EXPERTENSYSTEME ............................................... 352 12.9 HIERARCHISCH GEMISCHTE EXPERTENSYSTEME ............................. 353 12.10 ANMERKUNGEN ........................................................................... 354 12.11 UEBUNGEN .................................................................................... 355 12.12 LITERATURANGABEN ...................................................................... 358 13 KERNEL-MASCHINEN 361 13.1 EINFUEHRUNG ................................................................................. 361 13.2 DIE OPTIMAL TRENNENDE HYPEREBENE ...................................... 363 13.3 DER NICHT TRENNBARE FALL: SOFT-MARGIN-TRENNEBENEN ............ 367 13.4 V-SVM ........................................................................................ 370 13.5 KERNEL-TRICK ............................................................................... 371 13.6 VEKTORIELLE KERNEL .................................................................... 373 13.7 DEFINITION VON KERNELN ........................................................... 375 13.8 MULTIPLE-KERNEL-LERNEN ........................................................... 377 13.9 MEHRKLASSEN-KERNEL-MASCHINEN ............................................. 379 13.10 KERNEL-MASCHINEN UND REGRESSION .......................................... 380 13.11 KERNEL-MASCHINEN UND RANKING ............................................. 385 13.12 EINKLASSEN-KERNEL-MASCHINEN ................................................. 386 13.13 BREITER-MARGIN-NAECHSTER-NACHBAR-KLASSIFIKATOR ................... 389 13.14 DIMENSIONALITAETSREDUKTION MIT KERNEL ................................... 391 13.15 ANMERKUNGEN ........................................................................... 393 13.16 UEBUNGEN .................................................................................... 394 13.17 LITERATURANGABEN ...................................................................... 396 14 GRAPHENMODELLE 399 14.1 EINFUEHRUNG ................................................................................ 399 14.2 KANONISCHE FAELLE FUER BEDINGTE UNABHAENGIGKEIT ................... 401 14.3 GENERATIVE MODELLE .................................................................. 409 14.4 D-SEPARATION ............................................................................. 411 14.5 BELIEF-PROPAGATION .................................................................... 412 14.5.1 KETTEN ........................................................................................ 412 14.5.2 BAEUME ........................................................................................ 414 14.5.3 MEHRFACHBAEUME ........................................................................ 416 X INHALTSVERZEICHNIS 14.5.4 VERBINDUNGSBAEUME ................................................................... 418 14.6 UNGERICHTETE GRAPHEN: MARKOVSCHE ZUFALLSFELDER ................. 419 14.7 LERNEN DER STRUKTUR EINES GRAPHENMODELLS .......................... 422 14.8 EINFLUSSDIAGRAMME ................................................................... 423 14.9 ANMERKUNGEN ............................................................................ 424 14.10 UEBUNGEN .................................................................................... 425 14.11 LITERATURANGABEN ...................................................................... 428 15 HIDDEN-MARKOV-MODELLE 431 15.1 EINFUEHRUNG ................................................................................. 431 15.2 DISKRETE MARKOV-PROZESSE ...................................................... 432 15.3 HIDDEN-MARKOV-MODELLE .......................................................... 435 15.4 DREI GRUNDSAETZLICHE PROBLEME EINES HMM ............................ 437 15.5 EVALUIERUNGSPROBLEM ............................................................... 438 15.6 HERAUSFINDEN DER ZUSTANDSSEQUENZ ........................................ 442 15.7 LERNEN VON MODELLPARAMETERN ............................................... 443 15.8 KONTINUIERLICHE BEOBACHTUNGEN ............................................. 446 15.9 DAS HMM ALS GRAPHENMODELL ............................................... 447 15.10 MODELLAUSWAHL IM HMM .......................................................... 451 15.11 ANMERKUNGEN ............................................................................ 453 15.12 UEBUNGEN .................................................................................... 455 15.13 LITERATURANGABEN ...................................................................... 458 16 BAYESSCHE SCHAETZUNG 461 16.1 EINFUEHRUNG ................................................................................. 461 16.2 BAYESSCHE SCHAETZUNG DER PARAMETER DISKRETER VERTEILUNGEN ............................................................................... 465 16.2.1 K 2-ZUSTAENDE: DIRICHLET-VERTEILUNG ................................... 465 16.2.2 K * 2-ZUSTAENDE: BETAVERTEILUNG ............................................ 467 16.3 BAYESSCHE SCHAETZUNG DER PARAMETER EINER GAUSS-VERTEILUNG ........................................................................ 467 16.3.1 UNIVARIATER FALL: UNBEKANNTER MITTELWERT, BEKANNTE VARIANZ ...................................................................... 467 16.3.2 UNIVARIATER FALL: UNBEKANNTER MITTELWERT, UNBEKANNTE VARIANZ ................................................................. 470 16.3.3 MULTIVARIATER FALL: UNBEKANNTER MITTELWERT, UNBEKANNTE KOVARIANZ ............................................................. 472 16.4 BAYESSCHE SCHAETZUNG DER PARAMETER EINER FUNKTION ............ 473 16.4.1 REGRESSION ................................................................................. 473 16.4.2 REGRESSION MIT PRIOR FUER DIE PRAEZISION DES RAUSCHENS ......... 477 16.4.3 DER GEBRAUCH VON BASIS/KERNEL-FUNKTIONEN ...................... 479 16.4.4 BAYESSCHE KLASSIFIKATION .......................................................... 481 16.5 WAHL EINES PRIORS ...................................................................... 483 16.6 BAYESSCHER MODELLVERGLEICH .................................................... 484 16.7 BAYESSCHE SCHAETZUNG FUER EIN MISCHUNGSMODELL ..................... 487 16.8 NICHTPARAMETRISCHE BAYESSCHE MODELLE ................................. 490 16.9 GAUSSSCHE PROZESSE ................................................................... 491 INHALTSVERZEICHNIS XI 16.10 DIRICHLET-PROZESSE UND CHINAESTAURANTS ............................... 495 16.11 LATENTE DIRICHLET-ALLOKATION .................................................. 496 16.12 BETAPROTZESSE UND INDISCHE BUEFFETS ........................................ 499 16.13 ANMERKUNGEN ........................................................................... 500 16.14 UEBUNGEN .................................................................................... 501 16.15 LITERATUR ANGABEN ...................................................................... 502 17 KOMBINATION MEHRERER LERNER 505 17.1 GRUNDPRINZIP ............................................................................. 505 17.2 GENERIERUNG DIVERSER LERNER .................................................. 506 17.3 METHODEN DER MODELLKOMBINATION ........................................ 509 17.4 VOTING ........................................................................................ 510 17.5 FEHLERKORREKTURCODES ............................................................... 514 17.6 BAGGING ...................................................................................... 517 17.7 BOOSTING .................................................................................... 517 17.8 NEUBETRACHTUNG DER GEMISCHTEN EXPERTENSYSTEME ............. 520 17.9 GESCHACHTELTE GENERALISIERUNG ............................................... 522 17.10 FEINABSTIMMUNG EINES ENSEMBLES .......................................... 523 17.10.1 WAHL EINER TEILMENGE DES ENSEMBLES .................................... 524 17.10.2 KONSTRUKTION VON METALERNERN ............................................... 524 17.11 KASKADIERUNG ............................................................................. 525 17.12 ANMERKUNGEN ..................................... 527 17.13 UEBUNGEN .................................................................................... 530 17.14 LITERATURANGABEN ...................................................................... 532 18 BESTAERKENDES LERNEN 535 18.1 EINFUEHRUNG ................................................................................ 535 18.2 FAELLE MIT EINEM ZUSTAND: K-ARMIGER BANDIT ...................... 537 18.3 ELEMENTE DES BESTAERKENDEN LERNENS ...................................... 538 18.4 MODELLBASIERTES LERNEN ............................................................ 541 18.4.1 WERTITERATION ............................................................................. 541 18.4.2 TAKTIKITERATION ......................................................................... 542 18.5 LERNEN MIT TEMPORALER DIFFERENZ ........................................... 542 18.5.1 EXPLORATIONSSTRATEGIEN ............................................................. 543 18.5.2 DETERMINISTISCHE BELOHNUNGEN UND AKTIONEN ...................... 544 18.5.3 NICHTDETERMINISTISCHE BELOHNUNGEN UND AKTIONEN ............. 545 18.5.4 EIGNUNGSPROTOKOLLE .................................................................. 548 18.6 GENERALISIERUNG ......................................................................... 549 18.7 TEILWEISE BEOBACHTBARE ZUSTAENDE ........................................... 552 18.7.1 BEISPIEL: DAS TIGERPROBLEM .................................................... 554 18.8 ANMERKUNGEN ........................................................................... 559 18.9 UEBUNGEN .................................................................................... 560 18.10 LITERATURANGABEN ...................................................................... 563 19 EXPERIMENTE MIT MASCHINELLEM LERNEN 565 19.1 EINFUEHRUNG ................................................................................ 565 19.2 FAKTOREN, ANTWORT UND STRATEGIE BEIM EXPERIMENTIEREN .. 569 XII INHALTSVERZEICHNIS 19.3 ANTWORTFLAECHENMETHODE ............................................................ 571 19.4 RANDOMISIEREN, WIEDERHOLEN UND BLOCKEN ............................ 572 19.5 RICHTLINIEN FUER EXPERIMENTE MIT MASCHINELLEM LERNEN .... 573 19.6 KREUZVALIDIERUNG UND RESAMPLING-METHODEN ...................... 577 19.6.1 K- FACHE KREUZVALIDIERUNG ......................................................... 578 19.6.2 5 X 2-KREUZVALIDIERUNG ............................................................ 579 19.6.3 BOOTSTRAPPING ............................................................................ 580 19.7 LEISTUNGSMESSUNG FUER KLASSIFIKATOREN ..................................... 580 19.8 INTERVALLSCHAETZUNG ..................................................................... 584 19.9 HYPOTHESENPRUEFUNG ................................................................... 587 19.10 BEWERTUNG DER LEISTUNGSFAEHIGKEIT VON KLASSIFIKATIONSAL GORITHMEN ................................................................................... 590 19.10.1 BINOMIALTEST ............................................................................. 590 19.10.2 TEST DER APPROXIMIERTEN NORMALVERTEILUNG .......................... 591 19.10.3 T-TEST .......................................................................................... 591 19.11 VERGLEICH VON ZWEI KLASSIFIKATIONSALGORITHMEN ..................... 592 19.11.1 DER MCNEMARSCHE TEST ............................................................ 592 19.11.2 GEPAARTER T-TEST MIT JF-FACHER KREUZVALIDIERUNG ............... 592 19.11.3 GEPAARTER T-TEST MIT 5X2 KREUZVALIDIERUNG ...................... 593 19.11.4 GEPAARTER E-TEST MIT 5X2 KREUZVALIDIERUNG ..................... 594 19.12 VERGLEICH MEHRERER ALGORITHMEN: VARIANZANALYSE ............... 595 19.13 VERGLEICH UEBER MEHRERE DATENMENGEN ................................... 600 19.13.1 VERGLEICH ZWEIER ALGORITHMEN ................................................. 601 19.13.2 MEHRERE ALGORITHMEN ............................................................... 603 19.14 MULTIVARIATE TESTS ..................................................................... 604 19.14.1 VERGLEICH ZWEIER ALGORITHMEN ................................................. 605 19.14.2 VERGLEICH MEHRERER ALGORITHMEN ............................................ 606 19.15 ANMERKUNGEN ............................................................................ 607 19.16 UEBUNGEN ..................................................................................... 609 19.17 LITERATURANGABEN ...................................................................... 610 ANHANG 613 A.L ELEMENTE DER WAHRSCHEINLICHKEIT ............................................. 613 A.1.1 AXIOME DER WAHRSCHEINLICHKEIT .............................................. 614 A.1.2 BEDINGTE WAHRSCHEINLICHKEIT .................................................... 614 A.2 ZUFALLSVARIABLEN ......................................................................... 615 A.2.1 FUNKTIONEN DER WAHRSCHEINLICHKEITSVERTEILUNG UND WAHR SCHEINLICHKEITSDICHTE ................................................................. 615 A.2.2 GEMEINSAME VERTEILUNGS- UND DICHTEFUNKTIONEN .................. 616 A.2.3 BEDINGTE VERTEILUNGEN .............................................................. 617 A.2.4 SATZ VON BAYES ........................................................................... 617 A.2.5 ERWARTUNG .................................................................................. 618 A.2.6 VARIANZ ....................................................................................... 618 A.2.7 DAS SCHWACHE GESETZ GROSSER ZAHLEN ....................................... 619 A.3 SPEZIELLE ZUFALLSVARIABLEN ......................................................... 620 A.3.1 BERNOULLI-VERTEILUNG .................................................................. 620 A.3.2 BINOMIALVERTEILUNG .................................................................... 620 0 0 CO OO 0 0 OO GO 0 0 O CR 4 ^ 0 0 INHALTSVERZEICHNIS XIII MULTINOMIALE VERTEILUNG .......................................................... 620 GLEICHVERTEILUNG ........................................................................ 621 NORMALVERTEILUNG (GAUSS-VERTEILUNG) ..................................... 621 CHI-QUADRAT-VERTEILUNG ........................................................... 623 T-VERTEILUNG ............................................................................... 623 F-VERTEILUNG ............................................................................. 624 LITERATURANGABEN ...................................................................... 624 INDEX 625
any_adam_object	1
author	Alpaydın, Ethem 1966-
author_GND	(DE-588)134261046
author_facet	Alpaydın, Ethem 1966-
author_role	aut
author_sort	Alpaydın, Ethem 1966-
author_variant	e a ea
building	Verbundindex
bvnumber	BV045454716
classification_rvk	ST 302 ST 300 ST 304
classification_tum	DAT 708f
ctrlnum	(OCoLC)1078162832 (DE-599)DNB1172439621
dewey-full	006.31
dewey-hundreds	000 - Computer science, information, general works
dewey-ones	006 - Special computer methods
dewey-raw	006.31
dewey-search	006.31
dewey-sort	16.31
dewey-tens	000 - Computer science, information, general works
discipline	Informatik
edition	2. Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02618nam a2200625 c 4500</leader><controlfield tag="001">BV045454716</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20210126 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">190212s2019 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">18,N49</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1172439621</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783110617887</subfield><subfield code="c">pbk. : EUR 9.95</subfield><subfield code="9">978-3-11-061788-7</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3110617889</subfield><subfield code="9">3-11-061788-9</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783110617887</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1078162832</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1172439621</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BE</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-20</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-2070s</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-B768</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-858</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-898</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.31</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 304</subfield><subfield code="0">(DE-625)143653:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">68T05</subfield><subfield code="2">msc</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">68T10</subfield><subfield code="2">msc</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 708f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Alpaydın, Ethem</subfield><subfield code="d">1966-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)134261046</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Introduction to machine learning</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="c">Ethem Alpaydin</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">2. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Berlin ; Boston</subfield><subfield code="b">De Gruyter Oldenbourg</subfield><subfield code="c">[2019]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">© 2019</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XXII, 633 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">De Gruyter Studium</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">"Autorisierte Übersetzung der 3. englischsprachigen Ausgabe, die bei The MIT Press, Massachusetts Institute of Technology, unter dem Titel: 'Introduction to Machine Learning' erschienen ist."</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Fachhochschul-/Hochschulausbildung</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maschinelles Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Informatik</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Kunstliche Intelligenz</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Neuronale Netzwerke</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4123623-3</subfield><subfield code="a">Lehrbuch</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Walter de Gruyter GmbH & Co. KG</subfield><subfield code="0">(DE-588)10095502-2</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, EPUB</subfield><subfield code="z">978-3-11-061794-8</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">978-3-11-061789-4</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030840029&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-030840029</subfield></datafield></record></collection>
genre	(DE-588)4123623-3 Lehrbuch gnd-content
genre_facet	Lehrbuch
id	DE-604.BV045454716
illustrated	Illustrated
indexdate	2025-02-20T06:42:57Z
institution	BVB
institution_GND	(DE-588)10095502-2
isbn	9783110617887 3110617889
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-030840029
oclc_num	1078162832
open_access_boolean
owner	DE-20 DE-91G DE-BY-TUM DE-2070s DE-523 DE-29T DE-706 DE-355 DE-BY-UBR DE-83 DE-862 DE-BY-FWS DE-12 DE-1043 DE-860 DE-703 DE-19 DE-BY-UBM DE-1051 DE-B768 DE-634 DE-1050 DE-739 DE-92 DE-1046 DE-11 DE-858 DE-859 DE-898 DE-BY-UBR
owner_facet	DE-20 DE-91G DE-BY-TUM DE-2070s DE-523 DE-29T DE-706 DE-355 DE-BY-UBR DE-83 DE-862 DE-BY-FWS DE-12 DE-1043 DE-860 DE-703 DE-19 DE-BY-UBM DE-1051 DE-B768 DE-634 DE-1050 DE-739 DE-92 DE-1046 DE-11 DE-858 DE-859 DE-898 DE-BY-UBR
physical	XXII, 633 Seiten Illustrationen, Diagramme
publishDate	2019
publishDateSearch	2019
publishDateSort	2019
publisher	De Gruyter Oldenbourg
record_format	marc
series2	De Gruyter Studium
spellingShingle	Alpaydın, Ethem 1966- Maschinelles Lernen Maschinelles Lernen (DE-588)4193754-5 gnd
subject_GND	(DE-588)4193754-5 (DE-588)4123623-3
title	Maschinelles Lernen
title_alt	Introduction to machine learning
title_auth	Maschinelles Lernen
title_exact_search	Maschinelles Lernen
title_full	Maschinelles Lernen Ethem Alpaydin
title_fullStr	Maschinelles Lernen Ethem Alpaydin
title_full_unstemmed	Maschinelles Lernen Ethem Alpaydin
title_short	Maschinelles Lernen
title_sort	maschinelles lernen
topic	Maschinelles Lernen (DE-588)4193754-5 gnd
topic_facet	Maschinelles Lernen Lehrbuch
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030840029&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT alpaydınethem introductiontomachinelearning AT walterdegruytergmbhcokg introductiontomachinelearning AT alpaydınethem maschinelleslernen AT walterdegruytergmbhcokg maschinelleslernen

Holdings

Indexes

THWS Schweinfurt Zentralbibliothek Lesesaal

Holdings details from THWS Schweinfurt Zentralbibliothek Lesesaal
Call Number:	2000 ST 302 A456(2)
Copy 1	ausleihbar Available Place a Hold

MARC

Record in the Search Index

THWS Schweinfurt Zentralbibliothek Lesesaal

Similar Items