Verfügbarkeit: Maschinelles Lernen

Maschinelles Lernen:

Maschinelles Lernen ist die künstliche Generierung von Wissen aus Erfahrung. Dieses Buch diskutiert Methoden aus den Bereichen Statistik, Mustererkennung und kombiniert die unterschiedlichen Ansätze, um effiziente Lösungen zu finden. Diese Auflage bietet ein neues Kapitel über Deep Learning und erwe...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Alpaydın, Ethem 1966- (VerfasserIn)
Format:	Buch
Sprache:	German
Veröffentlicht:	Berlin ; Boston De Gruyter Oldenbourg [2022]
Ausgabe:	3., aktualisierte und erweiterte Auflage
Schriftenreihe:	De Gruyter Studium
Schlagworte:	Maschinelles Lernen Künstliche Intelligenz Deep Learning Neuronale Netze Machine learning artificial intelligence deep learning neuronal networks TB: Textbook Machine learning; artificial intelligence; deep learning; neuronal networks
Online-Zugang:	https://www.degruyter.com/isbn/9783110740141 Inhaltsverzeichnis
Zusammenfassung:	Maschinelles Lernen ist die künstliche Generierung von Wissen aus Erfahrung. Dieses Buch diskutiert Methoden aus den Bereichen Statistik, Mustererkennung und kombiniert die unterschiedlichen Ansätze, um effiziente Lösungen zu finden. Diese Auflage bietet ein neues Kapitel über Deep Learning und erweitert die Inhalte über mehrlagige Perzeptrone und bestärkendes Lernen. Eine neue Sektion über erzeugende gegnerische Netzwerke ist ebenfalls dabei.
Beschreibung:	"Autorisierte Übersetzung der 3. englischsprachigen Ausgabe, die bei The MIT Press, Massachusetts Institute of Technology, unter dem Titel: 'Introduction to Machine Learning' erschienen ist."
Beschreibung:	XX, 702 Seiten Illustrationen, Diagramme
ISBN:	9783110740141

Internformat

MARC


LEADER	00000nam a22000008c 4500
001	BV047712869
003	DE-604
005	20230216
007	t
008	220126s2022 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 21,N38 \|2 dnb
016	7		\|a 1241345937 \|2 DE-101
020			\|a 9783110740141 \|c Print \|9 978-3-11-074014-1
024	3		\|a 9783110740141
035			\|a (OCoLC)1296296692
035			\|a (DE-599)DNB1241345937
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-BE
049			\|a DE-860 \|a DE-355 \|a DE-1050 \|a DE-20 \|a DE-634 \|a DE-706 \|a DE-Aug4 \|a DE-19 \|a DE-1049 \|a DE-1102 \|a DE-29T \|a DE-12 \|a DE-1051 \|a DE-11 \|a DE-703 \|a DE-83 \|a DE-739 \|a DE-523 \|a DE-2075 \|a DE-B768
082	0		\|a 006.31 \|2 23/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			\|8 1\p \|a 004 \|2 23sdnb
084			\|a 68T05 \|2 msc
084			\|a 68T10 \|2 msc
100	1		\|a Alpaydın, Ethem \|d 1966- \|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 3., aktualisierte und erweiterte Auflage
264		1	\|a Berlin ; Boston \|b De Gruyter Oldenbourg \|c [2022]
264		4	\|c © 2022
300			\|a XX, 702 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."
520	3		\|a Maschinelles Lernen ist die künstliche Generierung von Wissen aus Erfahrung. Dieses Buch diskutiert Methoden aus den Bereichen Statistik, Mustererkennung und kombiniert die unterschiedlichen Ansätze, um effiziente Lösungen zu finden. Diese Auflage bietet ein neues Kapitel über Deep Learning und erweitert die Inhalte über mehrlagige Perzeptrone und bestärkendes Lernen. Eine neue Sektion über erzeugende gegnerische Netzwerke ist ebenfalls dabei.
650	0	7	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd \|9 rswk-swf
653			\|a Maschinelles Lernen
653			\|a Künstliche Intelligenz
653			\|a Deep Learning
653			\|a Neuronale Netze
653			\|a Machine learning
653			\|a artificial intelligence
653			\|a deep learning
653			\|a neuronal networks
653			\|a TB: Textbook
653			\|a Machine learning; artificial intelligence; deep learning; neuronal networks
689	0	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0		\|5 DE-604
710	2		\|a De Gruyter Oldenbourg \|0 (DE-588)1065492103 \|4 pbl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, EPUB \|z 978-3-11-074027-1
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 978-3-11-074019-6
856	4	2	\|m X:MVB \|u https://www.degruyter.com/isbn/9783110740141
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=033096598&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-033096598
883	1		\|8 1\p \|a vlb \|d 20210917 \|q DE-101 \|u https://d-nb.info/provenance/plan#vlb

Datensatz im Suchindex

_version_	1804183212942950400
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 ASSOZIATIONSREGELN .................................................................... 4 1.2.2 KLASSIFIKATION ............................................................................. 5 1.2.3 REGRESSION ................................................................................ 10 1.2.4 UNUEBERWACHTES LERNEN ........................................................... 11 1.2.5 BESTAERKENDES LERNEN .............................................................. 12 1.3 GESCHICHTE ................................................................................ 13 1.4 ANGRENZENDE THEMENFELDER .................................................... 16 1.4.1 HOCHLEISTUNGSRECHNEN .............................................................. 16 1.4.2 DATENSCHUTZ UND DATENSICHERHEIT ......................................... 17 1.4.3 INTERPRETIERBARKEIT UND VERTRAUENSWUERDIGKEIT DES MODELLS 18 1.4.4 DATA SCIENCE ............................................................................ 19 1.5 UEBUNGEN .................................................................................... 19 1.6 LITERATUR ANGABEN ................................................... 22 2 UEBERWACHTES LERNEN 25 2.1 LERNEN EINER KLASSE AUS BEISPIELEN ....................................... 25 2.2 VAPNIK-CHERVONENKIS-DIMENSION ........................................... 31 2.3 PAC-LERNEN .............................................................................. 32 2.4 1 RAUSCHEN .................................................................................... 34 2.5 LERNEN MULTIPLER KLASSEN ....................................................... 36 2.6 REGRESSION ................................................................................ 38 2.7 MODELLAUSWAHL UND GENERALISIERUNG ..................................... 40 2.8 DIMENSIONEN EINES ALGORITHMUS FUER UEBERWACHTES LERNEN .. 45 2.9 ANMERKUNGEN ........................................................................... 47 2.10 UEBUNGEN .................................................................................... 48 2.11 LITERATURANGABEN ..................................................................... 52 3 BAYESSCHE ENTSCHEIDUNGSTHEORIE 53 3.1 EINFUEHRUNG ................................................................................ 53 3.2 KLASSIFIKATION ............................................................................. 55 3.3 VERLUSTE UND RISIKEN .............................................................. 57 3.4 DISKRIMINANZFUNKTIONEN ......................................................... 60 3.5 ASSOZIATIONSREGELN .................................................................... 61 3.6 ANMERKUNGEN ........................................................................... 64 VI INHALTSVERZEICHNIS 3.7 UEBUNGEN .................................................................................... 65 3.8 LITERATURANGABEN ...................................................................... 69 4 PARAMETRISCHE METHODEN 71 4.1 EINFUEHRUNG ................................................................................ 71 4.2 MAXIMUM-LIKELIHOOD-SCHAETZUNG ........................................... 72 4.2.1 BERNOULLI-VERTEILUNG ................................................................ 73 4.2.2 MULTINOMIALE DICHTE ................................................................ 74 4.2.3 GAUSS-VERTEILUNG (NORMALVERTEILUNG) .................................... 74 4.3 BEWERTUNG EINES SCHAETZERS: VERZERRUNG UND VARIANZ ......... 75 4.4 DER BAYESSCHE SCHAETZER ........................................................... 77 4.5 PARAMETRISCHE KLASSIFIKATION .................................................. 80 4.6 REGRESSION ................................................................................ 83 4.7 DAS VERZERRUNG-VARIANZ-DILEMMA ......................................... 87 4.8 MODELLAUSWAHL ......................................................................... 91 4.9 ANMERKUNGEN ........................................................................... 95 4.10 UEBUNGEN .................................................................................... 95 4.11 LITERATURANGABEN ...................................................................... 98 5 MULTIVARIATE METHODEN 101 5.1 MULTIVARIATE DATEN ................................................................... 101 5.2 PARAMETERSCHAETZUNG ................................................................. 102 5.3 SCHAETZUNG VON FEHLENDEN WERTEN ............................................ 103 5.4 MULTIVARIATE NORMALVERTEILUNG ................................................ 104 5.5 MULTIVARIATE KLASSIFIKATION ....................................................... 108 5.6 ANPASSEN DER KOMPLEXITAET ....................................................... 114 5.7 DISKRETE MERKMALE ................................................................... 116 5.8 MULTIVARIATE REGRESSION ............................................................ 118 5.9 ANMERKUNGEN ............................................................................ 119 5.10 UEBUNGEN ..................................................................................... 120 5.11 LITERATURANGABEN ....................................................................... 122 6 DIMENSIONALITAETSREDUKTION 125 6.1 EINFUEHRUNG ................................................................................. 125 6.2 TEILMENGENSELEKTION ................................................................. 126 6.3 HAUPTKOMPONENTENANALYSE ..................................................... 131 6.4 MERKMALSEINBETTUNG ................................................................. 137 6.5 FAKTORENANALYSE ........................................................................ 140 6.6 SINGULAERWERTZERLEGUNG UND FAKTORISIERUNG VON MATRIZEN .. 145 6.7 MULTIDIMENSIONALE SKALIERUNG ................................................. 147 6.8 LINEARE DISKRIMINANZANALYSE ......................... ........................ 150 6.9 KANONISCHE KORRELATIONSANALYSE .............................................. 154 6.10 ISOMAP ........................................................................................ 158 6.11 LOKAL LINEARE EINBETTUNG .......................................................... 160 6.12 LAPLACESCHE EIGENMAPS ............................................................ 162 6.13 T-VERTEILTE STOCHASTISCHE NACHBAREINBETTUNG ........................ 165 6.14 ANMERKUNGEN ............................................................................ 167 INHALTSVERZEICHNIS VII 6.15 UEBUNGEN .................................................................................... 169 6.16 LITERATURANGABEN ..................................................................... 171 7 CLUSTERANALYSE 173 7.1 EINFUEHRUNG ................................................................................. 173 7.2 MISCHUNGSDICHTEN ...................................................................... 174 7.3 FC-MEANS-CLUSTERANALYSE .......................................................... 175 7.4 EXPECTATION-MAXIMIZATION-ALGORITHMUS ............................... 179 7.5 MISCHUNGSMODELLE MIT VERBORGENEN VARIABLEN ...................... 185 7.6 UEBERWACHTES LERNEN NACH EINER CLUSTERANALYSE .................... 186 7.7 SPEKTRALE CLUSTERANALYSE .......................................................... 187 7.8 HIERARCHISCHE CLUSTERANALYSE ................................................... 189 7.9 WAHL DER CLUSTERANZAHL ............................................................ 191 7.10 ANMERKUNGEN ............................................................................ 192 7.11 UEBUNGEN ..................................................................................... 193 7.12 LITERATURANGABEN ...................................................................... 195 8 8.1 8.2 8.2.1 8.2.2 NICHTPARAMETRISCHE METHODEN EINFUEHRUNG ................................................................................ NICHTPARAMETRISCHE DICHTESCHAETZUNG .................................... HISTOGRAMMSCHAETZER KERNEL-SCHAETZER ....................................................................... 199 199 200 201 203 8.2.3 /C-NAECHSTE-NACHBARN-SCHAETZER ................................................. 204 8.3 VERALLGEMEINERUNG AUF MULTIVARIATE DATEN ............................ 205 8.4 NICHTPARAMETRISCHE KLASSIFIKATION .......................................... 207 8.5 VERDICHTETE NAECHSTE-NACHBARN-METHODE ............................... 208 8.6 ABSTANDSBASIERTE KLASSIFIKATION ............................................. 210 8.7 AUSREISSER ER KENNUNG ................................................................. 213 8.8 NICHTPARAMETRISCHE REGRESSION: GLAETTUNGSMODELLE ............. 214 8.8.1 GLEITENDE MITTELWERTGLAETTUNG ................................................. 215 8.8.2 GLAETTUNG DURCH KERNEL-FUNKTION ............................................ 217 8.8.3 GLEITENDE LINIENGLAETTUNG ........................................................ 217 8.9 WAHL DES GLAETTENDEN HYPERPARAMETERS ................................. 218 8.10 ANMERKUNGEN ............................................................................ 220 8.11 UEBUNGEN .................................................................................... 222 8.12 LITERATURANGABEN ...................................................................... 225 9 ENTSCHEIDUNGSBAEUME 227 9.1 EINFUEHRUNG ................................................................................. 227 9.2 UNIVARIATE BAEUME .................................................................... 229 9.2.1 KLASSIFIKATIONSBAEUME ............................................................... 230 9.2.2 REGRESSIONSBAEUME .................................................................... 234 9.3 PRUNING ...................................................................................... 237 9.4 REGELEXTRAKTION AUS BAEUMEN ................................................... 239 9.5 LERNEN VON REGELN ANHAND VON DATEN ................................. 241 9.6 MULTIVARIATE BAEUME ................................................................. 245 9.7 ANMERKUNGEN ............................................................................ 247 VIII INHALTSVERZEICHNIS 9.8 UEBUNGEN ..................................................................................... 250 9.9 LITERATURANGABEN ...................................................................... 252 10 LINEARE DISKRIMINANZ 255 10.1 EINFUEHRUNG ................................................................................. 255 10.2 GENERALISIERUNG DES LINEAREN MODELLS ..................................... 257 10.3 GEOMETRIE DER LINEAREN DISKRIMINANZ ..................................... 258 10.3.1 ZWEI KLASSEN ............................................................................. 258 10.3.2 MULTIPLE KLASSEN ...................................................................... 260 10.4 PAARWEISE TRENNUNG ................................................................. 261 10.5 NEUBETRACHTUNG DER PARAMETRISCHEN DISKRIMINANZ .............. 263 10.6 GRADIENTENABSTIEG ..................................................................... 265 10.7 LOGISTISCHE DISKRIMINANZ ........................................................ 266 10.7.1 ZWEI KLASSEN ............................................................................. 266 10.7.2 MULTIPLE KLASSEN ...................................................................... 270 10.7.3 MULTIPLE LABELS ........................................................................ 275 10.8 LERNEN VON RANGORDNUNGEN ..................................................... 276 10.9 ANMERKUNGEN ............................................................................ 279 10.10 UEBUNGEN ..................................................................................... 279 10.11 LITERATURANGABEN ...................................................................... 282 11 MEHRLAGIGE PERZEPTRONEN 285 11.1 EINFUEHRUNG ................................................................................. 285 11.1.1 DAS GEHIRN VERSTEHEN ............................................................... 286 11.1.2 NEURONALE NETZE UND PARALLELVERARBEITUNG .......................... 287 11.2 DAS PERZEPTRON .......................................................................... 289 11.3 TRAINING EINES PERZEPTRONS ...................................................... 293 11.4 LERNEN VON BOOLESCHEN FUNKTIONEN ...................................... 296 11.5 MEHRLAGIGE PERZEPTRONEN ........................................................ 298 11.6 DAS MLP ALS UNIVERSELLE NAEHERUNGSFUNKTION ........................ 300 11.7 BACKPROPAGATION ...................................................................... 302 11.7.1 NICHTLINEARE REGRESSION ............................................................ 302 11.7.2 ZWEIKLASSENDISKRIMINANZ .......................................................... 307 11.7.3 DISKRIMINANZ BEI MULTIPLEN KLASSEN ...................................... 308 11.7.4 DISKRIMINANZ BEI MULTIPLEN LABELN ........................................ 308 11.8 UEBERTRAINING ........................................................ 309 11.9 LERNEN VERBORGENER DARSTELLUNGEN ........................................ 311 11.10 AUTOENCODER ............................................................................. 315 11.11 DIE WORD2VEC-ARCHITEKTUR ........................................................ 317 11.12 ANMERKUNGEN ............................................................................ 321 11.13 UEBUNGEN ..................................................................................... 323 11.14 LITERATURANGABEN ...................................................................... 324 12 TIEFES LERNEN 327 12.1 EINFUEHRUNG ................................................................................. 327 12.2 TRAINING MEHRERER VERBORGENER SCHICHTEN .............................. 331 12.2.1 REKTIFIZIERTE LINEARE EINHEIT ...................................................... 331 INHALTSVERZEICHNIS IX 12.2.2 INITIALISIERUNG ............................................................................ 332 12.2.3 BACKPROPAGATION MIT MEHREREN VERBORGENEN SCHICHTEN. ... 332 12.3 VERBESSERN DER TRAININGSKONVERGENZ ...................................... 335 12.3.1 MOMENTUM ................................................................................. 335 12.3.2 ADAPTIVER LERNFAKTOR ............................................................... 336 12.3.3 BATCH-NORMALISIERUNG ............................................................. 338 12.4 REGULARISIERUNG .......................................................................... 339 12.4.1 HINWEISE ..................................................................................... 340 12.4.2 GEWICHTSABBAU .......................................................................... 341 12.4.3 DROPOUT ...................................................................................... 344 12.5 FALTUNGSSCHICHTEN ...................................................................... 346 12.5.1 DIE IDEE ...................................................................................... 346 12.5.2 FORMALISIERUNG .......................................................................... 347 12.5.3 BEISPIELE: LENET-5 UND ALEXNET .............................................. 351 12.5.4 ERWEITERUNGEN ............................................................................ 352 12.5.5 MULTIMODALE TIEFE NETZE .......................................................... 353 12.6 EINSTELLEN DER NETZWERKSTRUKTUR ............................................ 355 12.6.1 STRUKTURSUCHE UND HYPERPARAMETERSUCHE ............................ 355 12.6.2 SPRUNGVERBINDUNGEN ................................................................. 356 12.6.3 GATTEREINHEITEN .......................................................................... 358 12.7 LERNEN VON SEQUENZEN ............................................................. 358 12.7.1 BEISPIELAUFGABEN ...................................................................... 358 12.7.2 NEURONALE NETZE MIT ZEITVERZOEGERUNG ................................... 359 12.7.3 REKURRENTE NETZE ...................................................................... 359 12.7.4 LANGES KURZZEITGEDAECHTNIS ...................................................... 362 12.7.5 GATED RECURRENT UNIT (GRU) ................................................. 364 12.8 GENERATIVE GEGNERISCHE NETZE ................................................. 365 12.9 ANMERKUNGEN ............................................................................ 367 12.10 UEBUNGEN .................................................................................... 369 12.11 LITERATURANGABEN ....................................................................... 371 13 LOKALE MODELLE 375 13.1 EINFUEHRUNG ................................................................................. 375 13.2 KOMPETITIVES LERNEN ............................................................... 375 13.2.1 ONLINE-FC-MEANS-ALGORITHMUS ................................................. 376 13.2.2 ADAPTIVE RESONANZTHEORIE ....................................................... 381 13.2.3 SELBSTORGANISIERENDE MERKMALSKARTEN ................................... 382 13.3 RADIALE BASISFUNKTIONEN .......................................................... 383 13.4 REGELBASIERTES WISSEN ............................................................. 390 13.5 NORMALISIERTE BASISFUNKTIONEN ................................................ 391 13.6 KOMPETITIVE BASISFUNKTIONEN ................................................. 393 13.7 LERNEN MIT VEKTORQUANTISIERUNG ............................................ 396 13.8 DAS MOE-MODELL ...................................................................... 396 13.8.1 KOOPERATIVE EXPERTEN ............................................................. 399 13.8.2 KOMPETITIVE EXPERTEN ............................................................. 399 13.9 HIERARCHISCHE MOE UND WEICHE ENTSCHEIDUNGSBAEUME ....... 400 13.10 ANMERKUNGEN ............................................................................ 402 X INHALTSVERZEICHNIS 13.11 UEBUNGEN ..................................................................................... 403 13.12 LITERATURANGABEN ...................................................................... 406 14 KERNEL-MASCHINEN 409 14.1 EINFUEHRUNG ................................................................................. 409 14.2 DIE OPTIMAL TRENNENDE HYPEREBENE ....................................... 411 14.3 DER NICHT TRENNBARE FALL: SOFT-MARGIN-TRENNEBENEN ............ 415 14.4 V-SVM ........................................................................................ 418 14.5 KERNEL-TRICK ............................................................................... 419 14.6 VEKTORIELLE KERNEL ..................................................................... 421 14.7 DEFINITION VON KERNELN ............................................................ 423 14.8 MULTIPLE-KERNEL-LERNEN ............................................................ 425 14.9 MEHRKLASSEN-KERNEL-MASCHINEN .............................................. 427 14.10 KERNEL-MASCHINEN UND REGRESSION .......................................... 428 14.11 KERNEL-MASCHINEN UND RANKING ............................................. 433 14.12 EINKLASSEN-KERNEL-MASCHINEN ................................................. 434 14.13 BREITER-MARGIN-NAECHSTER-NACHBAR-KLASSIFIKATOR ................... 438 14.14 DIMENSIONALITAETSREDUKTION MIT KERNEL ................................... 440 14.15 ANMERKUNGEN ............................................................................ 441 14.16 UEBUNGEN ..................................................................................... 442 14.17 LITERATURANGABEN ....................................................................... 444 15 GRAPHENMODELLE 447 15.1 EINFUEHRUNG ................................................................................. 447 15.2 KANONISCHE FAELLE FUER BEDINGTE UNABHAENGIGKEIT ................... 449 15.3 GENERATIVE MODELLE ................................................................... 457 15.4 D-SEPARATION .............................................................................. 459 15.5 BELIEF-PROPAGATION ..................................................................... 460 15.5.1 KETTEN ........................................................................................ 460 15.5.2 BAEUME ........................................................................................ 462 15.5.3 MEHRFACHBAEUME ........................................................................ 464 15.5.4 VERBINDUNGSBAEUME ................................................................... 466 15.6 UNGERICHTETE GRAPHEN: MARKOVSCHE ZUFALLSFELDER ................. 467 15.7 LERNEN DER STRUKTUR EINES GRAPHENMODELLS .......................... 470 15.8 EINFLUSSDIAGRAMME ................................................................... 471 15.9 ANMERKUNGEN ............................................................................ 472 15.10 UEBUNGEN ..................................................................................... 473 15.11 LITERATURANGABEN ...................................................................... 476 16 HIDDEN-MARKOV-MODELLE 479 16.1 EINFUEHRUNG ................................................................................. 479 16.2 DISKRETE MARKOV-PROZESSE ...................................................... 480 16.3 HIDDEN-MARKOV-MODELLE .......................................................... 483 16.4 DREI PROBLEMSTELLUNGEN FUER HMMS ........................................ 485 16.5 EVALUIERUNGSPROBLEM ............................................................... 485 16.6 HERAUSFINDEN DER ZUSTANDSSEQUENZ ........................................ 489 16.7 LERNEN VON MODELLPARAMETERN ................................................ 491 INHALTSVERZEICHNIS XI 16.8 KONTINUIERLICHE BEOBACHTUNGEN ............................................. 494 16.9 DAS HMM ALS GRAPHENMODELL ............................................... 495 16.10 MODELLAUSWAHL IM HMM .......................................................... 498 16.11 ANMERKUNGEN ............................................................................ 501 16.12 UEBUNGEN .................................................................................... 503 16.13 LITERATURANGABEN ...................................................................... 505 17 BAYESSCHE SCHAETZUNG 507 17.1 EINFUEHRUNG ................................................................................. 507 17.2 PARAMETER DISKRETER VERTEILUNGEN .......................................... 511 17.2.1 K 2-ZUSTAENDE: DIRICHLET-VERTEILUNG ................................... 511 17.2.2 K = 2-ZUSTAENDE: BETAVERTEILUNG ............................................ 513 17.3 PARAMETER EINER GAUSS-VERTEILUNG ........................................... 513 17.3.1 UNIVARIATER FALL: UNBEKANNTER MITTELWERT, BEKANNTE VARIANZ ...................................................................... 513 17.3.2 UNIVARIATER FALL: UNBEKANNTER MITTELWERT, UNBEKANNTE VARIANZ ................................................................. 516 17.3.3 MULTIVARIATER FALL: UNBEKANNTER MITTELWERT, UNBEKANNTE KOVARIANZ ............................................................. 518 17.4 BAYESSCHE SCHAETZUNG DER PARAMETER EINER FUNKTION .......... 519 17.4.1 REGRESSION ................................................................................. 519 17.4.2 REGRESSION MIT PRIOR FUER DIE PRAEZISION DES RAUSCHENS ....... 523 17.4.3 BASIS/KERNEL-FUNKTIONEN ........................................................ 525 17.4.4 BAYESSCHE KLASSIFIKATION .............................. . ......................... 527 17.5 WAHL EINES PRIORS ...................................................................... 529 17.6 BAYESSCHER MODELLVERGLEICH .................................................... 530 17.7 BAYESSCHE SCHAETZUNG FUER EIN MISCHUNGSMODELL ..................... 533 17.8 NICHTPARAMETRISCHE BAYESSCHE MODELLE ................................. 536 17.9 GAUSSSCHE PROZESSE ................................................................... 537 17.10 DIRICHLET-PROZESSE UND CHINAESTAURANTS ............................... 541 17.11 LATENTE DIRICHLET-ALLOKATION ................................................... 542 17.12 BETAPROZESSE UND INDISCHE BUEFFETS .......................................... 545 17.13 ANMERKUNGEN ............................................................................ 546 17.14 UEBUNGEN .................................................................................... 547 17.15 LITERATURANGABEN ...................................................................... 548 18 KOMBINATION MEHRERER LERNER 551 18.1 GRUNDPRINZIP .............................................................................. 551 18.2 GENERIERUNG DIVERSER LERNER ................................................... 552 18.3 METHODEN DER MODELLKOMBINATION ........................................ 555 18.4 VOTING ........................................................................................ 556 18.5 FEHLERKORREKTURCODES ............................................................... 560 18.6 BAGGING ...................................................................................... 562 18.7 BOOSTING .................................................................................... 563 18.8 NEUBETRACHTUNG DES MOE-MODELLS ........................................ 566 18.9 GESCHACHTELTE GENERALISIERUNG ............................................... 568 18.10 FEINABSTIMMUNG EINES ENSEMBLES .......................................... 569 XII INHALTSVERZEICHNIS 18.10.1 WAHL EINER TEILMENGE DES ENSEMBLES ..................................... 569 18.10.2 KONSTRUKTION VON METALERNERN ............................................... 570 18.11 KASKADIERUNG .............................................................................. 571 18.12 ANMERKUNGEN ............................................................................ 573 18.13 UEBUNGEN ..................................................................................... 575 18.14 LITERATURANGABEN ...................................................................... 577 19 BESTAERKENDES LERNEN 581 19.1 EINFUEHRUNG ................................................................................. 581 19.2 FAELLE MIT EINEM ZUSTAND: K-ARMIGER BANDIT ...................... 583 19.3 ELEMENTE DES BESTAERKENDEN LERNENS ...................................... 584 19.4 MODELLBASIERTES LERNEN ............................................................ 587 19.4.1 WERTITERATION .............................................................................. 587 19.4.2 TAKTIKITERATION .......................................................................... 588 19.5 LERNEN MIT TEMPORALER DIFFERENZ ............................................ 588 19.5.1 EXPLORATIONSSTRATEGIEN .............................................................. 589 19.5.2 DETERMINISTISCHE BELOHNUNGEN UND AKTIONEN ...................... 590 19.5.3 NICHTDETERMINISTISCHE BELOHNUNGEN UND AKTIONEN .............. 591 19.5.4 EIGNUNGSPROTOKOLLE ................................................................... 594 19.6 GENERALISIERUNG .......................................................................... 595 19.7 TEILWEISE BEOBACHTBARE ZUSTAENDE ............................................ 598 19.7.1 SETTING ........................................................................................ 598 19.7.2 BEISPIEL: DAS TIGERPROBLEM ..................................................... 600 19.8 TIEFES Q-LERNEN ........................................................................ 605 19.9 TAKTIKGRADIENTEN ...................................................................... 606 19.10 BACKGAMMON UND GO ............................................................... 609 19.11 ANMERKUNGEN ............................................................................ 610 19.12 UEBUNGEN ..................................................................................... 611 19.13 LITERATURANGABEN ...................................................................... 614 20 EXPERIMENTE MIT MASCHINELLEM LERNEN 617 20.1 EINFUEHRUNG ................................................................................. 617 20.2 FAKTOREN, ANTWORT UND STRATEGIE BEIM EXPERIMENTIEREN .. 621 20.3 ANTWORTFLAECHENMETHODE ............................................................ 623 20.4 RANDOMISIEREN, WIEDERHOLEN UND BLOCKEN ............................ 624 20.5 RICHTLINIEN FUER EXPERIMENTE MIT MASCHINELLEM LERNEN .... 625 20.6 KREUZVALIDIERUNG UND RESAMPLING-METHODEN ...................... 629 20.6.1 K-FACHE KREUZVALIDIERUNG ........................................................ 630 20.6.2 5 X 2-KREUZVALIDIERUNG ............................................................ 631 20.6.3 BOOTSTRAPPING ............................................................................ 632 20.7 LEISTUNGSMESSUNG FUER KLASSIFIKATOREN ..................................... 632 20.8 INTERVALLSCHAETZUNG ..................................................................... 636 20.9 HYPOTHESENPRUEFUNG ................................................................... 639 20.10 LEISTUNGSBEWERTUNG FUER KLASSIFIKATIONSALGORITHMEN ............ 641 20.10.1 BINOMIALTEST .............................................................................. 642 20.10.2 TEST DER APPROXIMIERTEN NORMALVERTEILUNG .......................... 643 20.10.3 T-TEST .......................................................................................... 643 INHALTSVERZEICHNIS XIII 20.11 VERGLEICH VON ZWEI KLASSIFIKATIONSALGORITHMEN ..................... 644 20.11.1 DER MCNEMARSCHE TEST ............................................................ 644 20.11.2 GEPAARTER T-TEST MIT K-FACHER KREUZVALIDIERUNG ............... 644 20.11.3 GEPAARTER T-TEST MIT 5X2 KREUZVALIDIERUNG ...................... 645 20.11.4 GEPAARTER E-TEST MIT 5X2 KREUZVALIDIERUNG ..................... 646 20.12 VERGLEICH MEHRERER ALGORITHMEN: VARIANZANALYSE ............... 647 20.13 VERGLEICH UEBER MEHRERE DATENSAETZE ........................................ 651 20.13.1 VERGLEICH ZWEIER ALGORITHMEN ................................................. 653 20.13.2 VERGLEICH MEHRERER ALGORITHMEN ............................................ 655 20.14 MULTIVARIATE TESTS .................................................................... 656 20.14.1 VERGLEICH ZWEIER ALGORITHMEN ................................................. 656 20.14.2 VERGLEICH MEHRERER ALGORITHMEN ............................................ 658 20.15 ANMERKUNGEN ............................................................................ 659 20.16 UEBUNGEN ..................................................................................... 660 20.17 LITERATURANGABEN ...................................................................... 662 A WAHRSCHEINLICHKEIT 663 A. L ELEMENTE DER WAHRSCHEINLICHKEIT ............................................. 663 A. 1.1 AXIOME DER WAHRSCHEINLICHKEIT .............................................. 663 A. L. 2 BEDINGTE WAHRSCHEINLICHKEIT .................................................... 664 A. 2 ZUFALLSVARIABLEN ......................................................................... 665 A. 2.1 VERTEILUNGSFUNKTION UND WAHRSCHEINLICHKEITSDICHTE ............. 665 A. 2.2 GEMEINSAME VERTEILUNGSFUNKTION, GEMEINSAME DICHTE .... 666 A.2.3 BEDINGTE VERTEILUNGEN ...................................... 666 A.2.4 SATZ VON BAYES ........................................................................... 666 A.2.5 ERWARTUNGSWERT ......................................................................... 667 A.2.6 VARIANZ ....................................................................................... 668 A.2.7 DAS SCHWACHE GESETZ GROSSER ZAHLEN ....................................... 669 A.3 SPEZIELLE VERTEILUNGEN VON ZUFALLSVARIABLEN ........................... 669 A.3.1 BERNOULLI-VERTEILUNG .................................................................. 669 A.3.2 BINOMIALVERTEILUNG .................................................................... 670 A.3.3 MULTINOMIALE VERTEILUNG ........................................................... 670 A.3.4 GLEICHVERTEILUNG ......................................................................... 670 A.3.5 NORMALVERTEILUNG (GAUSS-VERTEILUNG) ...................................... 671 A.3.6 CHI-QUADRAT-VERTEILUNG ............................................................. 672 A.3.7 T-VERTEILUNG ................................................................................ 673 A.3.8 F VERTEILUNG .............................................................................. 673 A. 4 LITERATURANGABEN ....................................................................... 673 B LINEARE ALGEBRA 675 B. L VEKTOREN ...................................................................................... 675 B. 2 MATRIZEN ...................................................................................... 677 B. 3 AEHNLICHKEIT ZWISCHEN VEKTOREN ................................................ 678 B. 4 QUADRATISCHE MATRIZEN ............................................................. 679 B. 5 LINEARE ABHAENGIGKEIT UND RANG ............................................. 679 B. 6 DIE INVERSE MATRIX ...................................................................... 680 B.7 POSITIV DEFINITE MATRIZEN ........................................................... 680 XIV INHALTSVERZEICHNIS B.8 SPUR UND DETERMINANTE ............................................................. 680 B.9 EIGENWERTE UND EIGENVEKTOREN ................................................. 681 B.10 SPEKTRALZERLEGUNG ...................................................................... 682 B.LL SINGULAERWERTZERLEGUNG ............................................................... 682 B. 12 LITERATURANGABEN ........................................................................ 683 C OPTIMIERUNG 685 C. L EINFUEHRUNG .................................................................................. 685 C. 2 LINEARE OPTIMIERUNG ................................................................. 687 C. 3 KONVEXE OPTIMIERUNG ............................................................... 687 C. 4 DUALITAET ........................................................................................ 688 C. 5 LOKALE OPTIMIERUNG .................................................................. 690 C. 6 LITERATURANGABEN ........................................................................ 691 INDEX 693
adam_txt	INHALTSVERZEICHNIS 1 EINFUEHRUNG 1 1.1 WAS IST MASCHINELLES LERNEN? . 1 1.2 BEISPIELE FUER ANWENDUNGEN DES MASCHINELLEN LERNENS . 4 1.2.1 ASSOZIATIONSREGELN . 4 1.2.2 KLASSIFIKATION . 5 1.2.3 REGRESSION . 10 1.2.4 UNUEBERWACHTES LERNEN . 11 1.2.5 BESTAERKENDES LERNEN . 12 1.3 GESCHICHTE . 13 1.4 ANGRENZENDE THEMENFELDER . 16 1.4.1 HOCHLEISTUNGSRECHNEN . 16 1.4.2 DATENSCHUTZ UND DATENSICHERHEIT . 17 1.4.3 INTERPRETIERBARKEIT UND VERTRAUENSWUERDIGKEIT DES MODELLS 18 1.4.4 DATA SCIENCE . 19 1.5 UEBUNGEN . 19 1.6 LITERATUR ANGABEN . 22 2 UEBERWACHTES LERNEN 25 2.1 LERNEN EINER KLASSE AUS BEISPIELEN . 25 2.2 VAPNIK-CHERVONENKIS-DIMENSION . 31 2.3 PAC-LERNEN . 32 2.4 1 RAUSCHEN . 34 2.5 LERNEN MULTIPLER KLASSEN . 36 2.6 REGRESSION . 38 2.7 MODELLAUSWAHL UND GENERALISIERUNG . 40 2.8 DIMENSIONEN EINES ALGORITHMUS FUER UEBERWACHTES LERNEN . 45 2.9 ANMERKUNGEN . 47 2.10 UEBUNGEN . 48 2.11 LITERATURANGABEN . 52 3 BAYESSCHE ENTSCHEIDUNGSTHEORIE 53 3.1 EINFUEHRUNG . 53 3.2 KLASSIFIKATION . 55 3.3 VERLUSTE UND RISIKEN . 57 3.4 DISKRIMINANZFUNKTIONEN . 60 3.5 ASSOZIATIONSREGELN . 61 3.6 ANMERKUNGEN . 64 VI INHALTSVERZEICHNIS 3.7 UEBUNGEN . 65 3.8 LITERATURANGABEN . 69 4 PARAMETRISCHE METHODEN 71 4.1 EINFUEHRUNG . 71 4.2 MAXIMUM-LIKELIHOOD-SCHAETZUNG . 72 4.2.1 BERNOULLI-VERTEILUNG . 73 4.2.2 MULTINOMIALE DICHTE . 74 4.2.3 GAUSS-VERTEILUNG (NORMALVERTEILUNG) . 74 4.3 BEWERTUNG EINES SCHAETZERS: VERZERRUNG UND VARIANZ . 75 4.4 DER BAYESSCHE SCHAETZER . 77 4.5 PARAMETRISCHE KLASSIFIKATION . 80 4.6 REGRESSION . 83 4.7 DAS VERZERRUNG-VARIANZ-DILEMMA . 87 4.8 MODELLAUSWAHL . 91 4.9 ANMERKUNGEN . 95 4.10 UEBUNGEN . 95 4.11 LITERATURANGABEN . 98 5 MULTIVARIATE METHODEN 101 5.1 MULTIVARIATE DATEN . 101 5.2 PARAMETERSCHAETZUNG . 102 5.3 SCHAETZUNG VON FEHLENDEN WERTEN . 103 5.4 MULTIVARIATE NORMALVERTEILUNG . 104 5.5 MULTIVARIATE KLASSIFIKATION . 108 5.6 ANPASSEN DER KOMPLEXITAET . 114 5.7 DISKRETE MERKMALE . 116 5.8 MULTIVARIATE REGRESSION . 118 5.9 ANMERKUNGEN . 119 5.10 UEBUNGEN . 120 5.11 LITERATURANGABEN . 122 6 DIMENSIONALITAETSREDUKTION 125 6.1 EINFUEHRUNG . 125 6.2 TEILMENGENSELEKTION . 126 6.3 HAUPTKOMPONENTENANALYSE . 131 6.4 MERKMALSEINBETTUNG . 137 6.5 FAKTORENANALYSE . 140 6.6 SINGULAERWERTZERLEGUNG UND FAKTORISIERUNG VON MATRIZEN . 145 6.7 MULTIDIMENSIONALE SKALIERUNG . 147 6.8 LINEARE DISKRIMINANZANALYSE . . 150 6.9 KANONISCHE KORRELATIONSANALYSE . 154 6.10 ISOMAP . 158 6.11 LOKAL LINEARE EINBETTUNG . 160 6.12 LAPLACESCHE EIGENMAPS . 162 6.13 T-VERTEILTE STOCHASTISCHE NACHBAREINBETTUNG . 165 6.14 ANMERKUNGEN . 167 INHALTSVERZEICHNIS VII 6.15 UEBUNGEN . 169 6.16 LITERATURANGABEN . 171 7 CLUSTERANALYSE 173 7.1 EINFUEHRUNG . 173 7.2 MISCHUNGSDICHTEN . 174 7.3 FC-MEANS-CLUSTERANALYSE . 175 7.4 EXPECTATION-MAXIMIZATION-ALGORITHMUS . 179 7.5 MISCHUNGSMODELLE MIT VERBORGENEN VARIABLEN . 185 7.6 UEBERWACHTES LERNEN NACH EINER CLUSTERANALYSE . 186 7.7 SPEKTRALE CLUSTERANALYSE . 187 7.8 HIERARCHISCHE CLUSTERANALYSE . 189 7.9 WAHL DER CLUSTERANZAHL . 191 7.10 ANMERKUNGEN . 192 7.11 UEBUNGEN . 193 7.12 LITERATURANGABEN . 195 8 8.1 8.2 8.2.1 8.2.2 NICHTPARAMETRISCHE METHODEN EINFUEHRUNG . NICHTPARAMETRISCHE DICHTESCHAETZUNG . HISTOGRAMMSCHAETZER KERNEL-SCHAETZER . 199 199 200 201 203 8.2.3 /C-NAECHSTE-NACHBARN-SCHAETZER . 204 8.3 VERALLGEMEINERUNG AUF MULTIVARIATE DATEN . 205 8.4 NICHTPARAMETRISCHE KLASSIFIKATION . 207 8.5 VERDICHTETE NAECHSTE-NACHBARN-METHODE . 208 8.6 ABSTANDSBASIERTE KLASSIFIKATION . 210 8.7 AUSREISSER ER KENNUNG . 213 8.8 NICHTPARAMETRISCHE REGRESSION: GLAETTUNGSMODELLE . 214 8.8.1 GLEITENDE MITTELWERTGLAETTUNG . 215 8.8.2 GLAETTUNG DURCH KERNEL-FUNKTION . 217 8.8.3 GLEITENDE LINIENGLAETTUNG . 217 8.9 WAHL DES GLAETTENDEN HYPERPARAMETERS . 218 8.10 ANMERKUNGEN . 220 8.11 UEBUNGEN . 222 8.12 LITERATURANGABEN . 225 9 ENTSCHEIDUNGSBAEUME 227 9.1 EINFUEHRUNG . 227 9.2 UNIVARIATE BAEUME . 229 9.2.1 KLASSIFIKATIONSBAEUME . 230 9.2.2 REGRESSIONSBAEUME . 234 9.3 PRUNING . 237 9.4 REGELEXTRAKTION AUS BAEUMEN . 239 9.5 LERNEN VON REGELN ANHAND VON DATEN . 241 9.6 MULTIVARIATE BAEUME . 245 9.7 ANMERKUNGEN . 247 VIII INHALTSVERZEICHNIS 9.8 UEBUNGEN . 250 9.9 LITERATURANGABEN . 252 10 LINEARE DISKRIMINANZ 255 10.1 EINFUEHRUNG . 255 10.2 GENERALISIERUNG DES LINEAREN MODELLS . 257 10.3 GEOMETRIE DER LINEAREN DISKRIMINANZ . 258 10.3.1 ZWEI KLASSEN . 258 10.3.2 MULTIPLE KLASSEN . 260 10.4 PAARWEISE TRENNUNG . 261 10.5 NEUBETRACHTUNG DER PARAMETRISCHEN DISKRIMINANZ . 263 10.6 GRADIENTENABSTIEG . 265 10.7 LOGISTISCHE DISKRIMINANZ . 266 10.7.1 ZWEI KLASSEN . 266 10.7.2 MULTIPLE KLASSEN . 270 10.7.3 MULTIPLE LABELS . 275 10.8 LERNEN VON RANGORDNUNGEN . 276 10.9 ANMERKUNGEN . 279 10.10 UEBUNGEN . 279 10.11 LITERATURANGABEN . 282 11 MEHRLAGIGE PERZEPTRONEN 285 11.1 EINFUEHRUNG . 285 11.1.1 DAS GEHIRN VERSTEHEN . 286 11.1.2 NEURONALE NETZE UND PARALLELVERARBEITUNG . 287 11.2 DAS PERZEPTRON . 289 11.3 TRAINING EINES PERZEPTRONS . 293 11.4 LERNEN VON BOOLESCHEN FUNKTIONEN . 296 11.5 MEHRLAGIGE PERZEPTRONEN . 298 11.6 DAS MLP ALS UNIVERSELLE NAEHERUNGSFUNKTION . 300 11.7 BACKPROPAGATION . 302 11.7.1 NICHTLINEARE REGRESSION . 302 11.7.2 ZWEIKLASSENDISKRIMINANZ . 307 11.7.3 DISKRIMINANZ BEI MULTIPLEN KLASSEN . 308 11.7.4 DISKRIMINANZ BEI MULTIPLEN LABELN . 308 11.8 UEBERTRAINING . 309 11.9 LERNEN VERBORGENER DARSTELLUNGEN . 311 11.10 AUTOENCODER . 315 11.11 DIE WORD2VEC-ARCHITEKTUR . 317 11.12 ANMERKUNGEN . 321 11.13 UEBUNGEN . 323 11.14 LITERATURANGABEN . 324 12 TIEFES LERNEN 327 12.1 EINFUEHRUNG . 327 12.2 TRAINING MEHRERER VERBORGENER SCHICHTEN . 331 12.2.1 REKTIFIZIERTE LINEARE EINHEIT . 331 INHALTSVERZEICHNIS IX 12.2.2 INITIALISIERUNG . 332 12.2.3 BACKPROPAGATION MIT MEHREREN VERBORGENEN SCHICHTEN. . 332 12.3 VERBESSERN DER TRAININGSKONVERGENZ . 335 12.3.1 MOMENTUM . 335 12.3.2 ADAPTIVER LERNFAKTOR . 336 12.3.3 BATCH-NORMALISIERUNG . 338 12.4 REGULARISIERUNG . 339 12.4.1 HINWEISE . 340 12.4.2 GEWICHTSABBAU . 341 12.4.3 DROPOUT . 344 12.5 FALTUNGSSCHICHTEN . 346 12.5.1 DIE IDEE . 346 12.5.2 FORMALISIERUNG . 347 12.5.3 BEISPIELE: LENET-5 UND ALEXNET . 351 12.5.4 ERWEITERUNGEN . 352 12.5.5 MULTIMODALE TIEFE NETZE . 353 12.6 EINSTELLEN DER NETZWERKSTRUKTUR . 355 12.6.1 STRUKTURSUCHE UND HYPERPARAMETERSUCHE . 355 12.6.2 SPRUNGVERBINDUNGEN . 356 12.6.3 GATTEREINHEITEN . 358 12.7 LERNEN VON SEQUENZEN . 358 12.7.1 BEISPIELAUFGABEN . 358 12.7.2 NEURONALE NETZE MIT ZEITVERZOEGERUNG . 359 12.7.3 REKURRENTE NETZE . 359 12.7.4 LANGES KURZZEITGEDAECHTNIS . 362 12.7.5 GATED RECURRENT UNIT (GRU) . 364 12.8 GENERATIVE GEGNERISCHE NETZE . 365 12.9 ANMERKUNGEN . 367 12.10 UEBUNGEN . 369 12.11 LITERATURANGABEN . 371 13 LOKALE MODELLE 375 13.1 EINFUEHRUNG . 375 13.2 KOMPETITIVES LERNEN . 375 13.2.1 ONLINE-FC-MEANS-ALGORITHMUS . 376 13.2.2 ADAPTIVE RESONANZTHEORIE . 381 13.2.3 SELBSTORGANISIERENDE MERKMALSKARTEN . 382 13.3 RADIALE BASISFUNKTIONEN . 383 13.4 REGELBASIERTES WISSEN . 390 13.5 NORMALISIERTE BASISFUNKTIONEN . 391 13.6 KOMPETITIVE BASISFUNKTIONEN . 393 13.7 LERNEN MIT VEKTORQUANTISIERUNG . 396 13.8 DAS MOE-MODELL . 396 13.8.1 KOOPERATIVE EXPERTEN . 399 13.8.2 KOMPETITIVE EXPERTEN . 399 13.9 HIERARCHISCHE MOE UND WEICHE ENTSCHEIDUNGSBAEUME . 400 13.10 ANMERKUNGEN . 402 X INHALTSVERZEICHNIS 13.11 UEBUNGEN . 403 13.12 LITERATURANGABEN . 406 14 KERNEL-MASCHINEN 409 14.1 EINFUEHRUNG . 409 14.2 DIE OPTIMAL TRENNENDE HYPEREBENE . 411 14.3 DER NICHT TRENNBARE FALL: SOFT-MARGIN-TRENNEBENEN . 415 14.4 V-SVM . 418 14.5 KERNEL-TRICK . 419 14.6 VEKTORIELLE KERNEL . 421 14.7 DEFINITION VON KERNELN . 423 14.8 MULTIPLE-KERNEL-LERNEN . 425 14.9 MEHRKLASSEN-KERNEL-MASCHINEN . 427 14.10 KERNEL-MASCHINEN UND REGRESSION . 428 14.11 KERNEL-MASCHINEN UND RANKING . 433 14.12 EINKLASSEN-KERNEL-MASCHINEN . 434 14.13 BREITER-MARGIN-NAECHSTER-NACHBAR-KLASSIFIKATOR . 438 14.14 DIMENSIONALITAETSREDUKTION MIT KERNEL . 440 14.15 ANMERKUNGEN . 441 14.16 UEBUNGEN . 442 14.17 LITERATURANGABEN . 444 15 GRAPHENMODELLE 447 15.1 EINFUEHRUNG . 447 15.2 KANONISCHE FAELLE FUER BEDINGTE UNABHAENGIGKEIT . 449 15.3 GENERATIVE MODELLE . 457 15.4 D-SEPARATION . 459 15.5 BELIEF-PROPAGATION . 460 15.5.1 KETTEN . 460 15.5.2 BAEUME . 462 15.5.3 MEHRFACHBAEUME . 464 15.5.4 VERBINDUNGSBAEUME . 466 15.6 UNGERICHTETE GRAPHEN: MARKOVSCHE ZUFALLSFELDER . 467 15.7 LERNEN DER STRUKTUR EINES GRAPHENMODELLS . 470 15.8 EINFLUSSDIAGRAMME . 471 15.9 ANMERKUNGEN . 472 15.10 UEBUNGEN . 473 15.11 LITERATURANGABEN . 476 16 HIDDEN-MARKOV-MODELLE 479 16.1 EINFUEHRUNG . 479 16.2 DISKRETE MARKOV-PROZESSE . 480 16.3 HIDDEN-MARKOV-MODELLE . 483 16.4 DREI PROBLEMSTELLUNGEN FUER HMMS . 485 16.5 EVALUIERUNGSPROBLEM . 485 16.6 HERAUSFINDEN DER ZUSTANDSSEQUENZ . 489 16.7 LERNEN VON MODELLPARAMETERN . 491 INHALTSVERZEICHNIS XI 16.8 KONTINUIERLICHE BEOBACHTUNGEN . 494 16.9 DAS HMM ALS GRAPHENMODELL . 495 16.10 MODELLAUSWAHL IM HMM . 498 16.11 ANMERKUNGEN . 501 16.12 UEBUNGEN . 503 16.13 LITERATURANGABEN . 505 17 BAYESSCHE SCHAETZUNG 507 17.1 EINFUEHRUNG . 507 17.2 PARAMETER DISKRETER VERTEILUNGEN . 511 17.2.1 K 2-ZUSTAENDE: DIRICHLET-VERTEILUNG . 511 17.2.2 K = 2-ZUSTAENDE: BETAVERTEILUNG . 513 17.3 PARAMETER EINER GAUSS-VERTEILUNG . 513 17.3.1 UNIVARIATER FALL: UNBEKANNTER MITTELWERT, BEKANNTE VARIANZ . 513 17.3.2 UNIVARIATER FALL: UNBEKANNTER MITTELWERT, UNBEKANNTE VARIANZ . 516 17.3.3 MULTIVARIATER FALL: UNBEKANNTER MITTELWERT, UNBEKANNTE KOVARIANZ . 518 17.4 BAYESSCHE SCHAETZUNG DER PARAMETER EINER FUNKTION . 519 17.4.1 REGRESSION . 519 17.4.2 REGRESSION MIT PRIOR FUER DIE PRAEZISION DES RAUSCHENS . 523 17.4.3 BASIS/KERNEL-FUNKTIONEN . 525 17.4.4 BAYESSCHE KLASSIFIKATION . '. . 527 17.5 WAHL EINES PRIORS . 529 17.6 BAYESSCHER MODELLVERGLEICH . 530 17.7 BAYESSCHE SCHAETZUNG FUER EIN MISCHUNGSMODELL . 533 17.8 NICHTPARAMETRISCHE BAYESSCHE MODELLE . 536 17.9 GAUSSSCHE PROZESSE . 537 17.10 DIRICHLET-PROZESSE UND CHINAESTAURANTS . 541 17.11 LATENTE DIRICHLET-ALLOKATION . 542 17.12 BETAPROZESSE UND INDISCHE BUEFFETS . 545 17.13 ANMERKUNGEN . 546 17.14 UEBUNGEN . 547 17.15 LITERATURANGABEN . 548 18 KOMBINATION MEHRERER LERNER 551 18.1 GRUNDPRINZIP . 551 18.2 GENERIERUNG DIVERSER LERNER . 552 18.3 METHODEN DER MODELLKOMBINATION . 555 18.4 VOTING . 556 18.5 FEHLERKORREKTURCODES . 560 18.6 BAGGING . 562 18.7 BOOSTING . 563 18.8 NEUBETRACHTUNG DES MOE-MODELLS . 566 18.9 GESCHACHTELTE GENERALISIERUNG . 568 18.10 FEINABSTIMMUNG EINES ENSEMBLES . 569 XII INHALTSVERZEICHNIS 18.10.1 WAHL EINER TEILMENGE DES ENSEMBLES . 569 18.10.2 KONSTRUKTION VON METALERNERN . 570 18.11 KASKADIERUNG . 571 18.12 ANMERKUNGEN . 573 18.13 UEBUNGEN . 575 18.14 LITERATURANGABEN . 577 19 BESTAERKENDES LERNEN 581 19.1 EINFUEHRUNG . 581 19.2 FAELLE MIT EINEM ZUSTAND: K-ARMIGER BANDIT . 583 19.3 ELEMENTE DES BESTAERKENDEN LERNENS . 584 19.4 MODELLBASIERTES LERNEN . 587 19.4.1 WERTITERATION . 587 19.4.2 TAKTIKITERATION . 588 19.5 LERNEN MIT TEMPORALER DIFFERENZ . 588 19.5.1 EXPLORATIONSSTRATEGIEN . 589 19.5.2 DETERMINISTISCHE BELOHNUNGEN UND AKTIONEN . 590 19.5.3 NICHTDETERMINISTISCHE BELOHNUNGEN UND AKTIONEN . 591 19.5.4 EIGNUNGSPROTOKOLLE . 594 19.6 GENERALISIERUNG . 595 19.7 TEILWEISE BEOBACHTBARE ZUSTAENDE . 598 19.7.1 SETTING . 598 19.7.2 BEISPIEL: DAS TIGERPROBLEM . 600 19.8 TIEFES Q-LERNEN . 605 19.9 TAKTIKGRADIENTEN . 606 19.10 BACKGAMMON UND GO . 609 19.11 ANMERKUNGEN . 610 19.12 UEBUNGEN . 611 19.13 LITERATURANGABEN . 614 20 EXPERIMENTE MIT MASCHINELLEM LERNEN 617 20.1 EINFUEHRUNG . 617 20.2 FAKTOREN, ANTWORT UND STRATEGIE BEIM EXPERIMENTIEREN . 621 20.3 ANTWORTFLAECHENMETHODE . 623 20.4 RANDOMISIEREN, WIEDERHOLEN UND BLOCKEN . 624 20.5 RICHTLINIEN FUER EXPERIMENTE MIT MASCHINELLEM LERNEN . 625 20.6 KREUZVALIDIERUNG UND RESAMPLING-METHODEN . 629 20.6.1 K-FACHE KREUZVALIDIERUNG . 630 20.6.2 5 X 2-KREUZVALIDIERUNG . 631 20.6.3 BOOTSTRAPPING . 632 20.7 LEISTUNGSMESSUNG FUER KLASSIFIKATOREN . 632 20.8 INTERVALLSCHAETZUNG . 636 20.9 HYPOTHESENPRUEFUNG . 639 20.10 LEISTUNGSBEWERTUNG FUER KLASSIFIKATIONSALGORITHMEN . 641 20.10.1 BINOMIALTEST . 642 20.10.2 TEST DER APPROXIMIERTEN NORMALVERTEILUNG . 643 20.10.3 T-TEST . 643 INHALTSVERZEICHNIS XIII 20.11 VERGLEICH VON ZWEI KLASSIFIKATIONSALGORITHMEN . 644 20.11.1 DER MCNEMARSCHE TEST . 644 20.11.2 GEPAARTER T-TEST MIT K-FACHER KREUZVALIDIERUNG . 644 20.11.3 GEPAARTER T-TEST MIT 5X2 KREUZVALIDIERUNG . 645 20.11.4 GEPAARTER E-TEST MIT 5X2 KREUZVALIDIERUNG . 646 20.12 VERGLEICH MEHRERER ALGORITHMEN: VARIANZANALYSE . 647 20.13 VERGLEICH UEBER MEHRERE DATENSAETZE . 651 20.13.1 VERGLEICH ZWEIER ALGORITHMEN . 653 20.13.2 VERGLEICH MEHRERER ALGORITHMEN . 655 20.14 MULTIVARIATE TESTS . 656 20.14.1 VERGLEICH ZWEIER ALGORITHMEN . 656 20.14.2 VERGLEICH MEHRERER ALGORITHMEN . 658 20.15 ANMERKUNGEN . 659 20.16 UEBUNGEN . 660 20.17 LITERATURANGABEN . 662 A WAHRSCHEINLICHKEIT 663 A. L ELEMENTE DER WAHRSCHEINLICHKEIT . 663 A. 1.1 AXIOME DER WAHRSCHEINLICHKEIT . 663 A. L. 2 BEDINGTE WAHRSCHEINLICHKEIT . 664 A. 2 ZUFALLSVARIABLEN . 665 A. 2.1 VERTEILUNGSFUNKTION UND WAHRSCHEINLICHKEITSDICHTE . 665 A. 2.2 GEMEINSAME VERTEILUNGSFUNKTION, GEMEINSAME DICHTE . 666 A.2.3 BEDINGTE VERTEILUNGEN . 666 A.2.4 SATZ VON BAYES . 666 A.2.5 ERWARTUNGSWERT . 667 A.2.6 VARIANZ . 668 A.2.7 DAS SCHWACHE GESETZ GROSSER ZAHLEN . 669 A.3 SPEZIELLE VERTEILUNGEN VON ZUFALLSVARIABLEN . 669 A.3.1 BERNOULLI-VERTEILUNG . 669 A.3.2 BINOMIALVERTEILUNG . 670 A.3.3 MULTINOMIALE VERTEILUNG . 670 A.3.4 GLEICHVERTEILUNG . 670 A.3.5 NORMALVERTEILUNG (GAUSS-VERTEILUNG) . 671 A.3.6 CHI-QUADRAT-VERTEILUNG . 672 A.3.7 T-VERTEILUNG . 673 A.3.8 F VERTEILUNG . 673 A. 4 LITERATURANGABEN . 673 B LINEARE ALGEBRA 675 B. L VEKTOREN . 675 B. 2 MATRIZEN . 677 B. 3 AEHNLICHKEIT ZWISCHEN VEKTOREN . 678 B. 4 QUADRATISCHE MATRIZEN . 679 B. 5 LINEARE ABHAENGIGKEIT UND RANG . 679 B. 6 DIE INVERSE MATRIX . 680 B.7 POSITIV DEFINITE MATRIZEN . 680 XIV INHALTSVERZEICHNIS B.8 SPUR UND DETERMINANTE . 680 B.9 EIGENWERTE UND EIGENVEKTOREN . 681 B.10 SPEKTRALZERLEGUNG . 682 B.LL SINGULAERWERTZERLEGUNG . 682 B. 12 LITERATURANGABEN . 683 C OPTIMIERUNG 685 C. L EINFUEHRUNG . 685 C. 2 LINEARE OPTIMIERUNG . 687 C. 3 KONVEXE OPTIMIERUNG . 687 C. 4 DUALITAET . 688 C. 5 LOKALE OPTIMIERUNG . 690 C. 6 LITERATURANGABEN . 691 INDEX 693
any_adam_object	1
any_adam_object_boolean	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	BV047712869
classification_rvk	ST 302 ST 300 ST 304
ctrlnum	(OCoLC)1296296692 (DE-599)DNB1241345937
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
discipline_str_mv	Informatik
edition	3., aktualisierte und erweiterte Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03280nam a22006858c 4500</leader><controlfield tag="001">BV047712869</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20230216 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">220126s2022 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">21,N38</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1241345937</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783110740141</subfield><subfield code="c">Print</subfield><subfield code="9">978-3-11-074014-1</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783110740141</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1296296692</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1241345937</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-860</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-2075</subfield><subfield code="a">DE-B768</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.31</subfield><subfield code="2">23/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="8">1\p</subfield><subfield code="a">004</subfield><subfield code="2">23sdnb</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="100" ind1="1" ind2=" "><subfield code="a">Alpaydın, Ethem</subfield><subfield code="d">1966-</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">3., aktualisierte und erweiterte 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">[2022]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">© 2022</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XX, 702 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="520" ind1="3" ind2=" "><subfield code="a">Maschinelles Lernen ist die künstliche Generierung von Wissen aus Erfahrung. Dieses Buch diskutiert Methoden aus den Bereichen Statistik, Mustererkennung und kombiniert die unterschiedlichen Ansätze, um effiziente Lösungen zu finden. Diese Auflage bietet ein neues Kapitel über Deep Learning und erweitert die Inhalte über mehrlagige Perzeptrone und bestärkendes Lernen. Eine neue Sektion über erzeugende gegnerische Netzwerke ist ebenfalls dabei.</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">Maschinelles Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligenz</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Deep Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Neuronale Netze</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">artificial intelligence</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">deep learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">neuronal networks</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">TB: Textbook</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine learning; artificial intelligence; deep learning; neuronal networks</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">De Gruyter Oldenbourg</subfield><subfield code="0">(DE-588)1065492103</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">978-3-11-074027-1</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">978-3-11-074019-6</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="u">https://www.degruyter.com/isbn/9783110740141</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=033096598&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:BVB01-033096598</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">vlb</subfield><subfield code="d">20210917</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#vlb</subfield></datafield></record></collection>
id	DE-604.BV047712869
illustrated	Illustrated
index_date	2024-07-03T19:01:09Z
indexdate	2024-07-10T09:19:52Z
institution	BVB
institution_GND	(DE-588)1065492103
isbn	9783110740141
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-033096598
oclc_num	1296296692
open_access_boolean
owner	DE-860 DE-355 DE-BY-UBR DE-1050 DE-20 DE-634 DE-706 DE-Aug4 DE-19 DE-BY-UBM DE-1049 DE-1102 DE-29T DE-12 DE-1051 DE-11 DE-703 DE-83 DE-739 DE-523 DE-2075 DE-B768
owner_facet	DE-860 DE-355 DE-BY-UBR DE-1050 DE-20 DE-634 DE-706 DE-Aug4 DE-19 DE-BY-UBM DE-1049 DE-1102 DE-29T DE-12 DE-1051 DE-11 DE-703 DE-83 DE-739 DE-523 DE-2075 DE-B768
physical	XX, 702 Seiten Illustrationen, Diagramme
publishDate	2022
publishDateSearch	2022
publishDateSort	2022
publisher	De Gruyter Oldenbourg
record_format	marc
series2	De Gruyter Studium
spelling	Alpaydın, Ethem 1966- (DE-588)134261046 aut Introduction to machine learning Maschinelles Lernen Ethem Alpaydin 3., aktualisierte und erweiterte Auflage Berlin ; Boston De Gruyter Oldenbourg [2022] © 2022 XX, 702 Seiten Illustrationen, Diagramme txt rdacontent n rdamedia nc rdacarrier De Gruyter Studium "Autorisierte Übersetzung der 3. englischsprachigen Ausgabe, die bei The MIT Press, Massachusetts Institute of Technology, unter dem Titel: 'Introduction to Machine Learning' erschienen ist." Maschinelles Lernen ist die künstliche Generierung von Wissen aus Erfahrung. Dieses Buch diskutiert Methoden aus den Bereichen Statistik, Mustererkennung und kombiniert die unterschiedlichen Ansätze, um effiziente Lösungen zu finden. Diese Auflage bietet ein neues Kapitel über Deep Learning und erweitert die Inhalte über mehrlagige Perzeptrone und bestärkendes Lernen. Eine neue Sektion über erzeugende gegnerische Netzwerke ist ebenfalls dabei. Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf Maschinelles Lernen Künstliche Intelligenz Deep Learning Neuronale Netze Machine learning artificial intelligence deep learning neuronal networks TB: Textbook Machine learning; artificial intelligence; deep learning; neuronal networks Maschinelles Lernen (DE-588)4193754-5 s DE-604 De Gruyter Oldenbourg (DE-588)1065492103 pbl Erscheint auch als Online-Ausgabe, EPUB 978-3-11-074027-1 Erscheint auch als Online-Ausgabe, PDF 978-3-11-074019-6 X:MVB https://www.degruyter.com/isbn/9783110740141 DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033096598&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis 1\p vlb 20210917 DE-101 https://d-nb.info/provenance/plan#vlb
spellingShingle	Alpaydın, Ethem 1966- Maschinelles Lernen Maschinelles Lernen (DE-588)4193754-5 gnd
subject_GND	(DE-588)4193754-5
title	Maschinelles Lernen
title_alt	Introduction to machine learning
title_auth	Maschinelles Lernen
title_exact_search	Maschinelles Lernen
title_exact_search_txtP	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
url	https://www.degruyter.com/isbn/9783110740141 http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033096598&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT alpaydınethem introductiontomachinelearning AT degruyteroldenbourg introductiontomachinelearning AT alpaydınethem maschinelleslernen AT degruyteroldenbourg maschinelleslernen

Verfügbarkeit

Es ist kein Print-Exemplar vorhanden.

Fernleihe Bestellen Achtung: Nicht im THWS-Bestand! Inhaltsverzeichnis

MARC

Datensatz im Suchindex

Es ist kein Print-Exemplar vorhanden.

Ähnliche Einträge