Maschinelles Lernen für die Ingenieurwissenschaften: Einführung in physikalisch informierte, erklärbare Lernverfahren für KI in technischen Anwendungen
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
Berlin, Heidelberg
Springer Vieweg
[2024]
|
| Schriftenreihe: | Lehrbuch
|
| Schlagworte: | |
| Online-Zugang: | Inhaltsverzeichnis |
| Beschreibung: | XVII, 260 Seiten Illustrationen, Diagramme |
| ISBN: | 9783662682159 |
Internformat
MARC
| LEADER | 00000nam a2200000zc 4500 | ||
|---|---|---|---|
| 001 | BV049836117 | ||
| 003 | DE-604 | ||
| 005 | 20241018 | ||
| 007 | t | ||
| 008 | 240827s2024 a||| |||| 00||| ger d | ||
| 020 | |a 9783662682159 |9 978-3-662-68215-9 | ||
| 035 | |a (OCoLC)1454761632 | ||
| 035 | |a (DE-599)BVBBV049836117 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 049 | |a DE-523 | ||
| 082 | 0 | |a 006.3 |2 23 | |
| 084 | |a ST 300 |0 (DE-625)143650: |2 rvk | ||
| 084 | |a TEC 000 |2 stub | ||
| 084 | |a DAT 000 |2 stub | ||
| 100 | 1 | |a Neuer, Marcus J. |e Verfasser |0 (DE-588)1340318490 |4 aut | |
| 245 | 1 | 0 | |a Maschinelles Lernen für die Ingenieurwissenschaften |b Einführung in physikalisch informierte, erklärbare Lernverfahren für KI in technischen Anwendungen |c Marcus J. Neuer |
| 264 | 1 | |a Berlin, Heidelberg |b Springer Vieweg |c [2024] | |
| 300 | |a XVII, 260 Seiten |b Illustrationen, Diagramme | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 490 | 0 | |a Lehrbuch | |
| 650 | 4 | |a Artificial Intelligence | |
| 650 | 4 | |a Machine Learning | |
| 650 | 4 | |a Multiagent Systems | |
| 650 | 4 | |a Data Science | |
| 650 | 4 | |a Computational Intelligence | |
| 650 | 4 | |a Mathematical and Computational Engineering Applications | |
| 650 | 4 | |a Artificial intelligence | |
| 650 | 4 | |a Machine learning | |
| 650 | 4 | |a Multiagent systems | |
| 650 | 4 | |a Artificial intelligence / Data processing | |
| 650 | 4 | |a Computational intelligence | |
| 650 | 4 | |a Engineering mathematics | |
| 650 | 4 | |a Engineering / Data processing | |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe |z 978-3-662-68216-6 |
| 856 | 4 | 2 | |m Digitalisierung Bibliothek HTW Berlin |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=035176120&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-035176120 | |
Datensatz im Suchindex
| _version_ | 1813237978416283648 |
|---|---|
| adam_text |
INHALTSVERZEICHNIS
1
DATEN
ALS GRUNDLAGE VON MODELLEN
1
1.1
DATENBASIERTE
MODELLIERUNG
2
1.1.1
DER BEGRIFF MODELL
2
1.1.2
WHITE-BOX-, GREY-BOX- UND BLACK-BOX-MODELLE
4
1.1.3 KRITIK AN DER
DATENBASIERTEN MODELLIERUNG
4
1.2
KLASSIFIKATION
VON DATEN 5
1.2.1
GESCHICHTLICHE EINORDNUNG DES
BEGRIFFS DATA 5
1.2.2
DATEN
IN UNSERER HEUTIGEN ZEIT
6
1.2.3
STRUKTURELLE KLASSIFIKATION
6
1.2.4
QUANTITATIVE KATEGORISIERUNG VON DATEN
8
1.2.5
QUALITATIVE
KATEGORISIERUNG VON DATEN 8
1.2.6
ZEITREIHEN
10
1.2.7
SKALEN UND DAS SKALENNIVEAU
11
1.3
DATA
MINING ALS SYSTEMATISCHER PROZESS
14
1.3.1
WAS IST DATA MINING9
14
1.3.2
SCHRITTE, UM DATA MINING DURCHZUFUEHREN 16
1.3.3
SCHLUESSE AUS DATEN ZIEHEN 17
1.3.4
INDUSTRIELLES DATA MINING UND DER CRISP-DM 18
1.4
PRAKTISCHER
UMGANG MIT DATEN IN PYTHON 21
1.4.1
PROGRAMME IN DIESEM BUCH
21
1.4.2
BIBLIOTHEKEN FUER PYTHON
21
1.4.3
ERKLAERBARE DATEN IN PYTHON 22
LITERATUR
25
2
MATHEMATISCHE
BESCHREIBUNG VON DATEN 27
2.1
GRUNDLAGEN
DER STOCHASTIK
28
2.1.1
WAHRSCHEINLICHKEIT 28
2.1.2
MENGEN
29
2.1.3
WAHRSCHEINLICHKEITSDEFINITION
NACH LAPLACE 30
2.1.4
EREIGNIS-,
ERGEBNIS- UND WAHRSCHEINLICHKEITSRAEUME 31
2.1.5
AXIOME VON KOLMOGOROV 32
XI
DANKSAGUNG
EGRIFFEN
HAETTE
UND
.,HE
PHYSIK I DER
SPATSCHEK
UND
DR.
TTISCHE WERKZEUGE
ICH
ZUTIEFST
DANK
ES
IM LEBEN MOEG
.N MEINER LEBENS
IT.
LUR GEWIDMET, ICH
KEINEN
SEGELN
UND
ENDEN UND
AUSZU
MARCUS
7.
NEUER
XII
INHALTSVERZEICHNIS
2.1.6
BEDINGTE
WAHRSCHEINLICHKEIT UND DER SATZ VON BAYES
34
2.1.7
STOCHASTISCHER
PROZESS 36
2.1.8
BERUECKSICHTIGUNG
DER WAHRSCHEINLICHKEITSDICHTE
IN DEN DATEN 38
INHALTSVERZEICHNIS
3.7
QUANTIFIKATION
DER STOCHASTISCH
3.7.1 HISTOGRAMME
3.7.2
IDENTIFIKATION
DER WAHR
MITTELS KERNDICHTESCHAEL
2.2
STOCHASTIK
VON DATEN
39
3.8
KENNGROESSEN
AUS DATEN ERMITTEL
2.2.1
STOCHASTIK
DES ABTASTPROZESSES 39 3.8.1
STATISTISCHE
KENNGROESSE
2.2.2
DAS NYQUIST-THEOREM
40 3.8.2
PROZESSORIENTIERTE
KENR
2.2.3
UNTERSCHEIDUNG
VON
UNSICHERHEITEN 42
LITERATUR
2.3
STATISTISCHE
WERKZEUGE ZUM UMGANG MIT DATEN
2.3.1
VEKTORIELLE
DARSTELLUNG EINER EINZELNEN DATENREIHE
2.3.2 ERWARTUNGSWERT
2.3.3
VARIANZ
2.3.4
EMPIRISCHE
VARIANZ
2.3.5
MOMENTE
EINER WAHRSCHEINLICHKEITSVERTEILUNG
2.3.6
AUSGESUCHTE
WAHRSCHEINLICHKEITSVERTEILUNGEN
2.3.7
MATRIXDARSTELLUNG
MEHRERER MESSREIHEN
2.3.8
KOVARIANZ
UND
KOVARIANZMATRIX
2.3.9
KORRELATION
UND KORRELATIONSMATRIX
LITERATUR
43
43
43
45
46
46
47
49
50
51
54
4
UEBERWACHTES LERNEN
4.1
LERNEN
4.1.1
WAS
BEDEUTET
UEBERHAUP
4.1.2
VERSCHIEDENE
FORMEN D
4.2
STRATEGIE
DES
UEBERWACHTEN LERN
4.2.1
ALGORITHMISCHE
VORUEBE
4.2.2
KLASSIFIKATION
UND REG
4.2.3
TRAININGSDATEN
UND TES
4.3
EVOLUTIONAERES
LERNEN
4.3.1
IDEE
DER EVOLUTIONAEREN'
4.3.2
IMPLEMENTATION
EINES E
3
DATENVORVERARBEITUNG
57 ALGORITHMUS
3.1
ZIELE
DER
VORVERARBEITUNG
58 4.3.3
ZWISCHENSPEICHERN
DER
3.2
DATENBEREINIGUNG
59
4.4
LMS-ADAPTIVER
FILTER
3.2.1
ENTFERNEN
VON FEHLERHAFTEN DATENPUNKTEN
59 4.4.1
THEORIE
DES LMS-ALGO
3.2.2
FEHLENDE DATEN 62 AUF EINEN ZIELWERT
3.2.3
AUFSPUEREN
UND ELIMINIEREN VON DUPLIKATEN 62 4.4.2
IMPLEMENTATION
DES LL\
3.3
NORMALISIERUNG
63 4.4.3 NLMS-ALGORITHMUS
3.3.1
GRUENDE
FUER DIE NORMALISIERUNG VON DATEN
63 DER EINGANGSVARIABLEN
3.3.2
TYPEN VON NORMALISIERUNGEN
63 4.4.4 TRAINING
3.3.3
ANWENDUNG
DER NORMALISIERUNG
64 4.4.5 ANWENDUNGEN UND EIG
3.4
FILTERUNG
VON DATEN
68 ADAPTIVEN
FILTERS
3.4.1
GLEITENDER
MITTELWERT
68
4.4.6 HYPERPARAMETER DES LI
3.4.2
FALTUNG
69
4.5
NEURONALE
NETZE
3.4.3
DER
MEDIAN FILTER
70 4.5.1
DAS
NEURON
3.5
TRIGGERUNG
71
4.5.2
VERNETZUNG VON NEUROT
3.5.1
ZEITREIHEN
UND REPETITIVE DATEN
71
4.5.3
AKTIVIERUNGSFUNKTIONE
3.5.2
IMPLEMENTATION
DES TRIGGERS
72
4.5.4
TRAINING
NEURONALER N(
3.6
TRANSFORMATIONEN
74
4.5.5
OPTIMIERUNG
ALS HYPER
3.6.1
DIFFERENTIATION
DER DATEN
74 4.5.6
EINFACHES
KLASSIFIKATIC
3.6.2
FUNKTIONALE
TRANSFORMATION
76
4.5.7
KLASSIFIKATIONSNETZ
IN 1
3.6.3
FOURIER-TRANSFORMATION
77
4.5.8
REGRESSIONSNETZ
IN KER
3.6.4
WAVELET-TRANSFORMATION
81 4.5.9 UEBERANPASSUNG UND KR
4.6
REKURRENTE
NEURONALE NETZE .
4.6.1 RUECKKOPPLUNG IN NEUN
EICHNIS
.
34
.
36
38
YY
39
YY
39
YY
40
42
YY
43
YY
43
YY
43
INHALTSVERZEICHNIS
3.7
QUANTIFIKATION
DER STOCHASTISCHEN EIGENSCHAFTEN
3.7.1
HISTOGRAMME
3.7.2
IDENTIFIKATION
DER WAHRSCHEINLICHKEITSVERTEILUNG
MITTELS KERNDICHTESCHAETZER
3.8
KENNGROESSEN
AUS DATEN ERMITTELN
3.8.1
STATISTISCHE
KENNGROESSEN
3.8.2
PROZESSORIENTIERTE
KENNGROESSEN
LITERATUR
4
UEBERWACHTES
LERNEN
4.1
LERNEN
4.1.1
WAS
BEDEUTET
UEBERHAUPT LERNEN'?
XIII
84
84
85
88
88
88
91
93
93
93
45
46
46
47
4.1.2
VERSCHIEDENE FORMEN DES MASCHINELLEN LERNENS
4.2
STRATEGIE
DES UEBERWACHTEN LERNENS
4.2.1
ALGORITHMISCHE
VORUEBERLEGUNG
4.2.2
KLASSIFIKATION
UND REGRESSION
95
95
95
97
.
49
4.2.3
TRAININGSDATEN
UND TESTDATEN
98
.
50
.
51
YY
54
4.3
EVOLUTIONAERES
LERNEN
4.3.1
IDEE
DER EVOLUTIONAEREN
VERAENDERUNG
4.3.2
IMPLEMENTATION
EINES EINFACHEN,
EVOLUTIONAEREN
99
99
YY
57
ALGORITHMUS
100
YY
58
4.3.3
ZWISCHENSPEICHERN
DER BESTEN
VERAENDERUNG
101
YY
59
4.4
LMS-ADAPTIVER
FILTER
103
59
4.4.1
THEORIE
DES LMS-ALGORITHMUS
FUER DAS LERNEN
62
AUF EINEN ZIELWERT
103
62
4.4.2 IMPLEMENTATION DES LMS-ALGORITHMUS
105
63
4.4.3 NLMS-ALGORITHMUS
DURCH NORMALISIERUNG
63
DER
EINGANGSVARIABLEN 106
63
4.4.4
TRAINING
106
64
4.4.5 ANWENDUNGEN
UND EIGENSCHAFTEN
DES
68
ADAPTIVEN
FILTERS
107
68
4.4.6 HYPERPARAMETER
DES LMS-ADAPTIVEN FILTERS
107
69
4.5
NEURONALE
NETZE
108
70
4.5.1
DAS
NEURON 108
71
4.5.2 VERNETZUNG VON NEURONEN
109
71
4.5.3
AKTIVIERUNGSFUNKTIONEN
111
72
4.5.4 TRAINING NEURONALER NETZE
113
74
4.5.5
OPTIMIERUNG
ALS
HYPERPARAMETER
114
74
4.5.6
EINFACHES
KLASSIFIKATIONSNETZ MIT SCIKIT-LEARN
115
76
4.5.7
KLASSIFIKATIONSNETZ
IN KERAS
116
77
4.5.8
REGRESSIONSNETZ
IN KERAS
119
81
4.5.9 UEBERANPASSUNG UND KREUZVALIDIERUNG
122
4.6
REKURRENTE
NEURONALE NETZE
124
4.6.1
RUECKKOPPLUNG
IN NEURONALEN NETZSTRUKTUREN
124
XIV
INHALTSVERZEICHNIS
INHALTSVERZEICHNIS
4.6.2
GATES ZUR STEUERUNG DES INFORMATIONSFLUSSES
6
PHYSIKALISCH-INFORMIERTES
LERNEN .
INNERHALB
DES NEURONS
4.6.3
NEURONALES NETZ
MIT LANGEM KURZZEITGEDAECHTNIS
(LSTM)
4.6.4
IMPLEMENTATION
EINES LSTM-NETZES
4.7
ENTSCHEIDUNGSBAEUME
4.7.1
GRUNDLEGENDE IDEE DES ENTSCHEIDUNGSBAUMS
4.7.2 ENTROPIE UND
INFORMATION GAIN
4.7.3
KLASSIFIKATIONS- UND REGRESSIONSBAEUME
4.7.4
ANWENDUNGSBEISPIEL MIT SCIKIT-LEARN
4.7.5
IMPLEMENTATION EINES EINFACHEN ENTSCHEIDUNGSBAUMS
.
4.7.6 DER GINI-KOEFFIZIENT FUER ENTSCHEIDUNGSBAEUME
LITERATUR
5
UNUEBERWACHTES
LERNEN 151
5.1
UNUEBERWACHTE LERNPARADIGMEN
152
5.2
HAUPTKOMPONENTENANALYSE, PRINCIPAL COMPONENT
ANALYSIS
(PCA) 153
5.2.1
EIGENSCHAFTEN DER
KOVARIANZMATRIX 153
5.2.2
EIGENRAUM
154
5.2.3
EIGENRAUM DER KOVARIANZMATRIX
155
5.2.4
EIGENRAUMREDUKTION
156
5.2.5
IMPLEMENTATION UEBER SCIKIT-LEARN 157
5.2.6
DISKUSSION DER PCA 159
5.3
K-MEANS-CLUSTERVERFAHREN 161
5.3.1
FINDEN VON CLUSTERZENTREN 161
5.3.2
IMPLEMENTATION MIT SCIKIT-LEARN 162
5.3.3
BATCH K-MEANS
163
5.4
DER T-DISTRIBUTED-STOCHASTIC-NEIGHBOUR-EMBEDDING
ALGORITHMUS (T-SNE)
164
5.4.1
IDEE HINTER T-SNE 164
5.4.2
ANWENDUNG DER T-SNE IMPLEMENTATION
7
ERKLAERBARKEIT
IN
SCIKIT-LEARN
165
7.1
SEMANTISCHE ORDNUNGSSTRUKTUR
5.4.3
VOR- UND NACHTEILE VON T-SNE
167
BEDEUTUNG
5.5
AUTOENCODER
168
7.1.1
SEMANTIK
5.5.1
TOPOLOGIE
EINES AUTOENCODERS 168
7.1.2 UEBERSICHT UEBER DIE SEM,
5.5.2
LATENTER RAUM
169
7.1.3 ALPHABETE UND WOERTER
5.5.3
ANOMALIEERKENNUNG
170
7.1.4
VOKABULAR
5.5.4
IMPLEMENTATION
IN KERAS 170
7.1.5
SYNONYMER RING . . .
5.5.5
KLASSIFIZIERUNG IM LATENTEN RAUM 173
7.1.6
TAXONOMIEN
5.5.6
UNSICHERHEIT
IM AE 175
7.1.7
ONTOLOGIEN
5.5.7
ERKENNUNG
EINER UNBEKANNTEN ANOMALIE 175
7.2 SENSITIVITAETSANALYSE
5.5.8
KOMBINATION VON VERFAHREN 180
7.2.1
STOERUNGSTHEORETISCHER
LITERATUR
182
7.2.2
STOERUNG EINES
ENTSCHEIL
126
6.1
EINFUEHRUNG
6.1.1
WAS IST PHYSIKALISCH-INL
127
6.1.2
EIN EINFACHES,
MOTIVIERT
128
6.1.3
KONTINUIERLICHE VERAEND(
131
6.1.4
STATISTISCHE BALANCE . . .
131
6.1.5
GRUENDE FUER PHYSIKALISCL
133
MASCHINELLES
LERNEN. .
139
6.2 DATENANREICHERUNG
140
6.2.1
OPTIMIERTE WAHL DER
VOR
140
6.2.2
EXPERTENWISSEN UEBER DI
145
6.2.3 AUTOMATISCHE
OPTIMIER
148
BEI
BINAERER KLASSIFIZIERU
6.3
EINBETTUNG
VON ANALYTISCHEN AI
6.3.1 AUTOMATISCHE ABLEITUNG
6.3.2
EINBINDEN EINER FUNKTIC
6.3.3 INTEGRATION EINER FUNKT
6.3.4
INTEGRATION EINER GEWOEH
ERSTER
ORDNUNG
6.4
STOCHASTISCHE
METHODEN ZUR
IN
DEN LERNPROZESS
6.4.1
BERUECKSICHTIGUNG VON
EINGANGSDATEN
6.4.2
QUANTIFIKATION DER UNSI
GELERNTEN ERGEBNISSEN
.
6.4.3 STOCHASTISCHE ANREICHE
6.4.4 MIXTURE-DENSITY-NETZE
6.5
PROZESSKORRIDORE
6.5.1 WAHRSCHEINLICHKEITSDIC]
LITERATUR
HALTSVERZEICHNIS
INHALTSVERZEICHNIS
6
PHYSIKALISCH-INFORMIERTES
LERNEN
XV
185
126
6.1
EINFUEHRUNG
185
6.1.1
WAS
IST PHYSIKALISCH-INFORMIERTES LERNEN? 186
127
6.1.2
EIN
EINFACHES, MOTIVIERENDES BEISPIEL
187
128
6.1.3
KONTINUIERLICHE
VERAENDERUNG IN DER PROZESSKETTE 189
131
6.1.4
STATISTISCHE
BALANCE
190
131
6.1.5
GRUENDE
FUER PHYSIKALISCH-INFORMIERTES,
133
MASCHINELLES LERNEN
190
139
6.2 DATENANREICHERUNG
191
140
6.2.1
OPTIMIERTE
WAHL DER VORVERARBEITUNG
191
NS.
140
6.2.2 EXPERTENWISSEN UEBER DATENOBJEKTE
192
145
6.2.3 AUTOMATISCHE OPTIMIERUNG
DER DATENANREICHERUNG
148
BEI BINAERER KLASSIFIZIERUNG
193
151
152
6.3
EINBETTUNG
VON ANALYTISCHEN AUSDRUECKEN IN NEURONALE NETZE . . . .
6.3.1
AUTOMATISCHE
ABLEITUNG
6.3.2
EINBINDEN
EINER FUNKTION ALS
OPTIMIERUNGSZIEL
194
195
196
6.3.3
INTEGRATION
EINER FUNKTION 198
153
153
6.3.4
INTEGRATION
EINER GEWOEHNLICHEN DIFFERENTIALGLEICHUNG
ERSTER ORDNUNG
202
154
155
156
6.4
STOCHASTISCHE
METHODEN ZUR INTEGRATION VON UNSICHERHEIT
IN DEN
LERNPROZESS
6.4.1
BERUECKSICHTIGUNG
VON
UNSICHERHEIT IN DEN
204
157
EINGANGSDATEN
204
159
161
161
6.4.2
QUANTIFIKATION
DER UNSICHERHEIT AUS DEN
GELERNTEN
ERGEBNISSEN
6.4.3
STOCHASTISCHE
ANREICHERUNG VON ZIELVARIABLEN
207
209
162
163
6.4.4
MIXTURE-DENSITY-NETZE (MDN)
6.5
PROZESSKORRIDORE
212
216
6.5.1
WAHRSCHEINLICHKEITSDICHTEN
DURCH 2D-HISTOGRAMME
216
164
164
LITERATUR
222
7
ERKLAERBARKEIT
223
165
7.1
SEMANTISCHE
ORDNUNGSSTRUKTUREN ZUR DIGITALISIERUNG VON
167
BEDEUTUNG 223
168
7.1.1 SEMANTIK
224
168 7.1.2
UEBERSICHT
UEBER DIE
SEMANTISCHEN KONZEPTE
225
169
7.1.3
ALPHABETE
UND WOERTER
226
170 7.1.4 VOKABULAR
227
170 7.1.5
SYNONYMER
RING
227
173
7.1.6
TAXONOMIEN
229
175 7.1.7 ONTOLOGIEN
232
175
7.2
SENSITIVITAETSANALYSE
235
180
7.2.1
STOERUNGSTHEORETISCHER
ANSATZ
236
182 7.2.2
STOERUNG
EINES ENTSCHEIDUNGSBAUM
237
XVI
INHALTSVERZEICHNIS
7.3
ERKLAERBARES MASCHINELLES LERNEN
238
7.3.1
EBENEN DER ERKLAERBARKEIT
239
7.3.2
PRAKTISCHE UMSETZUNG VON
ERKLAERBARKEIT
241
7.3.3
KAUSALITAET IN DER
TECHNISCHEN PROZESSKETTE
245
7.3.4
GESCHAEFTSVERSTAENDNIS
247
LITERATUR
248
ANHANG
A:
GRUNDLAGEN IN PYTHON
249
STICHWORTVERZEICHNIS
257
ABKUERZUNGSVERZEICHNIS
AE
AUTOENCODER
DGL
DIFFERENTIALGLEICHUNG
IG
INFORMATION
GAIN,
INFORMATIONS]
KNN
KUENSTLICHES
NEURONALES NETZ
LSTM
LONG
SHORTTERM
MEMORY,
LANG*
MDN
MIXTURE-DENSITY
-NETZWERK, EIN
MLP
MULTI
-LAYER
PERCEPTRON,
EIN MEL
NETZ
NN
NEURONALES
NETZ
PCA
PRINCIPAL
COMPONENT
ANALYSIS,
PINN PHYSIKALISCH-INFORMIERTES NEURO
XTEST
TESTDATEN
DER EINGANGSVARIABLER
XTRAIN TRAININGSDATEN DER EINGANGSVAR
YTEST
TESTSDATEN
DER LABEL/ZIELVARIABL
YTRAIN TRAININGSDATEN DER LABEL/ZIELVA |
| any_adam_object | 1 |
| author | Neuer, Marcus J. |
| author_GND | (DE-588)1340318490 |
| author_facet | Neuer, Marcus J. |
| author_role | aut |
| author_sort | Neuer, Marcus J. |
| author_variant | m j n mj mjn |
| building | Verbundindex |
| bvnumber | BV049836117 |
| classification_rvk | ST 300 |
| classification_tum | TEC 000 DAT 000 |
| ctrlnum | (OCoLC)1454761632 (DE-599)BVBBV049836117 |
| dewey-full | 006.3 |
| dewey-hundreds | 000 - Computer science, information, general works |
| dewey-ones | 006 - Special computer methods |
| dewey-raw | 006.3 |
| dewey-search | 006.3 |
| dewey-sort | 16.3 |
| dewey-tens | 000 - Computer science, information, general works |
| discipline | Technik Informatik |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a2200000zc 4500</leader><controlfield tag="001">BV049836117</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20241018</controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">240827s2024 a||| |||| 00||| ger d</controlfield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783662682159</subfield><subfield code="9">978-3-662-68215-9</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1454761632</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV049836117</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="049" ind1=" " ind2=" "><subfield code="a">DE-523</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.3</subfield><subfield code="2">23</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">TEC 000</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 000</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Neuer, Marcus J.</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1340318490</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Maschinelles Lernen für die Ingenieurwissenschaften</subfield><subfield code="b">Einführung in physikalisch informierte, erklärbare Lernverfahren für KI in technischen Anwendungen</subfield><subfield code="c">Marcus J. Neuer</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Berlin, Heidelberg</subfield><subfield code="b">Springer Vieweg</subfield><subfield code="c">[2024]</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XVII, 260 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">Lehrbuch</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Artificial Intelligence</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Machine Learning</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Multiagent Systems</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Data Science</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Computational Intelligence</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Mathematical and Computational Engineering Applications</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Artificial intelligence</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Machine learning</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Multiagent systems</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Artificial intelligence / Data processing</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Computational intelligence</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Engineering mathematics</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Engineering / Data processing</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe</subfield><subfield code="z">978-3-662-68216-6</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung Bibliothek HTW Berlin</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=035176120&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-035176120</subfield></datafield></record></collection> |
| id | DE-604.BV049836117 |
| illustrated | Illustrated |
| indexdate | 2024-10-18T08:01:29Z |
| institution | BVB |
| isbn | 9783662682159 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-035176120 |
| oclc_num | 1454761632 |
| open_access_boolean | |
| owner | DE-523 |
| owner_facet | DE-523 |
| physical | XVII, 260 Seiten Illustrationen, Diagramme |
| publishDate | 2024 |
| publishDateSearch | 2024 |
| publishDateSort | 2024 |
| publisher | Springer Vieweg |
| record_format | marc |
| series2 | Lehrbuch |
| spelling | Neuer, Marcus J. Verfasser (DE-588)1340318490 aut Maschinelles Lernen für die Ingenieurwissenschaften Einführung in physikalisch informierte, erklärbare Lernverfahren für KI in technischen Anwendungen Marcus J. Neuer Berlin, Heidelberg Springer Vieweg [2024] XVII, 260 Seiten Illustrationen, Diagramme txt rdacontent n rdamedia nc rdacarrier Lehrbuch Artificial Intelligence Machine Learning Multiagent Systems Data Science Computational Intelligence Mathematical and Computational Engineering Applications Artificial intelligence Machine learning Multiagent systems Artificial intelligence / Data processing Computational intelligence Engineering mathematics Engineering / Data processing Erscheint auch als Online-Ausgabe 978-3-662-68216-6 Digitalisierung Bibliothek HTW Berlin application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=035176120&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis |
| spellingShingle | Neuer, Marcus J. Maschinelles Lernen für die Ingenieurwissenschaften Einführung in physikalisch informierte, erklärbare Lernverfahren für KI in technischen Anwendungen Artificial Intelligence Machine Learning Multiagent Systems Data Science Computational Intelligence Mathematical and Computational Engineering Applications Artificial intelligence Machine learning Multiagent systems Artificial intelligence / Data processing Computational intelligence Engineering mathematics Engineering / Data processing |
| title | Maschinelles Lernen für die Ingenieurwissenschaften Einführung in physikalisch informierte, erklärbare Lernverfahren für KI in technischen Anwendungen |
| title_auth | Maschinelles Lernen für die Ingenieurwissenschaften Einführung in physikalisch informierte, erklärbare Lernverfahren für KI in technischen Anwendungen |
| title_exact_search | Maschinelles Lernen für die Ingenieurwissenschaften Einführung in physikalisch informierte, erklärbare Lernverfahren für KI in technischen Anwendungen |
| title_full | Maschinelles Lernen für die Ingenieurwissenschaften Einführung in physikalisch informierte, erklärbare Lernverfahren für KI in technischen Anwendungen Marcus J. Neuer |
| title_fullStr | Maschinelles Lernen für die Ingenieurwissenschaften Einführung in physikalisch informierte, erklärbare Lernverfahren für KI in technischen Anwendungen Marcus J. Neuer |
| title_full_unstemmed | Maschinelles Lernen für die Ingenieurwissenschaften Einführung in physikalisch informierte, erklärbare Lernverfahren für KI in technischen Anwendungen Marcus J. Neuer |
| title_short | Maschinelles Lernen für die Ingenieurwissenschaften |
| title_sort | maschinelles lernen fur die ingenieurwissenschaften einfuhrung in physikalisch informierte erklarbare lernverfahren fur ki in technischen anwendungen |
| title_sub | Einführung in physikalisch informierte, erklärbare Lernverfahren für KI in technischen Anwendungen |
| topic | Artificial Intelligence Machine Learning Multiagent Systems Data Science Computational Intelligence Mathematical and Computational Engineering Applications Artificial intelligence Machine learning Multiagent systems Artificial intelligence / Data processing Computational intelligence Engineering mathematics Engineering / Data processing |
| topic_facet | Artificial Intelligence Machine Learning Multiagent Systems Data Science Computational Intelligence Mathematical and Computational Engineering Applications Artificial intelligence Machine learning Multiagent systems Artificial intelligence / Data processing Computational intelligence Engineering mathematics Engineering / Data processing |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=035176120&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT neuermarcusj maschinelleslernenfurdieingenieurwissenschafteneinfuhrunginphysikalischinformierteerklarbarelernverfahrenfurkiintechnischenanwendungen |