Machine Learning kompakt

Alles, was Sie wissen müssen

Andriy Burkov

• Verlag: MITP Verlag
• Jahr: 2019
• Thema: Informatik
• ISBN drucken:
  9783958459953
• Thema: Datenübertragungssysteme
• eBook-ISBN:
  9783958459977

Alles, was Sie über Machine Learning wissen müssen, auf nur 200 Seiten Von Support Vector Machines über Gradient Boosting und tiefe neuronale Netze bis hin zu unüberwachten Lernmethoden Zahlreiche Tipps und Empfehlungen für den praktischen Einsatz Sie möchten Machine Learning verstehen und dafür nicht unendlich viel Zeit aufwenden und Hunderte von Seiten lesen? Dann ist dieses Buch das richtige für Sie. Auf 200 Seiten bringt Andriy Burkov die wichtigsten Begriffe, Konzepte und Algorithmen des Machine Learnings auf den Punkt. Dabei vermittelt er nicht nur alle notwendigen theoretischen Grundlagen, sondern geht auch auf die praktische Anwendung der einzelnen Verfahren ein, ohne dabei die zugrundeliegenden mathematischen Gleichungen außer Acht zu lassen. Dieses Buch bietet einen leicht zugänglichen, programmiersprachenunabhängigen und trotz seiner Kürze umfassenden Einstieg ins Machine Learning. Aus dem Inhalt: Notation und mathematische Grundlagen Überwachtes, teilüberwachtes und unüberwachtes Lernen Grundlegende Lernalgorithmen: Lineare und logistische Regression Entscheidungsbäume Support Vector Machines k-Nearest-Neighbors Optimierung mittels Gradientenabstieg Merkmalserstellung und Handhabung fehlender Merkmale Auswahl des passenden Lernalgorithmus Bias, Varianz und das Problem der Unter- und Überanpassung Regularisierung, Bewertung eines Modells und Abstimmung der Hyperparameter Deep Learning mit CNNs, RNNs und Autoencodern Multi-Class-, One-Class- und Multi-Label-Klassifikation Ensemble Learning Clustering, Dimensionsreduktion und Erkennen von Ausreißern Selbstüberwachtes Lernen Wort-Embeddings, One-Shot und Zero-Shot Learning Stimmen zum Buch: »Burkov hat sich der äußerst nützlichen, aber unglaublich schwierigen Aufgabe angenommen, fast das gesamte Machine Learning auf 200 Seiten zusammenzufassen. Die Auswahl der Themen aus Theorie und Praxis ist gelungen und wird sich für Praktiker als nützlich erweisen. Das Buch bietet Lesern eine solide Einführung in das Fachgebiet.« — Peter Norvig, Forschungsdirektor bei Google »Der Umfang der Themen, die das Buch auf 200 Seiten behandelt, ist verblüffend. […] Wie der Autor die Kernkonzepte mit einigen wenigen Worten erklärt, gefällt mir ausnehmend gut. Das Buch wird nicht nur für Einsteiger sehr nützlich sein, sondern auch für alte Hasen, die von einer so breiten Sicht auf das Fachgebiet nur profitieren können.« — Aurélien Géron, Senior Artificial Intelligence Engineer »Ich wünschte, es hätte ein solches Buch gegeben, als ich mich als Student der Statistik mit Machine Learning beschäftigt habe.« — Chao Han, Vizepräsident, Leiter Forschung und Entwicklung bei Lucidworks

l. 2

1 Einführung

1.1 Was ist Machine Learning?

Machine Learning ist ein Teilgebiet der Informatik, das sich mit der Entwicklung von Algorithmen befasst, die eine Sammlung von Beispielen für ein bestimmtes Phänomen benötigen, um nützlich zu sein. Die Beispiele können natürlichen oder menschlichen Ursprungs oder von anderen Algorithmen erzeugt worden sein.

Machine Learning kann auch als das Lösen einer praktischen Aufgabe definiert werden, indem man 1) eine Datenmenge sammelt und 2) anhand dieser Daten mithilfe von Algorithmen ein statistisches Modell entwickelt. Das statistische Modell kann dann zur Lösung der praktischen Aufgabe eingesetzt werden.

1.2 Arten des Lernens

Es gibt überwachtes, teilüberwachtes, unüberwachtes und bestärkendes Lernen (Reinforcement Learning).

1.2.1 Überwachtes Lernen

Beim überwachten Lernen ¹ besteht die Datenmenge aus einer Sammlung gekennzeichneter Beispiele

. Jedes Element

aus

wird als ein Merkmalsvektor bezeichnet. Ein Merkmalsvektor ist ein Vektor, bei dem jede Dimension

einen Wert enthält, der das Beispiel in irgendeiner Form beschreibt. Dieser Wert heißt Merkmal (engl. feature ) und wird als

notiert. Wenn beispielsweise jedes Beispiel

in der Sammlung eine Person repräsentiert, dann könnte das erste Merkmal

die Größe in Zentimetern enthalten, das zweite Merkmal

könnte das Gewicht in Kilogramm angeben, das dritte Merkmal

könnte das Geschlecht bezeichnen und so weiter. Bei allen Beispielen in der Datenmenge enthält das Merkmal an der Position

des Merkmalsvektors jeweils die gleiche Art Information. Das heißt: Wenn

eines Beispiels

das Gewicht in Kilogramm enthält, dann enthält auch

in allen Beispielen

,

das Gewicht in Kilogramm. Die Kennzeichnung (engl. label )

kann entweder ein Element einer endlichen Menge

von Klassen sein oder eine reellwertige Zahl oder eine komplexere Struktur, wie ein Vektor, eine Matrix oder ein Graph. Sofern nicht anders angegeben, bezeichnet

in diesem Buch entweder eine endliche Menge von Klassen oder eine reelle Zahl ² . Sie können sich eine Klasse wie eine Kategorie vorstellen, der ein Beispiel zugeordnet wird. Wenn die Beispiele E-Mails sind und die Aufgabe darin besteht, Spam zu erkennen, dann gibt es die beiden Klassen

. Das Ziel eines überwachten Lernalgorithmus besteht darin, anhand der Datenmenge ein Modell zu entwickeln, das einen Merkmalsvektor

als Eingabe entgegennimmt und Informationen ausgibt, die es ermöglichen, die Kennzeichnung für diesen Merkmalsvektor herzuleiten. Ein Modell, das anhand einer Personendatenmenge erzeugt wurde, könnte beispielsweise einen Merkmalsvektor entgegennehmen, der eine Person beschreibt, und die Wahrscheinlichkeit dafür ausgeben, dass die Person an Krebs leidet.

¹Fettgedruckte Begriffe sind im Index am Ende des Buchs zu finden.

² Eine reelle Zahl ist eine Größe, die einen Abstand auf einer Linie angeben kann. Beispiele:

,

,

,

.

1.2.2 Unüberwachtes Lernen

Beim unüberwachten Lernen besteht die Datenmenge

aus einer Sammlung ungeken...

Inhaltsverzeichnis

• Machine Learning kompakt
• Inhaltsverzeichnis
• Vorwort zur deutschen Ausgabe
• Vorwort
• Einleitung
• 1 Einführung
• 2 Notation und Definitionen
• 3 Grundlegende Algorithmen
• 4 Aufbau eines Lernalgorithmus
• 5 Grundlegende Techniken
• 6 Neuronale Netze und Deep Learning
• 7 Aufgaben und Lösungen
• 8 Fortgeschrittene Techniken
• 9 Unüberwachtes Lernen
• 10 Weitere Formen des Lernens
• 11 Schlussbemerkungen