Maschinelles Lernen ist eines der wichtigsten Teilgebiete der künstlichen Intelligenz und das Verstehen und Entwickeln von passenden Algorithmen bleibt die große Herausforderung. Dieses Buch bietet einen außergewöhnlich umfassenden Überblick über die neuesten Algorithmen und die bereits bewährten Verfahren. Jörn Fischer beschreibt nicht nur deren Funktionsweise, sondern gibt für alle Bereiche verständliche Beispiele, die detailliert beschrieben und leicht nachvollziehbar sind. Außerdem werden hilfreiche Methoden zur Fehlersuche und -beseitigung an die Hand gegeben.

Autorentext
Jörn Fischer lehrt und forscht als Professor der Informatik an der Hochschule Mannheim. Sein Interesse für neuronale Netze und maschinelles Lernen geht zurück bis in die frühen 1990-er Jahre. Seit 2010 hält er Vorlesungen im Bereich maschinelles Lernen und begleitet die Umsetzung der Algorithmen in zahlreichen Projekten.

Klappentext

Algorithmen für künstliches Lernen verstehen Maschinelles Lernen ist eines der wichtigsten Teilgebiete der künstlichen Intelligenz und das Verstehen und Entwickeln von passenden Algorithmen bleibt die große Herausforderung. Dieses Buch bietet einen außergewöhnlich umfassenden Überblick über die neuesten Algorithmen und die bereits bewährten Verfahren. Jörn Fischer beschreibt nicht nur deren Funktionsweise, sondern gibt für alle Bereiche verständliche Beispiele, die detailliert beschrieben und leicht nachvollziehbar sind. Außerdem werden hilfreiche Methoden zur Fehlersuche und -beseitigung an die Hand gegeben. Sie erfahren

• Wie Sie mit Python und Frameworks starten
• Wie Sie Optimierung, Clustering und Klassifizierung umsetzen
• Wie generative Methoden und Reinforcement Learning funktionieren
• Wie neuronale Netze arbeiten und erklärbar werden

Inhalt

Einleitung 17

Teil I: Einführung ins Maschinelle Lernen 23

Kapitel 1: Die Welt der KI 25

Kapitel 2: Ein kleiner Mathe-Exkurs 29

Kapitel 3: Python-Grundlagen 55

Kapitel 4: Das Wichtigste: die Daten 69

Teil II: Grundlegende Optimierungs- und Lernalgorithmen 83

Kapitel 5: Einfach besser werden 85

Kapitel 6: Natürlich - künstliche Evolution 97

Kapitel 7: Clustering 115

Kapitel 8: Klassifikation 123

Kapitel 9: Regression 145

Teil III: Neuronale Netze 153

Kapitel 10: Und was ist mit neuronalen Netzen? 155

Kapitel 11: Tiefe Netze 193

Kapitel 12: Generative Netze 219

Kapitel 13: Rückgekoppelte Netze 237

Kapitel 14: Neuronale Netze erklärbar 259

Teil IV: Verstärkendes Lernen 271

Kapitel 15: Reinforcement Learning 273

Kapitel 16: Reinforcement Learning kombiniert 289

Kapitel 17: Ein kleiner Blick in die Zukunft 305

Teil V: Der Top-Ten-Teil 313

Kapitel 18: Zehn Tipps, damit es funktioniert 315

Kapitel 19: Zehn Kategorien für die Anwendung 319

Literaturverzeichnis 327

Abbildungsverzeichnis 329

Stichwortverzeichnis 337