Maschinelles Lernen (ML) ist zu einem alltäglichen Element in unserem Leben und zu einem Standardwerkzeug für viele Bereiche der Wissenschaft und Technik geworden. Um ML optimal nutzen zu können, ist es wichtig, die zugrunde liegenden Prinzipien zu verstehen.

In diesem Buch wird ML als die rechnerische Umsetzung des wissenschaftlichen Prinzips betrachtet. Dieses Prinzip besteht darin, ein Modell eines gegebenen datenerzeugenden Phänomens kontinuierlich anzupassen, indem eine Form des Verlustes, der durch seine Vorhersagen entsteht, minimiert wird.

Das Buch schult den Leser darin, verschiedene ML-Anwendungen und -Methoden in drei Komponenten (Daten, Modell und Verlust) aufzuschlüsseln, und hilft ihm so, aus dem riesigen Angebot an vorgefertigten ML-Methoden auszuwählen.

Der Drei-Komponenten-Ansatz des Buches erlaubt eine einheitliche und transparente Darstellung verschiedener ML-Techniken. Wichtige Methoden zu Regularisierung, zum Schutz der Privatsphäre und zur Erklärbarkeit von ML-Methoden sind Spezialfälle dieses Drei-Komponenten-Ansatz.

Bietet simplen Drei-Komponenten-Ansatz zur ML-Problembeschreibung und Lösung Erklärt ML anhand des wissenschaftlichen Zyklusmodells: Hypothesenbildung und mehr Behandelt aktuelle Themen wie erklärbares und die Privatsphäre wahrendes maschinelles Lernen

Autorentext

Alexander Jung ist Professor für maschinelles Lernen am Institut für Computer Science der Aalto-Universität, wo er die Forschungsgruppe "Maschinelles Lernen für Big Data" leitet. Seine Kurse über maschinelles Lernen, künstliche Intelligenz und konvexe Optimierung gehören zu den beliebtesten Kursen an der Aalto-Universität. Er erhielt 2011 einen Best Student Paper Award auf der Premium-Signalverarbeitungskonferenz IEEE ICASSP, 2018 einen Amazon Web Services Machine Learning Award und wurde 2018 zum "Computer Science - Teacher of the Year" gewählt. Er ist Associate Editor für die IEEE Signal Processing Letters und Editorial Board Member des Springer Journals "Machine Learning".

Inhalt
Einführung.- Komponenten von ML.- Die Landschaft von ML.- Empirische Risikominimierung.- Gradientenbasiertes Lernen.- Modellvalidierung und -auswahl.- Regularisierung.- Clustering.- Feature Learning.- Transparentes und erklärbares ML.