In diesem Fachbuch werden vorwiegend die Grundlagen des Maschinellen Lernens erläutert. Die Hauptthemen sind die mathematischen Grundlagen, Optimierungsmethoden und die ML-Algorithmen. Es wird zu jedem Kapitel mindestens eine Beispiel-Übung durchgeführt. Die Übungen könnten durch Python-Code ergänzt werden. Zusätzlich werden Aufgabenstellungen definiert, dies dient der Festigung des in dem jeweiligen Kapitel gelernten. Spezielle Anwendungen sollen ebenfalls dargestellt werden. Die Zielgruppe sind hauptsächlich Studierende, welche sich in dieses Themengebiet einarbeiten möchten. Ingenieure können allerdings ebenfalls von diesem Fachbuch profitieren, da ein großer Schwerpunkt bei der Anwendung von ML liegt. Besonders die Verwendung in interdisziplinären Fachrichtungen wie der Regelungstechnik, Bildverarbeitung und der Chemie werden aufgezeigt.

beschreibt ausführlich den mathematischen Hintergrund bezüglich ML-Algorithmen darlegen von Einsatzmöglichkeiten in interdisziplinären Fachrichtungen durchführen von Beispiel-Übungen zum besseren Verständnis

Autorentext

Mein Name ist Benny Botsch und studierte Maschinenbau an der Technischen Universität in Berlin. Ich arbeite seit einigen Jahren als wissenschaftlicher Mitarbeiter bei der Gesellschaft zur Förderung angewandter Informatik e.V. (GFaI e.V.) im Bereich der Bildverarbeitung / Industrielle Anwendungen. Dabei entwickle ich Software zur Auswertung von 2D-Materialbildern durch klassische Bildverarbeitung (Objekterkennung, Kantenerkennung), aber auch durch neuronale Netze, um Materialkennwerte zu ermitteln.

Inhalt

1. Einleitung
2. Lineare Algebra
3. Wahrscheinlichkeit und Verteilungen
4. Grundlagen der Optimierung
5. Maschinelles Lernen
6. K-Nearest-Neighbor
7. Support Vector Machine
8. Entscheidungsbäume
9. Neuronale Netze
10. Bestärkendes Lernen
11. Anwendungen
12. Regelungstechnik
13. Bildverarbeitung
14. Chemie
15. Physik