Log In
Or create an account -> 
Imperial Library
  • Home
  • About
  • News
  • Upload
  • Forum
  • Help
  • Login/SignUp

Index
Cover Titel Impressum Inhalt 1 Einführung
Wie du dieses Buch lesen kannst Arten von Machine Learning – ein Überblick
2 Quick-Start
Unser erstes Python-Notebook Unser Beispiel: Irisblüten Wir bringen dem Computer bei, Irisblüten zu unterscheiden Nearest Neighbors Classification Overfitting Underfitting Eine bessere Feature-Auswahl Weiterführende Links
3 Datenimport und -vorbereitung
Datenimport Das vorbereitete Projekt Preprocessing Weiterführende Links
4 Supervised Learning
Lineare Regression Logistische Regression Support Vector Machine Decision-Tree-Klassifikator Random-Forest-Klassifikator Boosted Decision Trees Weiterführende Links
5 Feature-Auswahl
Reduzierung der Features Auswahl der Features Principal-Component-Analyse Feature-Selektion Weiterführende Links
6 Modellvalidierung
Metrik für Klassifikation Metrik für Regression Evaluierung Hyperparameter-Suche Weiterführende Links
7 Neuronale Netze und Deep Learning
Iris mit neuronalen Netzen Feed Forward Networks Deep Neural Networks Anwendungsbeispiel: Erkennung von Verkehrsschildern Data Augmentation Neuere Ansätze im Bereich CNN Weiterführende Links
8 Unsupervised Learning mit Autoencodern
Das Szenario: Visuelle Regressionstests mit Autoencodern – eingeschlichene Fehler erkennen Die Idee von Autoencodern Aufbau unseres Autoencoders Training und Ergebnisse Was passiert im Autoencoder? Fazit Weiterführende Links
9 Deep Reinforcement Learning
Grundkonzepte und Terminologie Ein Beispiel: der hungrige Bär Optimierung als Herausforderung Technische Modellierung als OpenAI Environment Training mit PPO Training als Supervised-Deep-Learning-Problemstellung formulieren Der Policy-Loss Actor-Critic über das Value Network Sample-Effizienz und katastrophale Updates Exploration vs. Exploitation Fazit Weiterführende Links
10 LLMs – moderne Sprachmodelle
Große Sprachmodelle Einsatz von großen Sprachmodellen LLMs auf einer großen Wissensbasis Embeddings und Vektordatenbanken Encoder-Modelle: Darf’s auch etwas weniger sein? Fazit Weiterführende Links
11 MLOps – Machine Learning für die Praxis
Phasen eines Machine-Learning-Projekts Unser Beispiel KPIs – Key Performance Indicators Training Ergebnisse Invarianten MLOps – Machine Learning Operations Monitoring und Drift-Erkennung – die Welt steht nicht still Analyse und Interpretation – Was ist das Problem mit unserem Modell? Re-Training … … oder Re-Engineering? Baselines und Fallbacks – Was machen wir, wenn unser Modell versagt? Produktiver Einsatz Fazit Weiterführende Links
Fußnoten Index
  • ← Prev
  • Back
  • Next →
  • ← Prev
  • Back
  • Next →

Chief Librarian: Las Zenow <zenow@riseup.net>
Fork the source code from gitlab
.

This is a mirror of the Tor onion service:
http://kx5thpx2olielkihfyo4jgjqfb7zx7wxr3sd4xzt26ochei4m6f7tayd.onion