Machine Learning – kurz & gut, 3.Auflage by Nguyen, Chi Nhan -- Read -- Imperial Library of Trantor

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