Machine Learning – kurz & gut. Oliver Zeigermann
rel="nofollow" href="#ubc1bcf27-26cd-428e-8494-263466c7cdf1">Auswahl der Features
7Neuronale Netze und Deep Learning
Anwendungsbeispiel: Erkennung von Verkehrsschildern
8Unsupervised Learning mit Autoencodern
Das Szenario: Visuelle Regressionstests mit Autoencodern – eingeschlichene Fehler erkennen
Grundkonzepte und Terminologie
Ein Beispiel: der hungrige Bär
Optimierung als Herausforderung
Technische Modellierung als OpenAI Environment
Training als Supervised-Deep-Learning-Problemstellung formulieren
Actor-Critic über das Value Network
Sample-Effizienz und katastrophale Updates
KAPITEL 1
Einführung
In diesem Buch führen wir dich in das Thema Machine Learning ein. Wir setzen keine Kenntnisse voraus und beginnen tatsächlich bei null. Das Buch ist für alle Anwender mit einem technischen Hintergrund gedacht, die in das Thema Machine Learning einsteigen möchten. Wenn du also Programmierer, Ingenieur, Naturwissenschaftler, technischer Journalist oder etwas Ähnliches bist, ist dies hier dein Buch.
Alle Codebeispiele werden wir in Python 3 angegeben – Python-Kenntnisse sind jedoch nicht zwingend erforderlich, denn wir werden die notwendigen Grundlagen Stück für Stück in entsprechend gekennzeichneten Kästen vermitteln. Diese kannst du überspringen, falls du Python bereits beherrschst. Wenn du dir nur einen generellen Überblick verschaffen willst, ist es auch möglich, die Programmierbeispiele komplett zu überspringen, einen tieferen Einblick bekommst du aber nur mit ihrer Hilfe. Um den Programmierbeispielen folgen zu können, solltest du eine Programmiersprache mit objektorientierten Eigenschaften beherrschen – welche, ist egal.
Wie du dieses Buch lesen kannst
Dieses Buch ist kein Nachschlagewerk. Du kannst es gut von vorn bis hinten durchlesen. Dann dient es dir als Einführung in das Thema Machine Learning.
Das Buch ist in drei Teile aufgeteilt. Teil 1 bildet mit den Kapiteln 1 bis 3 die Einleitung in das Thema. Die Kapitel 4 bis 6 liefern als Teil 2 einen strukturierten Aufbau der Grundlagen. Im dritten Teil mit den Kapiteln 7 bis 9 lernst du anhand von Anwendungsbeispielen fortgeschrittene Techniken wie neuronale Netze, Autoencoder und Deep Reinforcement Learning kennen.
Du kannst alle Codebeispiele direkt nachvollziehen und brauchst dann dementsprechend länger. Du kannst aber auch bestimmte Kapitel auslassen, wenn du dich nicht so sehr für das