Machine Learning kompakt (eBook)

Ein Einstieg für Studierende der Naturwissenschaften

Kenny Choo, Eliska Greplova, Mark H. Fischer, Titus Neupert (Autoren)

eBook Download: PDF

2021 | 1. Auflage
VIII, 76 Seiten
Springer Spektrum (Verlag)
978-3-658-32268-7 (ISBN)

Infos

Dieses essential befasst sich mit Anwendungen des maschinellen Lernens in verschiedenen Bereichen der Naturwissenschaften. Es behandelt geläufige Strukturen und Algorithmen, um Daten mit den Techniken des maschinellen Lernens zu analysieren. Zunächst werden Methoden eingeführt, die an klassischen statistischen Analysen andocken und auf soliderem mathematischem Fundament stehen. Die Autoren machen mit den verschiedenen Strukturen für künstliche neuronale Netzwerke vertraut und zeigen die jeweiligen Anwendungsgebiete.

Kenny Choo ist Doktorand am Physik-Institut der Universität Zürich.

Eliska Greplova ist Assistenz-Professorin für Quanten-Nanowissenschaften an der Technischen Universität Delft.

Mark H. Fischer ist Oberassistent am Physik-Institut der Universität Zürich.

Titus Neupert ist Professor für theoretische Physik an der Universität Zürich.

Inhalt

Was Sie in diesem essential finden können 6
Inhaltsverzeichnis 7
1 Einführung 9
2 Maschinelles Lernen ohne neuronale Netzwerke 15
2.1 Hauptkomponentenanalyse 15
2.1.1 HKA Algorithmus 16
2.1.2 Kernbasierte HKA 19
2.2 Lineare Methoden des überwachten Lernens 21
2.2.1 Lineare Regression 21
2.2.2 Lineare Klassifikationsmethode 31
3 Neuronale Netzwerke und überwachtes Lernen 33
3.1 Ein Neuron als Funktion 34
3.2 Ein einfaches neuronales Netz 36
3.3 Training 38
3.4 Ein elementares Beispiel: MNIST 42
3.5 Regularisierung 44
3.6 Convolutional Neural Networks 46
3.6.1 Der Convolutional Layer 46
3.6.2 Pooling 48
3.6.3 Beispiel: DNA-Klassifizierung 49
3.6.4 Beispiel: Fortgeschrittenes MNIST 51
3.7 Rekurrentes neuronales Netz 52
4 Unüberwachtes Lernen 54
4.1 Begrenzte Boltzmann-Maschinen 54
4.1.1 Training eines RBM 57
4.1.2 Beispiel: Bildrekonstruktion/Rauschentfernung 60
4.2 Ein RNN unüberwacht trainieren 60
4.3 Autoencoder 61
4.3.1 Variationelle Autoencoder 62
4.4 Generative Adversarial Networks 64
5 Interpretierbarkeit von neuronalen Netzwerken 66
5.1 Dreaming und das Extrapolationsproblem 66
5.2 Rauschanfälligkeit von Netzwerken 68
5.3 Autoencoder interpretieren 71
6 Schlusskommentare 73
Was Sie aus diesem essential mitnehmen können 75
Bibliotheken für maschinelles Lernen 76

Produkt-Details

• Erscheint lt. Verlag: 19.1.2021
• Reihe/Serie: essentials
• Reihe/Serie: essentials
• Zusatzinfo: VIII, 71 S. 24 Abb.
• Sprache: deutsch
• Themenwelt: Informatik ► Theorie / Studium ► Künstliche Intelligenz / Robotik
• Themenwelt: Mathematik / Informatik ► Mathematik ► Statistik
• Themenwelt: Naturwissenschaften ► Physik / Astronomie ► Allgemeines / Lexika
• Themenwelt: Naturwissenschaften ► Physik / Astronomie ► Theoretische Physik
• Schlagworte: Algorithmen • KÜNSTLICHE INTELIGENZ • Maschinelles Lernen • neuronales Netzwerk • überwachtes Lernen • unüberwachtes Lernen
• ISBN-10: 3-658-32268-3 / 3658322683
• ISBN-13: 978-3-658-32268-7 / 9783658322687