Maschinelles Lernen - Grundlagen und Algorithmen in Python

1 Einleitung
2 Maschinelles Lernen – Überblick und Abgrenzung
	2.1 Lernen, was bedeutet das eigentlich?
	2.2 Künstliche Intelligenz, Data Mining und Knowledge Discovery in Databases
	2.3 Strukturierte und unstrukturierte Daten in Big und Small
	2.4 Überwachtes, unüberwachtes und bestärkendes Lernen
	2.5 Werkzeuge und Ressourcen
	2.6 Anforderungen im praktischen Einsatz
3 Python, NumPy, SciPy und Matplotlib – in a nutshell
	3.1 Installation mittels Anaconda und die Spyder-IDE
	3.2 Python-Grundlagen
	3.3 Matrizen und Arrays in NumPy
	3.4 Interpolation und Extrapolation von Funktionen mit SciPy
	3.5 Daten aus Textdateien laden und speichern
	3.6 Visualisieren mit der Matplotlib
	3.7 Performance-Probleme und Vektorisierung
4 Statistische Grundlagen und Bayes-Klassifikator
	4.1 Einige Grundbegriffe der Statistik
	4.2 Satz von Bayes und Skalenniveaus
	4.3 Bayes-Klassifikator, Verteilungen und Unabhängigkeit
5 Lineare Modelle und Lazy Learning
	5.1 Vektorräume, Metriken und Normen
	5.2 Methode der kleinsten Quadrate zur Regression
	5.3 Der Fluch der Dimensionalität
	5.4 k-Nearest-Neighbor-Algorithmus
6 Entscheidungsbäume
	6.1 Bäume als Datenstruktur
	6.2 Klassifikationsbäume für nominale Merkmale mit dem ID3-Algorithmus
	6.3 Klassifikations- und Regressionsbäume für quantitative Merkmale
	6.4 Overfitting und Pruning
7 Ein- und mehrschichtige Feedforward-Netze
	7.1 Einlagiges Perzeptron und Hebbsche Lernregel
	7.2 Multilayer Perceptron und Gradientenverfahren
	7.3 Klassifikation und One-Hot-Codierung
	7.4 Auslegung, Lernsteuerung und Overfitting
8 Deep Neural Networks mit Keras
	8.1 Sequential Model von Keras
	8.2 Verschwindender Gradient und weitere Aktivierungsfunktionen
	8.3 Initialisierung und Batch Normalization
	8.4 Loss-Function und Optimierungsalgorithmen
	8.5 Overfitting und Regularisierungstechniken
9 Feature-Engineering und Datenanalyse
	9.1 Pandas in a Nutshell
	9.2 Aufbereitung von Daten und Imputer
	9.3 Featureauswahl
	9.4 Hauptkomponentenanalyse (PCA)
	9.5 Autoencoder
	9.6 Aleatorische und epistemische Unsicherheiten
	9.7 Umgang mit unbalancierten Datenbeständen
10 Ensemble Learning mittels Bagging und Boosting
	10.1 Bagging und Random Forest
	10.2 Feature Importance mittels Random Forest
	10.3 Gradient Boosting
11 Convolutional Neural Networks mit Keras
	11.1 Grundlagen und eindimensionale Convolutional Neural Networks
	11.2 Convolutional Neural Networks für Bilder
	11.3 Data Augmentation und Flow-Verarbeitung
	11.4 Class Activation Maps und Grad-CAM
	11.5 Transfer Learning
	11.6 Ausblicke Continual Learning und Object Detection
12 Support Vector Machines
	12.1 Optimale Separation
	12.2 Soft-Margin für nicht-linear separierbare Klassen
	12.3 Kernel-Ansätze
	12.4 SVM in scikit-learn
13 Clustering-Verfahren
	13.1 k-Means und k-Means++
	13.2 Fuzzy-C-Means
	13.3 Dichte-basierte Cluster-Analyse mit DBSCAN
	13.4 Hierarchische Clusteranalyse
	13.5 Evaluierung von Clustern und Praxisbeispiel Clustern von Ländern
	13.6 Schlecht gestellte Probleme und Clusterverfahren
14 Grundlagen des bestärkenden Lernens
	14.1 Software-Agenten und ihre Umgebung
	14.2 Markow-Entscheidungsproblem
	14.3 Q-Learning
	14.4 Unvollständige Informationen und Softmax
	14.5 Der SARSA-Algorithmus
15 Fortgeschrittene Themen des bestärkenden Lernens
	15.1 Experience Replay und Batch Reinforcement Learning
	15.2 Q-Learning mit neuronalen Netzen
	15.3 Double Q-Learning
	15.4 Credit Assignment und Belohnungen in endlichen Spielen
	15.5 Inverse Reinforcement Learning
	15.6 Deep Q-Learning
	15.7 Hierarchical Reinforcement Learning
	15.8 Model-based Reinforcement Learning
	15.9 Multi-Agenten-Szenarien
Literatur
Index