Maschinelles Lernen
2., erweiterte Auflage. - München ;, Wien: De Gruyter Oldenbourg, [2019]
Online
Amtliche Druckschrift, Monographie, Nachschlagewerk, Elektronische Ressource
- 1 online resource (XXII, 633 p.)
Zugriff:
Ermittle Ausleihstatus...
Das maschinelle Lernen ist zwangsläufi g eines der am schnellsten wachsenden Gebiete der Computerwissenschaft. Nicht nur die zu verarbeitenden Datenmengen werden immer umfangreicher, sondern auch die Theorie, wie man sie verarbeiten und in Wissen verwandeln kann. Maschinelles Lernen ist ein verständlich geschriebenes Lehrbuch, welches ein breites Spektrum an Themen aus verschiedenen Bereichen abdeckt, wie zum Beispiel Statistik, Mustererkennung, neuronale Netze, künstliche Intelligenz, Signalverarbeitung, Steuerung und Data Mining. Darüber hinaus beinhaltet das Buch auch Themen, die von einführenden Werken häufi g nicht behandelt werden. Unter anderem: Überwachtes Lernen; Bayessche Entscheidungstheorie; parametrische und nichtparametrische Statistik; multivariate Analysis; Hidden-Markow-Modelle; bestärkendes Lernen; Kernel-Maschinen; graphische Modelle; Bayes-Schätzung und statistischen Testmethoden. Da maschinelles Lernen eine immer größere Rolle für Studierende der Informatik spielt, geht die zweite Aufl age des Buches auf diese Veränderung ein und unterstützt gezielt Anfänger in diesem Gebiet, unter anderem durch Übungsaufgaben und zusätzlichen Beispieldatensätzen. Prof. Dr. Ethem Alpaydin, Bogaziçi University, Istanbul.
Machine learning refers to knowledge artificially generated from experience. This book discusses the methods used in statistics and pattern recognition. It draws from various approaches to find the most efficient solutions. This latest edition includes new chapters on kernel machines, graphical models, and Bayesian estimation.
Frontmatter --; Inhaltsverzeichnis --; Vorwort zur zweiten deutschen Auflage (dritte englische Auflage) --; Hinweise zur zweiten englischen Auflage --; Vorwort zur ersten Auflage --; Notationen --; 1. Einführung --; 2. Überwachtes Lernen --; 3. Bayessche Entscheidungstheorie --; 4. Parametrische Methoden --; 5. Multivariate Methoden --; 6. Dimensionalitätsreduktion --; 7. Clusteranalyse --; 8. Nichtparametrische Methoden --; 9. Entscheidungsbäume --; 10. Lineare Diskriminanz --; 11. Mehrlagige Perzeptronen --; 12. Lokale Modelle --; 13. Kernel-Maschinen --; 14. Graphenmodelle --; 15. Hidden-Markov-Modelle --; 16. Bayessche Schätzung --; 17. Kombination mehrerer Lerner --; 18. Bestärkendes Lernen --; 19. Design und Analyse von Experimenten mit maschinellem Lernen --; Anhang --; Index
Titel: |
Maschinelles Lernen
|
---|---|
Verantwortlichkeitsangabe: | Ethem Alpaydin |
Autor/in / Beteiligte Person: | Alpaydin, Ethem [author.] |
Lokaler Link: | |
Verwandtes Werk: | |
Ausgabe: | 2., erweiterte Auflage |
Veröffentlichung: | München ;, Wien: De Gruyter Oldenbourg, [2019] |
Medientyp: | Amtliche Druckschrift, Monographie, Nachschlagewerk |
Datenträgertyp: | Elektronische Ressource |
Umfang: | 1 online resource (XXII, 633 p.) |
ISBN: | 3-11-061794-3; 3-11-061789-7 |
DOI: | 10.1515/9783110617894 |
Schlagwort: |
|
Sonstiges: |
|