Adaptive Berechnung und maschinelles Lernen Reihe

Das maschinelle Lernen ist zwangsläufig 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 häufig 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 statistische 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 zusätzliche Beispieldatensätzen. Prof. Dr. Ethem Alpaydin, Bogaziçi University, Istanbul.

Das Buch bietet eine umfassende Behandlung moderner Verfahren im Bereich des Deep Learning, einschließlich tiefer Feedforward-Netze, Regularisierung, Performance-Optimierung sowie Convolutional Neural Networks (CNNs) und rekurrenter neuronaler Netze. Es beleuchtet auch zukunftsweisende Ansätze und Konzepte wie Generative Adversarial Networks, die von Ian Goodfellow entwickelt wurden. Deep Learning, ein Teilbereich des Machine Learning, ermöglicht es Computern, aus Erfahrungen zu lernen. Der Inhalt ist in drei Teile gegliedert: Teil I behandelt die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze und Machine Learning, einschließlich linearer Algebra, Wahrscheinlichkeits- und Informationstheorie, bayesscher Statistik und numerischer Berechnung. Teil II fokussiert auf aktuelle Verfahren und Algorithmen, die in der Praxis eingesetzt werden, wie tiefe Feedforward-Netze, Regularisierung, Optimierung beim Training tiefer Modelle sowie Sequenzmodellierung. Teil III gibt Einblicke in aktuelle Forschungsansätze und innovative Verfahren, darunter lineare Faktorenmodelle, Autoencoder, probabilistische graphische Modelle und tiefe generative Modelle wie Restricted Boltzmann Machines und Variational Autoencoder. Das Buch richtet sich an Studierende, Forscher und Softwareentwickler mit Grundkenntnissen in Mathematik, Informatik und Programmierung, die Deep Learning für eigene Projekte nutzen möchten.

An account of key ideas and algorithms in reinforcement learning. The discussion ranges from the history of the field's intellectual foundations to recent developments and applications. Areas studied include reinforcement learning problems in terms of Markov decision problems and solution methods.

This comprehensive introduction to machine learning employs probabilistic models and inference as a unifying framework. The explosion of electronic data on the Web necessitates automated data analysis methods, and machine learning addresses this by developing techniques to automatically identify patterns and predict future data. The textbook presents a self-contained overview of the field, integrating essential background topics such as probability, optimization, and linear algebra, while also covering recent advancements like conditional random fields, L1 regularization, and deep learning. Written in an informal and accessible style, it includes pseudo-code for key algorithms, along with numerous color illustrations and worked examples from diverse fields like biology, text processing, computer vision, and robotics. Instead of merely presenting a variety of heuristic methods, the book emphasizes a principled model-based approach, often utilizing graphical models for clear and concise specification. Most models discussed are implemented in the freely available MATLAB software package, PMTK (probabilistic modeling toolkit). This resource is ideal for upper-level undergraduates with a basic college math background and beginning graduate students.