Lavoisier S.A.S.
14 rue de Provigny
94236 Cachan cedex
FRANCE

Heures d'ouverture 08h30-12h30/13h30-17h30
Tél.: +33 (0)1 47 40 67 00
Fax: +33 (0)1 47 40 67 02


Url canonique : www.lavoisier.fr/livre/mathematiques/statistisches-und-maschinelles-lernen/descriptif_4178058
Url courte ou permalien : www.lavoisier.fr/livre/notice.asp?ouvrage=4178058

Statistisches und maschinelles Lernen, 1. Aufl. 2019 Gängige Verfahren im Überblick

Langue : Allemand

Auteur :

Couverture de l’ouvrage Statistisches und maschinelles Lernen

Dieses Buch verschafft Ihnen einen Überblick über einige der bekanntesten Verfahren des maschinellen Lernens aus der Perspektive der mathematischen Statistik. Nach der Lektüre kennen Sie die jeweils gestellten Forderungen an die Daten sowie deren Vor- und Nachteile und sind daher in der Lage, für ein gegebenes Problem ein geeignetes Verfahren vorzuschlagen. Beweise werden nur dort ausführlich dargestellt oder skizziert, wo sie einen didaktischen Mehrwert bieten ? ansonsten wird auf die entsprechenden Fachartikel verwiesen. Für die praktische Anwendung ist ein genaueres Studium des jeweiligen Verfahrens und der entsprechenden Fachliteratur nötig, zu der Sie auf Basis dieses Buchs aber schnell Zugang finden.

Das Buch richtet sich an Studierende der Mathematik höheren Semesters, die bereits Vorkenntnisse in Wahrscheinlichkeitstheorie besitzen. Behandelt werden sowohl Methoden des Supervised Learning und Reinforcement Learning als auch des Unsupervised Learning. Der Umfang entspricht einer einsemestrigen vierstündigen Vorlesung.

Die einzelnen Kapitel sind weitestgehend unabhängig voneinander lesbar, am Ende jedes Kapitels kann das erworbene Wissen anhand von Übungsaufgaben und durch Implementierung der Verfahren überprüft werden. Quelltexte in der Programmiersprache R stehen auf der Springer-Produktseite zum Buch zur Verfügung.

Supervised Learning: Grundlagen.- Lineare Algorithmen für Regressionsprobleme.- Allgemeines zu Klassifikationsproblemen .- Lineare Methoden für Klassifizierungsprobleme und SVMs.- Nichtparametrische Methoden und der naive Bayes-Klassifizierer.- Regressions- und Klassifikationsbäume; Bagging, Boosting und Random Forests.- Neuronale Netzwerke.- Reinforcement Learning / Bestärkendes Lernen.- Unsupervised Learning: Bestimmung von Repräsentanten.- Unsupervised Learning: Dimensionsreduktion.
Dr. Stefan Richter studierte und promovierte an der Universität Heidelberg. Im Anschluss hatte er eine Vertretungsprofessur am Institut für Mathematische Stochastik der TU Braunschweig inne, in deren Rahmen er unter anderem statistisches und maschinelles Lernen für Mathematiker lehrte. Derzeit ist er Postdoc der Arbeitsgruppe Statistik stochastischer Prozesse in Heidelberg.

Wertvolles Grundlagenwissen für (Quer-)Einsteiger aus Mathematik und verwandten Disziplinen

Bereitet auf die Lektüre von vertiefender Fachliteratur vor

Verzichtet zugunsten des Überblicks auf durchgängige (Beweis-)Vollständigkeit

Solide Basis in Form weitgehend unabhängig voneinander lesbarer Kapitel

Ergänzende Programmcodes in R sind online verfügbar

Date de parution :

Ouvrage de 140 p.

16.8x24 cm

À paraître, réservez-le dès maintenant

27,60 €

Ajouter au panier
En continuant à naviguer, vous autorisez Lavoisier à déposer des cookies à des fins de mesure d'audience. Pour en savoir plus et paramétrer les cookies, rendez-vous sur la page Confidentialité & Sécurité.
FERMER