Grundprinzipien des maschinellen Lernens

Was steckt hinter den Algorithmen der künstlichen Intelligenz? Künstliche Intelligenz und maschinelles Lernen halten zunehmend Einzug, in betrieblichen Anwendungen wie in der Forschung. Nicht alle Anwender und Anwenderinnen verfügen jedoch über einen mathematisch-naturwissenschaftlichen Hintergrund. Dieses Buch richtet sich an Studierende, Promovierende, Anwenderinnen und Anwender aller Fachrichtungen sowie an alle, die verstehen möchten, was hinter maschinellem Lernen und KI steckt. Es vermittelt ein grundlegendes Verständnis der zentralen Ideen hinter maschinellem Lernen (ML). Die zugrundeliegenden Konzepte stehen im Vordergrund, und diese werden anhand konkreter Verfahren wie Entscheidungsbäumen, linearer und logistischer Regression, neuronalen Netzen sowie Clusteranalyse veranschaulicht. Fallstudien mit Beispielen in der Programmiersprache R zeigen exemplarisch praktische Anwendungsfelder. Ergänzende Übungen laden zur Vertiefung ein. Das Buch richtet sich ausdrücklich auch an Leser und Leserinnen ohne spezielle mathematische Vorkenntnisse und ist mit Grundwissen aus der Schulmathematik verständlich. Für die praktischen Übungen und Anwendungsbeispiele sind Grundkenntnisse in R erforderlich. Die Produktfamilie WissensExpress bietet Ihnen Lehr- und Lernbücher in kompakter Form. Die Bücher liefern schnell und verständlich fundiertes Wissen.

Gero Szepannek ist Professor für Statistik, Wirtschaftsmathematik und maschinelles Lernen an der Hochschule Stralsund und forscht seit mehr als 20 Jahren im Bereich multivariater Statistik und maschinellen Lernens. Nach seiner Promotion an der Fakultät Statistik der TU Dortmund, in Kooperation mit dem Fraunhofer Institut für Digitale Medientechnologie in Ilmenau, war er für sieben Jahre bei der Santander Consumer Bank tätig und hat umfangreiche Erfahrung in der praktischen Datenanalyse und Risikomodellierung. Zu seinen aktuellen Forschungsinteressen gehören unter anderem die Erklärbarkeit künstlicher Intelligenz, Clusteranalyse bei gemischten Datenniveaus, sowie Data Literacy.

Einleitung.- Verlustfunktion.- Maximum-Likelihood.- Optimierung.- Regularisierung.- Weiterführende Themen & Begriffe.