%0 Book %1 Neupert.2020 %A Neupert, Titus %A Greplova, Eliska %A Fischer, Mark H. %B Essentials %C Wiesbaden %D 2020 %I Springer Spektrum %K Electronic Learning;Mathematical books;Machine physics;Statistics %T Machine Learning kompakt: Ein Einstieg für Studierende der Naturwissenschaften %U https://ebookcentral.proquest.com/lib/kxp/detail.action?docID=6460394 %X Intro -- Was Sie in diesem essential finden können -- Inhaltsverzeichnis -- 1 Einführung -- 2 Maschinelles Lernen ohne neuronale Netzwerke -- 2.1 Hauptkomponentenanalyse -- 2.1.1 HKA Algorithmus -- 2.1.2 Kernbasierte HKA -- 2.2 Lineare Methoden des überwachten Lernens -- 2.2.1 Lineare Regression -- 2.2.2 Lineare Klassifikationsmethode -- 3 Neuronale Netzwerke und überwachtes Lernen -- 3.1 Ein Neuron als Funktion -- 3.2 Ein einfaches neuronales Netz -- 3.3 Training -- 3.4 Ein elementares Beispiel: MNIST -- 3.5 Regularisierung -- 3.6 Convolutional Neural Networks -- 3.6.1 Der Convolutional Layer -- 3.6.2 Pooling -- 3.6.3 Beispiel: DNA-Klassifizierung -- 3.6.4 Beispiel: Fortgeschrittenes MNIST -- 3.7 Rekurrentes neuronales Netz -- 4 Unüberwachtes Lernen -- 4.1 Begrenzte Boltzmann-Maschinen -- 4.1.1 Training eines RBM -- 4.1.2 Beispiel: Bildrekonstruktion/Rauschentfernung -- 4.2 Ein RNN unüberwacht trainieren -- 4.3 Autoencoder -- 4.3.1 Variationelle Autoencoder -- 4.4 Generative Adversarial Networks -- 5 Interpretierbarkeit von neuronalen Netzwerken -- 5.1 Dreaming und das Extrapolationsproblem -- 5.2 Rauschanfälligkeit von Netzwerken -- 5.3 Autoencoder interpretieren -- 6 Schlusskommentare -- Was Sie aus diesem essential mitnehmen können -- Bibliotheken für maschinelles Lernen. %@ 9783658322687

@book{Neupert.2020, abstract = {Intro -- Was Sie in diesem essential finden k{\"o}nnen -- Inhaltsverzeichnis -- 1 Einf{\"u}hrung -- 2 Maschinelles Lernen ohne neuronale Netzwerke -- 2.1 Hauptkomponentenanalyse -- 2.1.1 HKA Algorithmus -- 2.1.2 Kernbasierte HKA -- 2.2 Lineare Methoden des {\"u}berwachten Lernens -- 2.2.1 Lineare Regression -- 2.2.2 Lineare Klassifikationsmethode -- 3 Neuronale Netzwerke und {\"u}berwachtes Lernen -- 3.1 Ein Neuron als Funktion -- 3.2 Ein einfaches neuronales Netz -- 3.3 Training -- 3.4 Ein elementares Beispiel: MNIST -- 3.5 Regularisierung -- 3.6 Convolutional Neural Networks -- 3.6.1 Der Convolutional Layer -- 3.6.2 Pooling -- 3.6.3 Beispiel: DNA-Klassifizierung -- 3.6.4 Beispiel: Fortgeschrittenes MNIST -- 3.7 Rekurrentes neuronales Netz -- 4 Un{\"u}berwachtes Lernen -- 4.1 Begrenzte Boltzmann-Maschinen -- 4.1.1 Training eines RBM -- 4.1.2 Beispiel: Bildrekonstruktion/Rauschentfernung -- 4.2 Ein RNN un{\"u}berwacht trainieren -- 4.3 Autoencoder -- 4.3.1 Variationelle Autoencoder -- 4.4 Generative Adversarial Networks -- 5 Interpretierbarkeit von neuronalen Netzwerken -- 5.1 Dreaming und das Extrapolationsproblem -- 5.2 Rauschanf{\"a}lligkeit von Netzwerken -- 5.3 Autoencoder interpretieren -- 6 Schlusskommentare -- Was Sie aus diesem essential mitnehmen k{\"o}nnen -- Bibliotheken f{\"u}r maschinelles Lernen.}, added-at = {2024-03-26T16:36:34.000+0100}, address = {Wiesbaden}, author = {Neupert, Titus and Greplova, Eliska and Fischer, Mark H.}, biburl = {https://puma.ub.uni-stuttgart.de/bibtex/221a51e4de8f5f2b334bac8d0e9279406/roberta.toscano}, interhash = {f66cca4bea9de303e1916d6dccf8d3b7}, intrahash = {21a51e4de8f5f2b334bac8d0e9279406}, isbn = {9783658322687}, keywords = {Electronic Learning;Mathematical books;Machine physics;Statistics}, publisher = {{Springer Spektrum}}, series = {Essentials}, timestamp = {2024-04-15T12:57:15.000+0200}, title = {Machine Learning kompakt: Ein Einstieg f{\"u}r Studierende der Naturwissenschaften}, url = {https://ebookcentral.proquest.com/lib/kxp/detail.action?docID=6460394}, year = 2020 }