Fundamentals of Machine Learning
Support Vector Machines Made Easy
(Sprache: Englisch)
Künstliche Intelligenz begreifen
Künstliche Intelligenz wird unser Leben nachhaltig verändern - sowohl im Job als auch im Privaten. Doch wie funktioniert maschinelles Lernen eigentlich genau? Dieser Frage gehen die Autoren in ihrem englischsprachigen...
Künstliche Intelligenz wird unser Leben nachhaltig verändern - sowohl im Job als auch im Privaten. Doch wie funktioniert maschinelles Lernen eigentlich genau? Dieser Frage gehen die Autoren in ihrem englischsprachigen...
Leider schon ausverkauft
versandkostenfrei
Taschenbuch
Fr. 32.90
inkl. MwSt.
- Kreditkarte, Paypal, Rechnungskauf
- 30 Tage Widerrufsrecht
Produktdetails
Produktinformationen zu „Fundamentals of Machine Learning “
Künstliche Intelligenz begreifen
Künstliche Intelligenz wird unser Leben nachhaltig verändern - sowohl im Job als auch im Privaten. Doch wie funktioniert maschinelles Lernen eigentlich genau? Dieser Frage gehen die Autoren in ihrem englischsprachigen Lehrbuch nach. Sie vermitteln die notwendigen Grundlagen für den Einsatz von Support Vector Machines beispielsweise durch die lineare Programmierung, den Lagrange-Multiplikator, Kernels und den SMO-Algorithmus. Auch auf Neuronale Netze, evolutionäre Algorithmen und Bayessche Netze gehen sie ein. Definitionen sind im Buch hervorgehoben und Aufgaben laden die LeserInnen zum Mitdenken ein. Das Lehrbuch richtet sich an Studierende der Informatik, Technik und Naturwissenschaften, insbesondere aus den Bereichen Robotik, Artificial Intelligence und Mathematik.
Künstliche Intelligenz wird unser Leben nachhaltig verändern - sowohl im Job als auch im Privaten. Doch wie funktioniert maschinelles Lernen eigentlich genau? Dieser Frage gehen die Autoren in ihrem englischsprachigen Lehrbuch nach. Sie vermitteln die notwendigen Grundlagen für den Einsatz von Support Vector Machines beispielsweise durch die lineare Programmierung, den Lagrange-Multiplikator, Kernels und den SMO-Algorithmus. Auch auf Neuronale Netze, evolutionäre Algorithmen und Bayessche Netze gehen sie ein. Definitionen sind im Buch hervorgehoben und Aufgaben laden die LeserInnen zum Mitdenken ein. Das Lehrbuch richtet sich an Studierende der Informatik, Technik und Naturwissenschaften, insbesondere aus den Bereichen Robotik, Artificial Intelligence und Mathematik.
Klappentext zu „Fundamentals of Machine Learning “
Artificial intelligence will change our lives forever - both at work and in our private lives. But how exactly does machine learning work? Two professors from Lübeck explore this question. In their English textbook they teach the necessary basics for the use of Support Vector Machines, for example, by explaining linear programming, the Lagrange multiplier, kernels and the SMO algorithm. They also deal with neural networks, evolutionary algorithms and Bayesian networks.Definitions are highlighted in the book and tasks invite readers to actively participate. The textbook is aimed at students of computer science, engineering and natural sciences, especially in the fields of robotics, artificial intelligence and mathematics.
Inhaltsverzeichnis zu „Fundamentals of Machine Learning “
Contents Preface 1 Symbolic Classification and Nearest Neighbour Classification 1.1 Symbolic Classification 1.2 Nearest Neighbour Classification 2 Separating Planes and Linear Programming 2.1 Finding a Separating Hyperplane 2.2 Testing for feasibility of linear constraints 2.3 Linear Programming MATLAB example 2.4 Conclusion 3 Separating Margins and Quadratic Programming 3.1 Quadratic Programming 3.2 Maximum Margin Separator Planes 3.3 Slack Variables 4 Dualization and Support Vectors 4.1 Duals of Linear Programs 4.2 Duals of Quadratic Programs 4.3 Support Vectors 5 Lagrange Multipliers and Duality 5.1 Multidimensional functions 5.2 Support Vector Expansion 5.3 Support Vector Expansion with Slack Variables 6 Kernel Functions 6.1 Feature Spaces 6.2 Feature Spaces and Quadratic Programming 6.3 Kernel Matrix and Mercer¿s Theorem 6.4 Proof of Mercer¿s Theorem Step 1 ¿ Definitions and Prerequisites Step 2 ¿ Designing the right Hilbert Space Step 3 ¿ The reproducing property 7 The SMO Algorithm 7.1 Overview and Principles 7.2 Optimisation Step 7.3 Simplified SMO 8 Regression 8.1 Slack Variables 8.2 Duality, Kernels and Regression 8.3 Deriving the Dual form of the QP for Regression 9 Perceptrons, Neural Networks and Genetic Algorithms 9.1 Perceptrons Perceptron-Algorithm Perceptron-Lemma and Convergence Perceptrons and Linear Feasibility Testing 9.2 Neural Networks Forward Propagation Training and Error Backpropagation 9.3 Genetic Algorithms 9.4 Conclusion 10 Bayesian Regression 10.1 Bayesian Learning 10.2 Probabilistic Linear Regression 10.3 Gaussian Process Models 10.4 GP model with measurement noise Optimization of hyperparameters Covariance functions 10.5 Multi-Task Gaussian Process (MTGP) Models 11 Bayesian Networks Propagation of probabilities in causal networks Appendix ¿ Linear Programming A.1 Solving LP0 problems A.2 Schematic representation of the iteration steps A.3 Transition from LP0 to LP A.4 Computing time and complexity issues References Index
Autoren-Porträt von Floris Ernst, Achim Schweikard
Prof. Dr. Floris Ernst lehrt KI (Künstliche Intelligenz) und Robotik an der Universität Lübeck.
Bibliographische Angaben
- Autoren: Floris Ernst , Achim Schweikard
- 2020, 155 Seiten, 79 farbige Abbildungen, 79 Abbildungen, Masse: 19,5 x 26,4 cm, Taschenbuch, Englisch
- Verlag: UTB
- ISBN-10: 3825252515
- ISBN-13: 9783825252519
- Erscheinungsdatum: 15.07.2020
Sprache:
Englisch
Kommentar zu "Fundamentals of Machine Learning"
0 Gebrauchte Artikel zu „Fundamentals of Machine Learning“
Zustand | Preis | Porto | Zahlung | Verkäufer | Rating |
---|
Schreiben Sie einen Kommentar zu "Fundamentals of Machine Learning".
Kommentar verfassen