utb-Shoputb-Shop

0 Artikel zum Warenkorb

Sie haben keine Artikel im Warenkorb.

Gesamtsumme 0,00 €
Zwischensumme 0,00 €

Fundamentals of Machine Learning

Support Vector Machines Made Easy

von Ernst, Floris ; Schweikard, Achim Fach: Technik/ Ingenieurwesen;

Künstliche Intelligenz wird unser Leben nachhaltig verändern – sowohl im Job als auch im Privaten. Doch wie funktioniert maschinelles Lernen eigentlich genau?
Dieser Frage gehen zwei Lübecker Professoren 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.
Erweitern/ reduzieren Zusatzinformationen

Verfügbare Formate

Print-Ausgabe *(verfügbar)
24,90 €
1. Aufl.
Online-Zugang **(verfügbar)
19,99 €
1. Aufl.
Buch und Online-Zugang nur
29,90 €

Was ist der »Online-Zugang«?

* Print-Ausgabe inkl. 5% Mehrwertsteuer ** Online-Zugang inkl. 5% Mehrwertsteuer
Versandkostenfreie Lieferung innerhalb Deutschlands. Details.

AGB / Widerrufsbelehrung
Details
ISBN 9783825252519
UTB-Titelnummer 5251
Auflagennr. 1. Aufl.
Erscheinungsjahr 2020
Erscheinungsdatum 13.07.2020
Einband Kartoniert
Formate UTB XL (19,6 x 26,6 cm)
Originalverlag UVK
Umfang 155 S., 79 farb. Abb.
Zusatzmaterial
Inhalt
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
Autoreninfo

Ernst, Floris

Prof. Dr. Floris Ernst lehrt KI (Künstliche Intelligenz) und Robotik an der Universität Lübeck.

Schweikard, Achim

Prof. Dr. Achim Schweikard lehrt KI (Künstliche Intelligenz) und Robotik an der Universität Lübeck.
Leserbewertungen

Schreiben Sie die erste Kundenmeinung (bis 2.000 Zeichen). Ihr Eintrag wird zunächst überprüft und dann freigeschaltet.

Bewerten Sie den Titel "Fundamentals of Machine Learning"

 
1 Stern
2 Sterne
3 Sterne
4 Sterne
5 Sterne
Bewertung
Produktfragen

Fragen zu Fundamentals of Machine Learning

Es wurden bis jetzt noch keine Fragen gestellt.

Stellen Sie eine Frage

Fundamentals of Machine Learning
 

Das könnte Sie auch interessieren

Weitere Titel zu Technik/ Ingenieurwesen

  Lade...