Einführung in Machine Learning mit Python

Table of contents

1. Cover
2. Titel
3. Impressum
4. Inhalt
5. Vorwort
6. 1 Einführung
   1. Warum Machine Learning?
   2. Welche Probleme kann Machine Learning lösen?
   3. Ihre Aufgabe und Ihre Daten kennen
   4. Warum Python?
   5. scikit-learn
   6. Installieren von scikit-learn
   7. Grundlegende Bibliotheken und Werkzeuge
   8. Jupyter Notebook
   9. NumPy
   10. SciPy
   11. matplotlib
   12. pandas
   13. mglearn
   14. Python 2 versus Python 3
   15. In diesem Buch verwendete Versionen
   16. Eine erste Anwendung: Klassifizieren von Iris-Spezies
   17. Die Daten kennenlernen
   18. Erfolg nachweisen: Trainings- und Testdaten
   19. Das Wichtigste zuerst: Sichten Sie Ihre Daten
   20. Ihr erstes Modell konstruieren: k-nächste-Nachbarn
   21. Vorhersagen treffen
   22. Evaluieren des Modells
   23. Zusammenfassung und Ausblick
7. 2 Überwachtes Lernen
   1. Klassifikation und Regression
   2. Verallgemeinerung, Overfitting und Underfitting
   3. Zusammenhang zwischen Modellkomplexität und Größe des Datensatzes
   4. Algorithmen zum überwachten Lernen
   5. Einige Beispieldatensätze
   6. k-nächste-Nachbarn
   7. Lineare Modelle
   8. Naive Bayes-Klassifikatoren
   9. Entscheidungsbäume
   10. Ensembles von Entscheidungsbäumen
   11. Support Vector Machines mit Kernel
   12. Neuronale Netze (Deep Learning)
   13. Schätzungen der Unsicherheit von Klassifikatoren
   14. Die Entscheidungsfunktion
   15. Vorhersagen von Wahrscheinlichkeiten
   16. Unsicherheit bei der Klassifikation mehrerer Kategorien
   17. Zusammenfassung und Ausblick
8. 3 Unüberwachtes Lernen und Vorverarbeitung
   1. Arten von unüberwachtem Lernen
   2. Herausforderungen beim unüberwachten Lernen
   3. Vorverarbeiten und Skalieren
   4. Unterschiedliche Möglichkeiten der Vorverarbeitung
   5. Anwenden von Datentransformationen
   6. Trainings- und Testdaten in gleicher Weise skalieren
   7. Die Auswirkungen der Vorverarbeitung auf überwachtes Lernen
   8. Dimensionsreduktion, Extraktion von Merkmalen und Manifold Learning
   9. Hauptkomponentenzerlegung (PCA)
   10. Nicht-negative-Matrix-Faktorisierung (NMF)
   11. Manifold Learning mit t-SNE
   12. Clusteranalyse
   13. k-Means-Clustering
   14. Agglomeratives Clustering
   15. DBSCAN
   16. Vergleichen und Auswerten von Clusteralgorithmen
   17. Zusammenfassung der Clustering-Methoden
   18. Zusammenfassung und Ausblick
9. 4 Repräsentation von Daten und Merkmalsgenerierung
   1. Kategorische Variablen
   2. One-Hot-Kodierung (Dummy-Variablen)
   3. Zahlen können kategorische Daten kodieren
   4. Binning, Diskretisierung, lineare Modelle und Bäume
   5. Interaktionen und Polynome
   6. Univariate nichtlineare Transformation
   7. Automatische Auswahl von Merkmalen
   8. Univariate Statistiken
   9. Modellbasierte Auswahl von Merkmalen
   10. Iterative Auswahl von Merkmalen
   11. Berücksichtigen von Expertenwissen
   12. Zusammenfassung und Ausblick
10. 5 Evaluierung und Verbesserung von Modellen
    1. Kreuzvalidierung
    2. Kreuzvalidierung in scikit-learn
    3. Vorteile der Kreuzvalidierung
    4. Stratifizierte k-fache Kreuzvalidierung und andere Strategien
    5. Gittersuche
    6. Einfache Gittersuche
    7. Die Gefahr des Overfittings von Parametern und Validierungsdaten
    8. Gittersuche mit Kreuzvalidierung
    9. Evaluationsmetriken
    10. Das Ziel im Auge behalten
    11. Metriken zur binären Klassifikation
    12. Metriken zur Klassifikation mehrerer Kategorien
    13. Regressionsmetriken
    14. Verwenden von Metriken zur Modellauswahl
    15. Zusammenfassung und Ausblick
11. 6 Verkettete Algorithmen und Pipelines
    1. Parameterauswahl mit Vorverarbeitung
    2. Erstellen von Pipelines
    3. Pipelines zur Gittersuche einsetzen
    4. Die allgemeine Pipeline-Schnittstelle
    5. Bequemes Erstellen von Pipelines mit make_pipeline
    6. Zugriff auf Attribute von Schritten
    7. Zugriff auf Attribute in einer Pipeline mit Gittersuche
    8. Gittersuche für Vorverarbeitungsschritte und Modellparameter
    9. Gittersuche nach dem richtigen Modell
    10. Zusammenfassung und Ausblick
12. 7 Verarbeiten von Textdaten
    1. Arten von als Strings repräsentierter Daten
    2. Anwendungsbeispiel: Meinungsanalyse zu Filmbewertungen
    3. Repräsentation von Text als Bag-of-Words
    4. Anwenden von Bag-of-Words auf einen einfachen Datensatz
    5. Bag-of-Words der Filmbewertungen
    6. Stoppwörter
    7. Umskalieren der Daten mit tf-idf
    8. Untersuchen der Koeffizienten des Modells
    9. Bag-of-Words mit mehr als einem Wort (n-Gramme)
    10. Fortgeschrittene Tokenisierung, Stemming und Lemmatisierung
    11. Modellierung von Themen und Clustering von Dokumenten
    12. Latent Dirichlet Allocation
    13. Zusammenfassung und Ausblick
13. 8 Zusammenfassung und weiterführende Ressourcen
    1. Herangehensweise an eine Fragestellung beim maschinellen Lernen
    2. Der menschliche Faktor
    3. Vom Prototyp zum Produktivsystem
    4. Testen von Produktivsystemen
    5. Konstruieren eines eigenen Estimators
    6. Wie geht es von hier aus weiter?
    7. Theorie
    8. Andere Umgebungen und Programmpakete zum maschinellen Lernen
    9. Ranking, Empfehlungssysteme und andere Arten von Lernen
    10. Probabilistische Modellierung, Inferenz und probabilistische Programmierung
    11. Neuronale Netze
    12. Skalieren auf größere Datensätze
    13. Verfeinern Sie Ihre Fähigkeiten
    14. Schlussbemerkung
14. Index
15. Über die Autoren
16. Über die Übersetzer
17. Kolophon
18. Fußnoten