KAPITEL 4

Anomalieerkennung

In Kapitel 3 haben wir die Kernalgorithmen für die Dimensionsreduktion eingeführt und ihre Fähigkeit untersucht, die wichtigsten Informationen in der MNIST-Zifferndatenbank in deutlich weniger Dimensionen als den ursprünglichen 784 zu erfassen. Selbst in nur zwei Dimensionen und sogar ohne Labels haben die Algorithmen die Ziffern sinnvoll getrennt. Hier zeigt sich die Stärke von Algorithmen für Unsupervised Learning – sie können die zugrunde liegende Struktur der Daten lernen und dabei helfen, versteckte Muster in Abwesenheit von Labels zu entdecken.

Wir werden eine Lösung mit angewandtem, maschinellem Lernen erstellen, die solche Methoden zur Dimensionsreduzierung verwendet. Hierzu wenden wir uns dem in Kapitel 2 ...

Get Praxisbuch Unsupervised Learning now with O’Reilly online learning.

O’Reilly members experience live online training, plus books, videos, and digital content from 200+ publishers.