國立虎尾科技大學 |

Statistisches und maschinelles Lernen = Gängige Verfahren im Überblick /

Record Type:	Language materials, printed : Monograph/item
Title/Author:	Statistisches und maschinelles Lernen/ von Stefan Richter.
Reminder of title:	Gängige Verfahren im Überblick /
Author:	Richter, Stefan.
Description:	XIV, 383 S. 87 Abb., 50 Abb. in Farbe.online resource. :
Contained By:	Springer Nature eBook
Subject:	Statistics . -
Online resource:	https://doi.org/10.1007/978-3-662-59354-7
ISBN:	9783662593547

Statistisches und maschinelles Lernen = Gängige Verfahren im Überblick /
Richter, Stefan.

Statistisches und maschinelles LernenGängige Verfahren im Überblick /[electronic resource] :von Stefan Richter. - 1st ed. 2019. - XIV, 383 S. 87 Abb., 50 Abb. in Farbe.online resource.

Supervised Learning: Grundlagen -- Lineare Algorithmen für Regressionsprobleme -- Allgemeines zu Klassifikationsproblemen -- Lineare Methoden für Klassifizierungsprobleme und SVMs -- Nichtparametrische Methoden und der naive Bayes-Klassifizierer -- Regressions- und Klassifikationsbäume; Bagging, Boosting und Random Forests -- Neuronale Netzwerke -- Reinforcement Learning / Bestärkendes Lernen -- Unsupervised Learning: Bestimmung von Repräsentanten -- Unsupervised Learning: Dimensionsreduktion.

Dieses Buch verschafft Ihnen einen Überblick über einige der bekanntesten Verfahren des maschinellen Lernens aus der Perspektive der mathematischen Statistik. Nach der Lektüre kennen Sie die jeweils gestellten Forderungen an die Daten sowie deren Vor- und Nachteile und sind daher in der Lage, für ein gegebenes Problem ein geeignetes Verfahren vorzuschlagen. Beweise werden nur dort ausführlich dargestellt oder skizziert, wo sie einen didaktischen Mehrwert bieten – ansonsten wird auf die entsprechenden Fachartikel verwiesen. Für die praktische Anwendung ist ein genaueres Studium des jeweiligen Verfahrens und der entsprechenden Fachliteratur nötig, zu der Sie auf Basis dieses Buchs aber schnell Zugang finden. Das Buch richtet sich an Studierende der Mathematik höheren Semesters, die bereits Vorkenntnisse in Wahrscheinlichkeitstheorie besitzen. Behandelt werden sowohl Methoden des Supervised Learning und Reinforcement Learning als auch des Unsupervised Learning. Der Umfang entspricht einer einsemestrigen vierstündigen Vorlesung. Die einzelnen Kapitel sind weitestgehend unabhängig voneinander lesbar, am Ende jedes Kapitels kann das erworbene Wissen anhand von Übungsaufgaben und durch Implementierung der Verfahren überprüft werden. Quelltexte in der Programmiersprache R stehen auf der Springer-Produktseite zum Buch zur Verfügung. Der Autor Dr. Stefan Richter studierte und promovierte an der Universität Heidelberg. Im Anschluss hatte er eine Vertretungsprofessur am Institut für Mathematische Stochastik der TU Braunschweig inne, in deren Rahmen er unter anderem statistisches und maschinelles Lernen für Mathematiker lehrte. Derzeit ist er Postdoc der Arbeitsgruppe Statistik stochastischer Prozesse in Heidelberg.

ISBN: 9783662593547

Standard No.: 10.1007/978-3-662-59354-7doiSubjects--Topical Terms:

1253516
Statistics .

LC Class. No.: QA276-280

Dewey Class. No.: 519.5

Statistisches und maschinelles Lernen = Gängige Verfahren im Überblick /
LDR:03481nam a22003495i 4500 001 1011300
003 DE-He213
005 20200711041321.0
007 cr nn 008mamaa
008 210106s2019 gw | s |||| 0|ger d
020 $a 9783662593547 $9 978-3-662-59354-7
024 7 $a 10.1007/978-3-662-59354-7 $2 doi
035 $a 978-3-662-59354-7
050 4 $a QA276-280
072 7 $a PBT $2 bicssc
072 7 $a MAT029000 $2 bisacsh
072 7 $a PBT $2 thema
082 0 4 $a 519.5 $2 23
100 1 $a Richter, Stefan. $e author. $4 aut $4 http://id.loc.gov/vocabulary/relators/aut $3 1305424
245 1 0 $a Statistisches und maschinelles Lernen $h [electronic resource] : $b Gängige Verfahren im Überblick / $c von Stefan Richter.
250 $a 1st ed. 2019.
264 1 $a Berlin, Heidelberg : $b Springer Berlin Heidelberg : $b Imprint: Springer Spektrum, $c 2019.
300 $a XIV, 383 S. 87 Abb., 50 Abb. in Farbe. $b online resource.
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
347 $a text file $b PDF $2 rda
505 0 $a Supervised Learning: Grundlagen -- Lineare Algorithmen für Regressionsprobleme -- Allgemeines zu Klassifikationsproblemen -- Lineare Methoden für Klassifizierungsprobleme und SVMs -- Nichtparametrische Methoden und der naive Bayes-Klassifizierer -- Regressions- und Klassifikationsbäume; Bagging, Boosting und Random Forests -- Neuronale Netzwerke -- Reinforcement Learning / Bestärkendes Lernen -- Unsupervised Learning: Bestimmung von Repräsentanten -- Unsupervised Learning: Dimensionsreduktion.
520 $a Dieses Buch verschafft Ihnen einen Überblick über einige der bekanntesten Verfahren des maschinellen Lernens aus der Perspektive der mathematischen Statistik. Nach der Lektüre kennen Sie die jeweils gestellten Forderungen an die Daten sowie deren Vor- und Nachteile und sind daher in der Lage, für ein gegebenes Problem ein geeignetes Verfahren vorzuschlagen. Beweise werden nur dort ausführlich dargestellt oder skizziert, wo sie einen didaktischen Mehrwert bieten – ansonsten wird auf die entsprechenden Fachartikel verwiesen. Für die praktische Anwendung ist ein genaueres Studium des jeweiligen Verfahrens und der entsprechenden Fachliteratur nötig, zu der Sie auf Basis dieses Buchs aber schnell Zugang finden. Das Buch richtet sich an Studierende der Mathematik höheren Semesters, die bereits Vorkenntnisse in Wahrscheinlichkeitstheorie besitzen. Behandelt werden sowohl Methoden des Supervised Learning und Reinforcement Learning als auch des Unsupervised Learning. Der Umfang entspricht einer einsemestrigen vierstündigen Vorlesung. Die einzelnen Kapitel sind weitestgehend unabhängig voneinander lesbar, am Ende jedes Kapitels kann das erworbene Wissen anhand von Übungsaufgaben und durch Implementierung der Verfahren überprüft werden. Quelltexte in der Programmiersprache R stehen auf der Springer-Produktseite zum Buch zur Verfügung. Der Autor Dr. Stefan Richter studierte und promovierte an der Universität Heidelberg. Im Anschluss hatte er eine Vertretungsprofessur am Institut für Mathematische Stochastik der TU Braunschweig inne, in deren Rahmen er unter anderem statistisches und maschinelles Lernen für Mathematiker lehrte. Derzeit ist er Postdoc der Arbeitsgruppe Statistik stochastischer Prozesse in Heidelberg.
650 0 $a Statistics . $3 1253516
650 0 $a Probabilities. $3 527847
650 0 $a Mathematical statistics. $3 527941
650 1 4 $a Statistical Theory and Methods. $3 671396
650 2 4 $a Probability Theory and Stochastic Processes. $3 593945
650 2 4 $a Probability and Statistics in Computer Science. $3 669886
710 2 $a SpringerLink (Online service) $3 593884
773 0 $t Springer Nature eBook
776 0 8 $i Printed edition: $z 9783662593530
856 4 0 $u https://doi.org/10.1007/978-3-662-59354-7
912 $a ZDB-2-SNA
950 $a Life Science and Basic Disciplines (German Language) (SpringerNature-11777)