Praxisbuch Unsupervised Learning - Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren
von: Ankur A. Patel
O'Reilly Verlag, 2020
ISBN: 9783960888765
Sprache: Deutsch
358 Seiten, Download: 6578 KB
Format: PDF, auch als Online-Lesen
geeignet für:
Typ: A (einfacher Zugriff)
Mehr zum Inhalt
Praxisbuch Unsupervised Learning - Machine-Learning-Anwendungen für ungelabelte Daten mit Python programmieren
| Inhalt | 5 | ||
| Einleitung | 13 | ||
| Teil I: Grundlagen des Unsupervised Learning | 23 | ||
| Kapitel 1: Unsupervised Learning im Ökosystem des maschinellen Lernens | 25 | ||
| Grundbegriffe des maschinellen Lernens | 25 | ||
| Regelbasiertes vs. maschinelles Lernen | 26 | ||
| Supervised vs. Unsupervised | 1 | ||
| Ein genauerer Blick auf überwachte Algorithmen | 33 | ||
| Unüberwachte Algorithmen unter der Lupe | 39 | ||
| Reinforcement Learning mithilfe von Unsupervised Learning | 48 | ||
| Semi-supervised Learning | 49 | ||
| Erfolgreiche Anwendungen von Unsupervised Learning | 49 | ||
| Zusammenfassung | 51 | ||
| Kapitel 2: Durchgehendes Projekt zum maschinellen Lernen | 53 | ||
| Die Umgebung einrichten | 53 | ||
| Die Daten im Überblick | 56 | ||
| Datenvorbereitung | 57 | ||
| Modellvorbereitung | 64 | ||
| Modelle des maschinellen Lernens (Teil 1) | 66 | ||
| Kennzahlen bewerten | 69 | ||
| Modelle des maschinellen Lernens (Teil 2) | 75 | ||
| Bewertung der vier Modelle mit dem Testset | 84 | ||
| Ensembles | 88 | ||
| Endgültige Modellauswahl | 91 | ||
| Produktionspipeline | 92 | ||
| Zusammenfassung | 93 | ||
| Teil II: Unsupervised Learning mit Scikit-learn | 95 | ||
| Kapitel 3: Dimensionsreduktion | 97 | ||
| Die Motivation zur Dimensionsreduktion | 97 | ||
| Algorithmen zur Dimensionsreduktion | 101 | ||
| Hauptkomponentenanalyse | 102 | ||
| Singulärwertzerlegung | 111 | ||
| Zufallsprojektion | 113 | ||
| Isomap | 115 | ||
| Multidimensionale Skalierung | 116 | ||
| Lokal lineare Einbettung | 117 | ||
| Stochastische Nachbarschaftseinbettung mit Student-t-Verteilung | 118 | ||
| Andere Methoden zur Dimensionsreduktion | 120 | ||
| Zusammenfassung | 122 | ||
| Kapitel 4: Anomalieerkennung | 125 | ||
| Kreditkartenbetrugserkennung | 126 | ||
| Anomalieerkennung mit normaler PCA | 129 | ||
| Anomalieerkennung mit sparse PCA | 134 | ||
| Anomalieerkennung mit Kernel-PCA | 137 | ||
| Anomalieerkennung mit gaußscher Zufallsprojektion | 139 | ||
| Anomalieerkennung mit sparse Zufallsprojektion | 141 | ||
| Nicht lineare Anomalieerkennung | 142 | ||
| Anomalieerkennung mit Dictionary Learning | 143 | ||
| Anomalieerkennung mit Unabhängigkeitsanalyse | 145 | ||
| Betrugserkennung auf dem Testset | 146 | ||
| Zusammenfassung | 151 | ||
| Kapitel 5: Clustering | 153 | ||
| Das MNIST-Ziffern-Dataset | 154 | ||
| Clustering-Algorithmen | 155 | ||
| k-Means-Algorithmus | 156 | ||
| Hierarchisches Clustering | 163 | ||
| DBSCAN | 169 | ||
| Zusammenfassung | 173 | ||
| Kapitel 6: Gruppensegmentierung | 175 | ||
| Lending-Club-Daten | 175 | ||
| Güte der Cluster | 182 | ||
| k-Means-Anwendung | 184 | ||
| Anwendung mit hierarchischem Clustering | 186 | ||
| Anwendung mit HDBSCAN | 190 | ||
| Zusammenfassung | 192 | ||
| Teil III: Unsupervised Learning mit TensorFlow und Keras | 193 | ||
| Kapitel 7: Autoencoder | 195 | ||
| Neuronale Netze | 196 | ||
| Autoencoder: der Encoder und der Decoder | 199 | ||
| Untervollständige Autoencoder | 200 | ||
| Übervollständige Autoencoder | 201 | ||
| Dichte vs. sparsame Autoencoder | 201 | ||
| Autoencoder zur Rauschunterdrückung | 202 | ||
| Variational Autoencoder | 202 | ||
| Zusammenfassung | 203 | ||
| Kapitel 8: Praktische Autoencoder | 205 | ||
| Datenvorbereitung | 205 | ||
| Die Bestandteile eines Autoencoders | 208 | ||
| Aktivierungsfunktionen | 208 | ||
| Unser erster Autoencoder | 209 | ||
| Zweischichtiger untervollständiger Autoencoder mit linearer Aktivierungsfunktion | 216 | ||
| Nicht linearer Autoencoder | 222 | ||
| Übervollständiger Autoencoder mit linearer Aktivierung | 224 | ||
| Übervollständiger Autoencoder mit linearer Aktivierung und Drop-out | 227 | ||
| Sparse übervollständiger Autoencoder mit linearer Aktivierung | 229 | ||
| Sparse übervollständiger Autoencoder mit linearer Aktivierung und Drop-out | 231 | ||
| Mit verrauschten Datasets arbeiten | 233 | ||
| Rauschreduzierender Autoencoder | 233 | ||
| Zusammenfassung | 241 | ||
| Kapitel 9: Semi-supervised Learning | 243 | ||
| Datenvorbereitung | 243 | ||
| Supervised Modelle | 246 | ||
| Unsupervised Modelle | 248 | ||
| Semi-supervised Modelle | 250 | ||
| Die Leistung von supervised und unsupervised Modellen | 253 | ||
| Zusammenfassung | 253 | ||
| Teil IV: Deep Unsupervised Learning mit TensorFlow und Keras | 255 | ||
| Kapitel 10: Empfehlungsdienste mit beschränkten Boltzmann-Maschinen | 257 | ||
| Boltzmann-Maschinen | 257 | ||
| Empfehlungsdienste | 259 | ||
| MovieLens-Dataset | 260 | ||
| Matrixfaktorisierung | 266 | ||
| Kollaboratives Filtern mit RBMs | 269 | ||
| Zusammenfassung | 275 | ||
| Kapitel 11: Featureerkennung mit Deep Belief Networks | 277 | ||
| Deep Belief Networks im Detail | 277 | ||
| MNIST-Bildklassifizierung | 278 | ||
| Beschränkte Boltzmann-Maschinen | 279 | ||
| Die drei RBMs für das DBN trainieren | 284 | ||
| Das vollständige DBN | 289 | ||
| Wie Unsupervised Learning das Supervised Learning unterstützt | 294 | ||
| Bildklassifizierung mit LightGBM | 299 | ||
| Zusammenfassung | 302 | ||
| Kapitel 12: Generative Adversarial Networks | 303 | ||
| GANs – das Konzept | 303 | ||
| Deep Convolutional GANs | 304 | ||
| Convolutional Neural Networks | 305 | ||
| Noch einmal: DCGANs | 309 | ||
| MNIST-DCGAN in Aktion | 314 | ||
| Zusammenfassung | 316 | ||
| Kapitel 13: Zeitreihen-Clustering | 319 | ||
| EKG-Daten | 320 | ||
| Ansatz für Zeitreihen-Clustering | 320 | ||
| Zeitreihen-Clustering mit k-Shape auf ECGFiveDays | 321 | ||
| Zeitreihen-Clustering mit k-Shape auf ECG5000 | 327 | ||
| Zeitreihen-Clustering mit k-Means auf ECG5000 | 332 | ||
| Zeitreihen-Clustering mit hierarchischem DBSCAN auf ECG5000 | 333 | ||
| Die Zeitreihen-Clustering-Algorithmen vergleichen | 334 | ||
| Zusammenfassung | 340 | ||
| Kapitel 14: Zum Schluss | 341 | ||
| Supervised Learning | 342 | ||
| Unsupervised Learning | 342 | ||
| Reinforcement Learning | 344 | ||
| Die vielversprechendsten Bereiche des Unsupervised Learning | 345 | ||
| Die Zukunft des Unsupervised Learning | 346 | ||
| Schlusswort | 348 | ||
| Index | 349 |
