Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow. Aurélien Géron

rel="nofollow" href="#ub9105e52-b562-43ee-9cbe-d65f1a1fa671">Ridge-Regression

       Lasso-Regression

       Elastic Net

       Early Stopping

       Logistische Regression

       Abschätzen von Wahrscheinlichkeiten

       Trainieren und Kostenfunktion

       Entscheidungsgrenzen

       Softmax-Regression

       Übungen

       5Support Vector Machines

       Lineare Klassifikation mit SVMs

       Soft-Margin-Klassifikation

       Nichtlineare SVM-Klassifikation

       Polynomieller Kernel

       Ähnlichkeitsbasierte Merkmale

       Der gaußsche RBF-Kernel

       Komplexität der Berechnung

       SVM-Regression

       Hinter den Kulissen

       Entscheidungsfunktion und Vorhersagen

       Zielfunktionen beim Trainieren

       Quadratische Programme

       Das duale Problem

       Kernel-SVM

       Online-SVMs

       Übungen

       6Entscheidungsbäume

       Trainieren und Visualisieren eines Entscheidungsbaums

       Vorhersagen treffen

       Schätzen von Wahrscheinlichkeiten für Kategorien

       Der CART-Trainingsalgorithmus

       Komplexität der Berechnung

       Gini-Unreinheit oder Entropie?

       Hyperparameter zur Regularisierung

       Regression

       Instabilität

       Übungen

       7Ensemble Learning und Random Forests

       Abstimmverfahren unter Klassifikatoren

       Bagging und Pasting

       Bagging und Pasting in Scikit-Learn

       Out-of-Bag-Evaluation

       Zufällige Patches und Subräume

       Random Forests

       Extra-Trees

       Wichtigkeit von Merkmalen

       Boosting

       AdaBoost

       Gradient Boosting

       Stacking

       Übungen

       8Dimensionsreduktion

       Der Fluch der Dimensionalität

       Die wichtigsten Ansätze zur Dimensionsreduktion

       Projektion

       Manifold Learning

       Hauptkomponentenzerlegung (PCA)

       Erhalten der Varianz

       Hauptkomponenten