|
|
|
|
LEADER |
02577nmm a2200265 u 4500 |
001 |
EB002210476 |
003 |
EBX01000000000000001347676 |
005 |
00000000000000.0 |
007 |
cr||||||||||||||||||||| |
008 |
240603 ||| ger |
020 |
|
|
|a 9783662681343
|
100 |
1 |
|
|a Engel, Konrad
|
245 |
0 |
0 |
|a Mathematische Grundlagen des überwachten maschinellen Lernens
|h Elektronische Ressource
|b Optimierungstheoretische Methoden
|c von Konrad Engel
|
250 |
|
|
|a 1st ed. 2024
|
260 |
|
|
|a Berlin, Heidelberg
|b Springer Berlin Heidelberg
|c 2024, 2024
|
300 |
|
|
|a XI, 85 S. 20 Abb., 10 Abb. in Farbe
|b online resource
|
505 |
0 |
|
|a Einführung -- Hauptkomponentenanalyse -- Der Perzeptron-Lernalgorithmus -- Die Fisher-Diskriminante -- Support Vektor Maschinen -- Vorwärtsgerichtete neuronale Netze
|
653 |
|
|
|a Machine learning
|
653 |
|
|
|a Machine Learning
|
041 |
0 |
7 |
|a ger
|2 ISO 639-2
|
989 |
|
|
|b Springer
|a Springer eBooks 2005-
|
028 |
5 |
0 |
|a 10.1007/978-3-662-68134-3
|
856 |
4 |
0 |
|u https://doi.org/10.1007/978-3-662-68134-3?nosfx=y
|x Verlag
|3 Volltext
|
082 |
0 |
|
|a 006.31
|
520 |
|
|
|a Dieses Buch behandelt die gängigsten Methoden zur Klassifikation von digitalisierten Objekten. Jedem Objekt ist ein Punkt im Euklidischen Raum passender Dimension zugeordnet. Das Lernen basiert auf einer Menge von Punkten, für die die zugehörige Klasse bekannt ist. Eine Reduktion der Dimension sowie elementare und anspruchsvollere Methoden zur Ermittlung schnell berechenbarer Funktionen, mit denen man aus einem Punkt die zugehörige Klasse mit einer möglichst geringen Fehlerrate ableiten kann, werden hergeleitet und in einer einheitlichen Herangehensweise begründet. Die recht elementaren Beweise werden im Wesentlichen mit Mitteln der Linearen Algebra geführt, nur für die neuronalen Netze wird etwas Analysis benötigt. Die Produktfamilie WissensExpress bietet Ihnen Lehr- und Lernbücher in kompakter Form. Die Bücher liefern schnell und verständlich fundiertes Wissen. Der Inhalt Einführung Hauptkomponentenanalyse Perzeptron-Lernalgorithmus Fisher-Diskriminante Support-Vektor-Maschinen Vorwärtsgerichtete neuronale Netze Die Zielgruppen Studierende der Mathematik, Physik und Informatik Forschende im Bereich des maschinellen Lernens Der Autor Konrad Engel arbeitete von 1992 bis zu seinem Ruhestand im Jahr 2022 als Professor für Mathematische Optimierung an der Universität Rostock. Seine Forschungsschwerpunkte sind die Diskrete Mathematik und Kombinatorik sowie Anwendungen der Mathematischen Optimierung und Polyedertheorie in Medizin, Biologie und Physik
|