Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Geschichte von Data Science Kapitel lesen Erstes Kapitel lesen

2023 | OriginalPaper | Buchkapitel

4. Maschinelles Lernen

verfasst von : Damian Borth, Eyke Hüllermeier, Göran Kauermann

Erschienen in: Künstliche Intelligenz und Data Science in Theorie und Praxis

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

In diesem Kapitel fassen wir die Grundlagen des Maschinellen Lernens (Machine Learning) zusammen.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Quantifizierung von Unsicherheit
Nächstes Kapitel Strukturierte und unstrukturierte Daten
Fußnoten
Literatur
Almeida E, Ferreira CA, Gama J (2013) Adaptive model rules from data streams. In: European Conference on Machine Learning and Knowledge Discovery in Databases, ECML/PKDD 2013, Prague, Czech Republic, pp 480–492
Andrieu C, de Freitas N, Doucet A, Jordan MI (2003) An Introduction to MCMC for Machine Learning. SpringerMATH
Bachman P, Sordoni A, Trischler A (2017) Learning algorithms for active learning. In: Proc. ICML, 34th Int. Conf. on Machine Learning, pp 301–310
Blum AL, Rivest RL (1992) Training a 3-node neural network is np-complete. Neural Networks 5(1):117–127CrossRef
Breiman L, Friedman J, Olshen R, Stone C (1984) Classification and Regression Trees. Wadsworth Int. Group, Belmont, CAMATH
Carbonell JG, Michalski RS, Mitchell TM (1983) Machine learning: A historical and methodological analysis. AI Magazine 4(3):69–79
Deng J, Dong W, Socher R, Li LJ, Li K, Fei-Fei L (2009) Imagenet: A large-scale hierarchical image database. In: 2009 IEEE conference on computer vision and pattern recognition, IEEE, pp 248–255
Doppa JR, Fern A, Tadepalli P (2014) Structured prediction via output space search. Journal of Machine Learning Research 15:1317–1350MathSciNetMATH
Elsken T, Metzen JH, Hutter F (2019) Neural architecture search: A survey. Journal of Machine Learning Research 20:1–21MathSciNetMATH
Fahrmeir L, Tutz G (2001) Multivariate Statistical Modelling Based on Generalized Linear Models. SpringerCrossRefMATH
Feurer M, Klein A, Eggensperger K, Springenberg J, Blum M, Hutter F (2015) Efficient and robust automated machine learning. In: Proc. NIPS, Advances in Neural Information Processing Systems, pp 2962–2970
Fürnkranz J, Gamberger D, Lavrac N (2012) Foundations of Rule Learning. Springer-VerlagCrossRefMATH
Gama J (2012) A survey on learning from data streams: current and future trends. Progress in Artificial Intelligence 1(1):45–55CrossRef
Gauß CF (1809) Theoria motus corporum coelestium in sectionibus conicis solem ambientium
Hastie T, Tisbhirani R, Friedman J (2001) The Elements of Statistical Learning. SpringerCrossRef
Hastie TJ, Tibshirani RJ (1990) Generalized Additive Models. Chapman & Hall/CRC
Hornik K, Stinchcombe M, White H (1989) Multilayer feedforward networks are universal approximators. Neural networks 2(5):359–366CrossRefMATH
Hühn J, Hüllermeier E (2009) FURIA: An algorithm for unordered fuzzy rule induction. Data Mining and Knowledge Discovery 19:293–319MathSciNetCrossRef
James G, Witten D, Hastie T, Tibshirani R (2017) An Introduction to Statistical Learning. SpringerMATH
Kersting K, Lampert C, Rothkopf C (2019) Wie Maschinen lernen. SpringerCrossRef
Krizhevsky A, Sutskever I, Hinton GE (2012) Imagenet classification with deep convolutional neural networks. NIPS, pp 1106–1114
LeCun Y, Boser B, Denker JS, Henderson D, Howard RE, Hubbard W, Jackel LD (1989) Backpropagation applied to handwritten zip code recognition. Neural Computation 1(4):541–551CrossRef
McCulloch WS, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics 5(4):115–133MathSciNetCrossRefMATH
Minsky M, Papert S (1969) Perceptrons: An Introduction to Computational Geometry. MIT press
Mohr F, Wever M, Hüllermeier E (2018) ML-Plan: Automated machine learning via hierarchical planning. Machine Learning 107(8–10):1495–1515MathSciNetCrossRefMATH
Narodytska1 N, Ignatiev A, Pereira F, Marques-Silva J (2018) Learning optimal decision trees with SAT. In: Proc. IJCAI, International Joint Conference on Artificial Intelligence
Olson RS, Bartley N, Urbanowicz RJ, Moore JH (2016) Evaluation of a tree-based pipeline optimization tool for automating data science. In: Proc. GECCO, Genetic and Evolutionary Computation Conference, Denver, CO, USA, pp 485–492, https://​doi.​org/​10.​1145/​2908812.​2908918
Quinlan JR (1979) Discovering rules by induction from large collections of examples. In: Michie D (ed) Expert Systems in the Micro Electronic Age, Edinburgh University Press
Quinlan JR (1986) Induction of decision trees. Machine Learning 1(1):81–106CrossRef
Quinlan JR (1990) Learning logical definitions from relations. Machine Learning 5:239–266CrossRef
Quinlan JR (1993) C4.5: Programs for Machine Learning. Morgan Kaufmann, San Mateo, CA
Radford A, Metz L, Chintala S (2015) Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv preprint arXiv:​1511.​06434
Robert C, Casella G (2011) A short history of Markov chain Monte Carlo: Subjective recollections from incomplete data. Statistical Science 26(1):102–115MathSciNetCrossRefMATH
Rosenblatt F (1958) The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review 65(6):386CrossRef
Rumelhart DE, Hinton GE, Williams RJ (1985) Learning internal representations by error propagation. Tech. rep., California Univ San Diego La Jolla Inst for Cognitive ScienceCrossRef
Ruppert D, Wand MP, Carroll RJ (2003) Semiparametric Regression. Cambridge University PressCrossRefMATH
Russakovsky O, Deng J, Su H, Krause J, Satheesh S, Ma S, Huang Z, Karpathy A, Khosla A, Bernstein M, et al (2015) Imagenet large scale visual recognition challenge. International Journal of Computer Vision 115(3):211–252MathSciNetCrossRef
Samuel A (1959) Some studies in machine learning using the game of checkers. IBM Journal of Research and Development 44:206–226CrossRef
Thornton C, Hutter F, Hoos HH, Leyton-Brown K (2013) Auto-WEKA: Combined selection and hyperparameter optimization of classification algorithms. In: Proc. KDD, 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Chicago, IL, USA, pp 847–855, https://​doi.​org/​10.​1145/​2487575.​2487629
Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser Ł, Polosukhin I (2017) Attention is all you need. Advances in neural information processing systems 30
Waegeman W, Dembczynski K, Hüllermeier E (2019) Multi-target prediction: A unifying view on problems and methods. Data Mining and Knowledge Discovery 33(2):293–324MathSciNetCrossRefMATH
Wood SN (2017) Generalized Additive Models: An Introduction with R (2nd edition). Taylor & FrancisCrossRef
Yang Q, Zhang Y, Dai W, Pan SJ (2020) Transfer Learning. Cambridge University PressCrossRef
Zhou ZH (2012) Ensemble Methods: Foundations and Algorithms. Chapman and Hall
Metadaten
Titel
Maschinelles Lernen
verfasst von
Damian Borth
Eyke Hüllermeier
Göran Kauermann
Copyright-Jahr
2023
Verlag
Springer Berlin Heidelberg
Buch
Künstliche Intelligenz und Data Science in Theorie und Praxis

Print ISBN: 978-3-662-66277-9

Electronic ISBN: 978-3-662-66278-6

Copyright-Jahr: 2023

DOI
https://doi.org/10.1007/978-3-662-66278-6_4

Premium Partner

    Bildnachweise