Machine Learning kompakt: Alles, was Sie wissen müssen

by Andriy Burkov

Alles, was Sie über Machine Learning wissen müssen, auf nur 200 Seiten Von Support Vector Machines über Gradient Boosting und tiefe neuronale Netze bis hin zu unüberwachten Lernmethoden Zahlreiche Tipps und Empfehlungen für den praktischen Einsatz

Sie möchten Machine Learning verstehen und dafür nicht unendlich viel Zeit aufwenden und Hunderte von Seiten lesen? Dann ist dieses Buch das richtige für Sie.

Auf 200 Seiten bringt Andriy Burkov die wichtigsten Begriffe, Konzepte und Algorithmen des Machine Learnings auf den Punkt. Dabei vermittelt er nicht nur alle notwendigen theoretischen Grundlagen, sondern geht auch auf die praktische Anwendung der einzelnen Verfahren ein, ohne dabei die zugrundeliegenden mathematischen Gleichungen außer Acht zu lassen.

Dieses Buch bietet einen leicht zugänglichen, programmiersprachenunabhängigen und trotz seiner Kürze umfassenden Einstieg ins Machine Learning.

Aus dem Inhalt: Notation und mathematische Grundlagen Überwachtes, teilüberwachtes und unüberwachtes Lernen Grundlegende Lernalgorithmen: Lineare und logistische Regression Entscheidungsbäume Support Vector Machines k-Nearest-Neighbors Optimierung mittels Gradientenabstieg Merkmalserstellung und Handhabung fehlender Merkmale Auswahl des passenden Lernalgorithmus Bias, Varianz und das Problem der Unter- und Überanpassung Regularisierung, Bewertung eines Modells und Abstimmung der Hyperparameter Deep Learning mit CNNs, RNNs und Autoencodern Multi-Class-, One-Class- und Multi-Label-Klassifikation Ensemble Learning Clustering, Dimensionsreduktion und Erkennen von Ausreißern Selbstüberwachtes Lernen Wort-Embeddings, One-Shot und Zero-Shot Learning

Stimmen zum Buch:

»Burkov hat sich der äußerst nützlichen, aber unglaublich schwierigen Aufgabe angenommen, fast das gesamte Machine Learning auf 200 Seiten zusammenzufassen. Die Auswahl der Themen aus Theorie und Praxis ist gelungen und wird sich für Praktiker als nützlich erweisen. Das Buch bietet Lesern eine solide Einführung in das Fachgebiet.«
— Peter Norvig, Forschungsdirektor bei Google

»Der Umfang der Themen, die das Buch auf 200 Seiten behandelt, ist verblüffend. […] Wie der Autor die Kernkonzepte mit einigen wenigen Worten erklärt, gefällt mir ausnehmend gut. Das Buch wird nicht nur für Einsteiger sehr nützlich sein, sondern auch für alte Hasen, die von einer so breiten Sicht auf das Fachgebiet nur profitieren können.« — Aurélien Géron, Senior Artificial Intelligence Engineer

»Ich wünschte, es hätte ein solches Buch gegeben, als ich mich als Student der Statistik mit Machine Learning beschäftigt habe.«
— Chao Han, Vizepräsident, Leiter Forschung und Entwicklung bei Lucidworks

194 pages, Kindle Edition

Published July 1, 2019

Reviews

[Fiona · Rating 5 out of 5]

Ich bin ein einfacher Mitarbeiter der Software-Entwicklung. Ich habe nicht (fertig) studiert und beherrsche die Sprache der Mathematiker nur wenig. Trotzdem schlag ich mich durch, nutze gerne meinen Verstand und bilde mich weiter. Denn am Ende bin ich heute einer derjenigen, die in einem Projektalltag Fragen klären, oder zumindest aufzeigen sollen.

Dieses Buch war mein Versuch, die Welt des Machine Learnings besser zu verstehen. Zu viele haben keine Vorstellung von den Möglichkeiten und Grenzen des maschinellen Lernens, und dann gibt es noch jene, sogar unter den IT-Experten, welche beim Thema KIs doch ernsthaft mit Asimovs Regeln ankommen, wenn sie sich gegen diese Entwicklung aussprechen. In diesem Kontext war es mir wichtig, ein, wenn schon schwaches, dann wenigstens korrektes Verständnis der heutigen künstlichen Intelligenzen zu erlangen.

Und tatsächlich, ich habe so einiges begriffen! Die grundlegenden Algorithmen sind erschreckend einfach, ihre logische Erweiterung so nachvollziehbar wie in "meiner Welt" der Aufbau einer Software-Architektur, eben schrittweise vom kleinsten (dummen) Bauteil zum komplexen ("schlauen") Konstrukt.

Auf gerade diese Weise baut Burkov die Kapitel auf. Erst ist es leicht, dann verbinden wir die kleinen Teile, werden langsam komplexer, und schließlich hat er mich bei den Fortgeschrittenen Aufgaben und Lösungen abgehängt. :) Tapfer habe ich weiter gelesen, und versucht wenigstens grob zu verstehen, wo die Dinge ihren Namen her haben, was sie ausmacht und wo sie Verwendung finden.

Mit diesem Buch, finde ich, bin ich nun gebildet genug, um den einen oder anderen Data Scientist aus unseren Projekten besser zu verstehen. Und, sollte der Fall kommen, auch einmal selbst zu entscheiden, auf welche Weise ich gerne eine Menge Daten analysieren würde. Auf jeden Fall kann ich zukünftig in Gesprächen aktiv dazu beitragen, dass wenigstens abseits der Belletristik die Menschen bei KIs nicht mehr an philosophische Gedankenexperimente des vergangenen Jahrhunderts denken, sondern an die maschinellen Regressoren und Klassifizierer der Realität.

5/5: Bei Romanen habe ich ein System, nachdem ich mich für die Anzahl der Sterne entscheide. Aber bei Fachbüchern? Bisher richtete ich mich danach, wie sehr sie mir geholfen haben, wie selbsterklärend sie waren und wie gut ich sie bei der Arbeit wiederverwenden kann. Auch diese Größe funktioniert in diesem Fall nicht, da ich (leider) kein Data Science Entwickler werde.
Aber: Ich konnte die Grundlagen begreifen und kann in Zukunft mit Hilfe dieses Buches in wohl bemessenen Schritten tiefer in die Materie eintauchen. Nicht zu Letzt soll die Bewertung ausdrücken: Danke an den Autor, dass er es anders gemacht hat! Danke, dass er die Verfahren und Algorithmen erklärt hat, ohne sich in der Mathematik oder einer Programmiersprache zu verlieren!

[Osvaldo · Rating 3 out of 5]

The book presents an overview of the most important Machine Learning approaches. However, in my opinion the book should have covered fewer topics and should have explained the equations more in detail.

The author makes the very common mistake of spreading too thin and leaves the reader to search for detailed clarifications (and well explained!) on their own. Since these can already be found in forums and blogs, what does the author provide then in this book? Hardly more than a list of topics.