Anzeige
Erschienen in:
2020 | OriginalPaper | Buchkapitel
2. Maschinelles Lernen ohne neuronale Netzwerke
verfasst von : Kenny Choo, Eliska Greplova, Mark H. Fischer, Titus Neupert
Erschienen in: Machine Learning kompakt
Verlag: Springer Fachmedien Wiesbaden
Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.
Wählen Sie Textabschnitte aus um mit Künstlicher Intelligenz passenden Patente zu finden. powered by
Markieren Sie Textabschnitte, um KI-gestützt weitere passende Inhalte zu finden. powered by
Zusammenfassung
Obwohl maschinelles Lernen oft unmittelbar mit neuronalen Netzwerken und Deep Learning verbunden wird, gibt es viele hilfreiche Algorithmen, die auch ohne neuronale Netzwerke auskommen. In diesem Kapitel werden einige solcher Methoden, wie Hauptkomponentenanalyse und lineare Regression, besprochen. Sie haben den Vorteil, dass sie mathematisch präziser behandelt werden können und oft eine einfache erste Charakterisierung von Strukturen in komplexen Daten ermöglichen. Am Beispiel der linearen Regression wird zumdem der Workflow beim maschinellen Lernen vorgestellt und das Gegenspiel zwischen Varianz und Verzerrung diskutiert - unabhängig von neuronalen Netzwerken.