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
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Big Data Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

15. Bayesian Thinking in Machine Learning

Wie ein Pfarrer unbewusst die Statistik revolutionierte

verfasst von : Thomas Neifer, Andreas Schmidt, Dennis Lawo, Lukas Böhm, Özge Tetik

Erschienen in: Data Science

Verlag: Springer Fachmedien Wiesbaden

Einloggen

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

search-config
loading …

Zusammenfassung

Das Bayes-Theorem ermöglicht die Integration von Vorwissen und Erfahrung in die Datenanalyse und schafft dadurch Instrumente, die einen Mehrwert gegenüber klassischen multivariaten Verfahren hinaus gehen. Im Rahmen des maschinellen Lernens tritt es insbesondere in Regressions- und Klassifikationsfragestellungen in den Vordergrund und dient dort u. a. zur Klassifikation und Analyse von Texten, der Erkennung von Spam-Nachrichten oder auch Spracheingaben bei Sprachassistenten. Dieser Beitrag gibt einen Einblick in die Grundprinzipien des Bayes-Theorems, diskutiert seine Rolle in Regressions- und Klassifikationsfragestellungen und zeigt exemplarisch auf, wie er im Rahmen des Naive Bayes Classifiers im maschinellen Lernen zum Einsatz kommt.

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 Künstliche Neuronale Netze – Aufbau, Funktion und Nutzen
Nächstes Kapitel Text Mining: Durchführung einer Sentiment Analysis mit SAP HANA
Literatur
Albert, J.: Bayesian computation with R. Springer, NY (2009)
Bayes, T.: LII. An essay towards solving a problem in the doctrine of chances. By the late Rev. Mr. Bayes, FRS communicated by Mr. Price, in a letter to John Canton, AMFR S. Philosophical transactions of the Royal Society of London 370–418 (1763)
Brooks, S., Gelman, A., Jones, G., Meng, X.L.: Handbook of markov chain monte carlo. CRC Press, NY (2011)CrossRef
Corfield, D., Williamson, J.: Foundations of Bayesianism. Springer Science & Business Media, Dordrecht (2013)
Deisenroth, M. P., Aldo Faisal, A., Ong, C. S.: Mathematics for machine learning. Cambridge University Press, Cambridge (2020)
Dey, L., Chakraborty, S., Biswas, A., Bose, B., Tiwari, S.: Sentiment analysis of review datasets using naive bayes and k-nn classifier (2016). arXiv preprint arXiv:​1610.​09982
Elster, C. et al.: A guide to Bayesian inference for regression problems. deliverable of EMRP Project NEW04 “Novel Mathematical and Statistical Approaches to Uncertainty Evaluation,” (2015)
Elster, C., Wübbeler, G.: Bayesian regression versus application of least squares—an example. Metrologia 53, S. 10 (2015)
Gasparini, M.: Markov chain Monte Carlo in practice. Taylor & Francis, London (1997)
Gelman, A. et al.: Bayesian data analysis. Chapman and Hall/CRC Press, Taylor & Francis, Boca Raton, London, New York (2013)
Gensler, S.: Heterogenität in der Präferenzanalyse. Deutscher Universitätsverlag, Wiesbaden (2003)CrossRef
Jansen, B. J., Booth, D. L., Spink, A.: Determining the user intent of web search engine queries. In Proceedings of the 16th international conference on World Wide Web, 1149–1150 (2007)
Janssen, J., Laatz, W.: Naive Bayes. In Statistische Datenanalyse mit SPSS S. 557–569. Springer, Berlin (2017)
Kirk, M.: Thoughtful Machine Learning with Python: A Test-Driven Approach. O’Reilly Media, Inc., Sebastopol (2017)
Kruschke, J.: Doing Bayesian data analysis: A tutorial with R, JAGS, and Stan. Academic Press, London, San Diego, Waltham, Oxford (2014)
Lantz, B.: Machine learning with R: expert techniques for predictive modeling. Packt Publishing Ltd., Birmingham (2019)
Laplace, P. S.: Théorie analytique des probabilités. Courcier, Paris (1820)
Lee, P.M.: Bayesian Statistics, (Arnold). Wiley, New York (1997)
Levitin, D. J.: A field guide to lies: Critical thinking in the information age. Penguin Random House, New York City (2016)
Maimon, O., Rokach, L.: Decomposition methodology for knowledge discovery and data mining. In Data mining and knowledge discovery handbook, S. 981–1003. Springer, Boston (2005)
McGrayne, S.B.: The theory that would not die: how Bayes’ rule cracked the enigma code, hunted down Russian submarines, & emerged triumphant from two centuries of controversy. Yale University Press, UK (2011)MATH
Natrop, J.: Angewandte Descriptive Statistik: Praxisbezogenes Lehrbuch mit Fallbeispielen. De Gruyter Oldenbourg, Berlin (2015)CrossRef
Noaman, H. M., Elmougy, S., Ghoneim, A., Hamza, T.: Naive Bayes classifier based Arabic document categorization. In 2010 the 7th International Conference on Informatics and Systems (INFOS), S. 1–5. IEEE (2010)
Oettinger, M.: Data Science: Eine praxisorientierte Einführung im Umfeld von Machine Learning, künstlicher Intelligenz und Big Data. 2. erw. Aufl., tredition, Hamburg (2020)
Polyakov, E. V. et al.: Investigation and development of the intelligent voice assistant for the Internet of Things using machine learning. In 2018 Moscow Workshop on Electronic and Networking Technologies (MWENT), S. 1–5. IEEE (2018)
Ramasubramanian, K., Singh, A.: Machine Learning Using R: With Time Series and Industry-Based Use Cases in R. Apress, New York (2018)
Robles, V., Larranaga, P., Menasalvas, E., Pérez, M. S., Herves, V.: Improvement of Naive Bayes collaborative filtering using interval estimation. In Proceedings IEEE/WIC International Conference on Web Intelligence (WI 2003), S. 168–174. IEEE (2003)
Smith, A.F., Gelfand, A.E.: Bayesian statistics without tears: a sampling–resampling perspective. The American Statistician 46(2), 84–88 (1992)MathSciNet
Spyroglou, I.I., Rigas, A.G.: A two-step Bayesian approach for modeling a complex neurophysiological system. International journal of biology and biomedical engineering 12, 66–74 (2018)
Metadaten
Titel
Bayesian Thinking in Machine Learning
verfasst von
Thomas Neifer
Andreas Schmidt
Dennis Lawo
Lukas Böhm
Özge Tetik
Copyright-Jahr
2021
Buch
Data Science

Print ISBN: 978-3-658-33402-4

Electronic ISBN: 978-3-658-33403-1

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-658-33403-1_15

Premium Partner

    Bildnachweise