Maschinelles Lernen heißt, Computer so zu programmieren, dass ein bestimmtes Leistungskriterium anhand von Beispieldaten und Erfahrungswerten aus der Vergangenheit optimiert wird. Das vorliegende Buch diskutiert diverse Methoden, die ihre Grundlagen in verschiedenen Themenfeldern haben: Statistik, Mustererkennung, neuronale Netze, Künstliche Intelligenz, Signalverarbeitung, Steuerung und Data Mining. In der Vergangenheit verfolgten Forscher verschiedene Wege mit unterschiedlichen Schwerpunkten. Das Anliegen dieses Buches ist es, all diese unterschiedlichen Ansätze zu kombinieren, um eine allumfassende Behandlung der Probleme und ihrer vorgeschlagenen Lösungen zu geben.

- Einführung
- Überwachtes Lernen
- Bayessche Entscheidungstheorie
- Parametrische Methoden
- Multivariante Methoden
- Dimensionalitätsreduktion
- Clustering
- Nichtparametrische Methoden
- Entscheidungsbäume
- Lineare Diskriminanz
- Mehrlagige Perzeptronen
- Lokale Modelle
- Hidden-Markov-Modelle
- Bewertung und Vergleich von Klassifikatonsalgorithmen
- Kombination multipler Lernender
- Bestärkendes Lernen
- Wahrscheinlichkeit

Zusatzmaterial