Machine Learning

I’m interested in Machine Learning (in all its forms) and did a few courses about it on Coursera. For reasons of learning psychology I have summarized the content along the way in my own words. I put those summaries up here in hope they will serve someone else. Because German is my mother tongue the summaries as well as the rest of this page are in German.

Disclaimer

Die Coursera-Videos sind bereits recht kompakt und auf das Wesentliche reduziert. Die Zusammenfassung sollen eine Übersicht geben, ohne dass man die Videos anschauen oder die Slides lesen muss. Bei der Zusammenfassung wurde auf folgende Punkte geachtet:

  • Natürlichsprachigkeit: Erklärung für Laien möglichst verständlichen Worten
  • Verständnis: Ganz ohne Formel geht’s nicht. Der Fokus in dieser Zusammenfassung steht aber auf dem Verständnis. D.h. zuerst wird in natürlicher Sprache beschrieben, was gemacht wird. Die mathematische Repräsentation in Form von Formeln folgt erst am Schluss.
  • Fokus: Möglichst wenige detaillierten Erklärungen oder Herleitungen.  Diese kommen nur zum Zug, wenn sie dem Verständnis dienen.
  • Keine Lösungen: Die Seite beinhaltet keine Lösungen oder Hilfestellungen zu den Coursera-Assignments

Andrew Ng’s Introduction to Machine Learning

Diese Serie enthält meine Zusammenfassungen zum Coursera-Kurs “Machine Learning”. Der Kurs bietet einen guten Einstieg in das Thema ML. Die Inhalte sind dort bereits gut Zusammengefasst. Dies ist somit eine Zusammenfassung der Zusammenfassung mit Fokus auf das Allerwesentlichste.

Kapitel

Coursera Woche Bereich Themen
1-3 Regression und Klassifikation (binär)
  • Arten von ML
  • Lineare Regression
  • Logistische Regression
  • Over-/Underfitting
  • Regularisierung
4-5 Klassifikation mit mehreren Klassen
  • Neurale Netze
6 Validierung
  • Validierung
  • System Design
7 Support Vector Machines
  • SVM
8-9 Unsupervised Learning
  • Dimensionality Reduction
  • Anomalien
  • Recommender Systems
10-11 Allgemeine Betrachtungen
  • Large Scale Machine Learning

Neural Networks and Deep Learning

Dies ist der erste Kurs in Andrew Ng’s Spezialisierung in Deep Learning. Andrew beginnt mit einer allgemeinen Einführung ins Thema Deep Learning. Die Theorie wird anhand von Übungsbeispielen vertieft, bei welchen Bilder mithilfe eines Neuronalen Netzes (NN) klassifiziert werden. Alle Übungen werden in Python 3.6+ geschrieben.

Anhand von Logistic Regression (als einfachste Form eines neuronalen Netzes) wird die grundlegende Funktionsweise eines NN erklärt. Ausgehend davon wird ein erstes Neuronales Netz mit einem einzigen Hidden Layer erstellt (Shallow Neural Network). Schliesslich wird ein komplettes Neuronales Netz mit mehreren Hidden Layers erstellt, welches auch komplexe Grenzen erkennt (Deep Neural Network)

Debentsprechend gliedert sich auch meine Zusammenfassung in folgende Unterkapitel:

  • Introduction to Deep Learning (Week 1)
  • Logistic Regression as a Neural Network (Week 2)
  • Shallow Neural Networks (Week 3)
  • Deep Neural Networks (Week 4)