Description

Künstliche Intelligenz ist die Grundlage allen maschinellen Lernens und die Zukunft aller komplexen Entscheidungsprozesse. Künstliche Intelligenz kombiniert mathematische Algorithmen und Techniken des maschinellen Lernens, des Deep Learning und von Big Data, um das in den Daten enthaltene Wissen zu extrahieren und auf verständliche und automatische Weise darzustellen. In diesem Buch wird der Einsatz neuronaler Netze für überwachtes und unüberwachtes Lernen eingehend erörtert. Im Bereich des überwachten Lernens werden die gängigsten Architekturen betrachtet, wie z. B. Mehrschicht-Perzeptron, Radiales Basisnetz, ADALINE-Netze, HOPFIELD-Netze, probabilistische Netze, lineare Netze, verallgemeinerte Regressionsnetze, LVQ-Netze, lineare Netze und Netze zur Optimierung von Regressionsmodellen. In diesem Abschnitt der überwachten Analyse sollte den neuronalen Netzen für die Zeitreihenvorhersage wie dem LSTM-Netz, den GRU-Netzen, den rekurrenten neuronalen Netzen RNN, den NARX-Netzen, den NNAR-Netzen und ganz allgemein den dynamischen neuronalen Netzen besondere Aufmerksamkeit geschenkt werden. Unüberwachtes Lernen entwickelt Netzwerke zur Mustererkennung und Clusteranalyse wie KOHONEN-Netzwerke (SOM Self-Organising Maps), Netzwerke zur Mustererkennung, neuronale Autoencoder-Netzwerke, Netzwerke zum Transferlernen, Netzwerke zur Erkennung von Anomalien und neuronale Faltungsnetzwerke. Die folgenden Themen beschreiben methodisch die Architekturen der verschiedenen Arten von neuronalen Netzen und ihre Nützlichkeit in praktischen Anwendungen. Darüber hinaus werden für jeden Typ von neuronalen Netzen Beispiele mit einer optimalen Syntax in den Sprachen R und Python vorgestellt.