1. Überwachtes Lernen

• 1.1. Lineare Modelle
  • 1.1.1. Ordinary Least Squares
  • 1.1.2. Ridge-Regression und -Klassifikation
  • 1.1.3. Lasso
  • 1.1.4. Multi-Task-Lasso
  • 1.1.5. Elastic-Net
  • 1.1.6. Multi-Task-Elastic-Net
  • 1.1.7. Least Angle Regression
  • 1.1.8. LARS Lasso
  • 1.1.9. Orthogonal Matching Pursuit (OMP)
  • 1.1.10. Bayesianische Regression
  • 1.1.11. Logistische Regression
  • 1.1.12. Generalisierte Lineare Modelle
  • 1.1.13. Stochastischer Gradientenabstieg - SGD
  • 1.1.14. Robustheitsregression: Ausreißer und Modellierungsfehler
  • 1.1.15. Quantilregression
  • 1.1.16. Polynomielle Regression: Erweiterung linearer Modelle mit Basisfunktionen
• 1.2. Lineare und quadratische Diskriminanzanalyse
  • 1.2.1. Dimensionsreduktion mittels linearer Diskriminanzanalyse
  • 1.2.2. Mathematische Formulierung der LDA- und QDA-Klassifikatoren
  • 1.2.3. Mathematische Formulierung der LDA-Dimensionsreduktion
  • 1.2.4. Schrumpfung und Kovarianzschätzer
  • 1.2.5. Schätzalgorithmen
• 1.3. Kernel Ridge Regression
• 1.4. Support Vector Machines
  • 1.4.1. Klassifikation
  • 1.4.2. Regression
  • 1.4.3. Dichteschätzung, Anomalieerkennung
  • 1.4.4. Komplexität
  • 1.4.5. Tipps zur praktischen Anwendung
  • 1.4.6. Kernelfunktionen
  • 1.4.7. Mathematische Formulierung
  • 1.4.8. Implementierungsdetails
• 1.5. Stochastischer Gradientenabstieg
  • 1.5.1. Klassifikation
  • 1.5.2. Regression
  • 1.5.3. Online One-Class SVM
  • 1.5.4. Stochastischer Gradientenabstieg für spärliche Daten
  • 1.5.5. Komplexität
  • 1.5.6. Abbruchkriterium
  • 1.5.7. Tipps zur praktischen Anwendung
  • 1.5.8. Mathematische Formulierung
  • 1.5.9. Implementierungsdetails
• 1.6. Nearest Neighbors
  • 1.6.1. Unüberwachte Nearest Neighbors
  • 1.6.2. Nearest Neighbors Klassifikation
  • 1.6.3. Nearest Neighbors Regression
  • 1.6.4. Nearest Neighbor Algorithmen
  • 1.6.5. Nearest Centroid Klassifikator
  • 1.6.6. Nearest Neighbors Transformer
  • 1.6.7. Neighborhood Components Analysis
• 1.7. Gaußsche Prozesse
  • 1.7.1. Gaußsche Prozessregression (GPR)
  • 1.7.2. Gaußsche Prozessklassifikation (GPC)
  • 1.7.3. GPC Beispiele
  • 1.7.4. Kerne für Gaußsche Prozesse
• 1.8. Kreuzzerlegung
  • 1.8.1. PLSCanonical
  • 1.8.2. PLSSVD
  • 1.8.3. PLSRegression
  • 1.8.4. Canonical Correlation Analysis
• 1.9. Naive Bayes
  • 1.9.1. Gaußscher Naive Bayes
  • 1.9.2. Multinomialer Naive Bayes
  • 1.9.3. Komplementärer Naive Bayes
  • 1.9.4. Bernoulli Naive Bayes
  • 1.9.5. Kategorischer Naive Bayes
  • 1.9.6. Out-of-Core Naive Bayes Modellfitting
• 1.10. Entscheidungsbäume
  • 1.10.1. Klassifikation
  • 1.10.2. Regression
  • 1.10.3. Multi-Output-Probleme
  • 1.10.4. Komplexität
  • 1.10.5. Tipps zur praktischen Anwendung
  • 1.10.6. Baumalgorithmen: ID3, C4.5, C5.0 und CART
  • 1.10.7. Mathematische Formulierung
  • 1.10.8. Unterstützung für fehlende Werte
  • 1.10.9. Minimaler Kosten-Komplexitäts-Pruning
• 1.11. Ensembles: Gradient Boosting, Random Forests, Bagging, Voting, Stacking
  • 1.11.1. Gradient-Boosted Trees
  • 1.11.2. Random Forests und andere randomisierte Baum-Ensembles
  • 1.11.3. Bagging Meta-Estimator
  • 1.11.4. Voting Classifier
  • 1.11.5. Voting Regressor
  • 1.11.6. Gestapelte Generalisierung
  • 1.11.7. AdaBoost
• 1.12. Multiclass- und Multioutput-Algorithmen
  • 1.12.1. Multiclass-Klassifikation
  • 1.12.2. Multilabel-Klassifikation
  • 1.12.3. Multiclass-Multioutput-Klassifikation
  • 1.12.4. Multioutput-Regression
• 1.13. Merkmalsauswahl
  • 1.13.1. Entfernen von Merkmalen mit geringer Varianz
  • 1.13.2. Univariate Merkmalsauswahl
  • 1.13.3. Rekursive Merkmalselimination
  • 1.13.4. Merkmalsauswahl mit SelectFromModel
  • 1.13.5. Sequentielle Merkmalsauswahl
  • 1.13.6. Merkmalsauswahl als Teil einer Pipeline
• 1.14. Semi-überwachtes Lernen
  • 1.14.1. Self Training
  • 1.14.2. Label Propagation
• 1.15. Isotone Regression
• 1.16. Wahrscheinlichkeitskalibrierung
  • 1.16.1. Kalibrierungskurven
  • 1.16.2. Kalibrierung eines Klassifikators
  • 1.16.3. Verwendung
• 1.17. Neuronale Netzwerkmodelle (überwacht)
  • 1.17.1. Multi-Layer Perceptron
  • 1.17.2. Klassifikation
  • 1.17.3. Regression
  • 1.17.4. Regularisierung
  • 1.17.5. Algorithmen
  • 1.17.6. Komplexität
  • 1.17.7. Tipps zur praktischen Anwendung
  • 1.17.8. Mehr Kontrolle mit warm_start