Maschinenlernen ist vielleicht das am schnellsten wachsende Gebiet der Künstlichen Intelligenz, da es in den letzten Jahren, insbesondere nach dem Aufkommen des Deep Learning, eine Vielzahl von Methoden mit sehr guten bis beeindruckenden Ergebnissen in fast allen Anwendungen geliefert hat, die Intelligenz erfordern.

In diesem Buch werden systematisch die drei grundlegenden Lernarten beschrieben: überwacht Lernen, unüberwacht Lernen und verstärkendes Lernen. Für jede Lernart werden die wichtigsten Modelle analysiert, wie neuronale Netze, Support Vector Machines (SVM), probabilistische Bayes-Modelle, grafische Modelle, stochastische Modelle wie das verborgene Markov-Modell (HMM), rekursive Modelle wie LSTM und viele mehr.

Besonders für neuronale Netze, die einen sehr wichtigen Teil der Methoden des maschinellen Lernens ausmachen, wird eine systematische und detaillierte Präsentation geboten, die vom einfachen Perzeptron-Modell eines Neurons bis hin zu komplexeren Modellen wie tiefen neuronalen Netzen reicht. Für jedes Modell wird der notwendige mathematische Hintergrund gegeben, um das Funktionieren zu verstehen, wobei nur grundlegende mathematische Kenntnisse in Wahrscheinlichkeitstheorie und linearer Algebra vorausgesetzt werden.

Zusätzlich wird auf die algorithmische Dimension der Modelle Wert gelegt, da die meisten von ihnen mit dem entsprechenden Pseudocode und Anwendungsbeispielen versehen sind.

Die Anwendungen der Modelle des maschinellen Lernens stellen einen wichtigen Teil des Buches dar, da sie ein grundlegendes Motiv für das Studium und die Entwicklung der Modelle darstellen. Es werden verschiedene Anwendungen beschrieben, wie Mustererkennung, Signal- und Bildverarbeitung, Sprachverarbeitung, Datenkompression, strategische Entwicklung in Spielen usw.

Die Autoren: Dr. Konstantinos Diamandaras ist Professor an der Fakultät für Informatik und Elektronische Systeme der Internationalen Universität Griechenlands. Er ist aktives Mitglied des IEEE (Institute of Electrical and Electronics Engineers) und hat viele Jahre Erfahrung in der Forschung und Lehre im Bereich des maschinellen Lernens, sowohl an der Technologischen Bildungsanstalt Thessaloniki als auch an der Internationalen Universität Griechenlands.

Dr. Dimitris Botsis arbeitet in einem Ingenieur- und Planungsbüro und ist außerordentlicher Professor an der Fakultät für Topographie und Geoinformatik der Internationalen Universität Griechenlands. Im Rahmen seiner Doktorarbeit beschäftigte er sich mit der Entwicklung und Anwendung von Methoden des maschinellen Lernens in der Hydrologie und der Simulation von Zeitreihen. Er setzt seine Forschungsaktivitäten im Bereich des maschinellen Lernens fort und konzentriert sich auf neueste Methoden und ein breiteres Anwendungsspektrum.