Kollektive Intelligenz analysieren, programmieren und nutzen

28.02.2008

Deutsch

9783897217805

O'Reilly

Nein

Toby Segaran

400

1

Gebundene Ausgabe

Kollektive Intelligenz, Maschinelles Lernen, Web-Programmierung, Data Mining, Künstliche Intelligenz

Inhaltsverzeichnis Inhalt Einleitung IX 1 Einführung in die kollektive Intelligenz 1 Was ist kollektive Intelligenz? 2 Was ist maschinelles Lernen? 4 Grenzen des maschinellen Lernens 5 Beispiele aus dem richtigen Leben 5 Andere Anwendungen für lernende Algorithmen 6 2 Empfehlungen geben 9 Kollaboratives Filtern 10 Vorlieben sammeln 10 Ähnliche Benutzer finden 12 Dinge empfehlen 18 Produkte finden 20 Link-Empfehlungen mit del.icio.us erstellen 22 Elementbasiertes Filtern 26 Verwenden der MovieLens-Daten 29 Benutzerbasiertes oder elementbasiertes Filtern? 31 Übungen 32 3 Gruppen bilden 33 Überwachtes versus unüberwachtes Lernen 34 Wortvektoren 34 Hierarchische Clusteranalyse 37 Zeichnen des Dendrogramms 43 Spalten-Clusteranalyse 45 K-Means-Clusteranalyse 47 Cluster mit Vorlieben 50 Daten in zwei Dimensionen betrachten 55 Andere Dinge in der Clusteranalyse 58 Übungen 59 4 Suchen und Bewerten 61 Was gehört zu einer Such-Engine? 61 Ein einfacher Crawler 63 Aufbauen des Index 66 Abfragen 71 Contentbasierte Bewertung 72 Eingehende Links verwenden 78 Aus Klicks lernen 83 Übungen 94 5 Optimierung 96 Gruppenreisen 97 Lösungen repräsentieren 98 Die Zielfunktion 99 Random Search 102 Bergsteigen 103 Simulierte Abkühlung 106 Genetische Algorithmen 108 Echte Flugsuchen 112 Optimierung nach Vorlieben 118 Netzwerkvisualisierung 122 Andere Möglichkeiten 128 Übungen 128 6 Dokumente filtern 130 Spam filtern 131 Dokumente und Wörter 131 Trainieren des Klassifizierers 133 Wahrscheinlichkeiten berechnen 135 Ein naiver Klassifizierer 137 Die Fisher-Methode 142 Die trainierten Klassifizierer persistieren 146 Blog-Feeds filtern 148 Merkmalserkennung verbessern 151 Akismet 153 Alternative Methoden 155 Übungen 156 7 Modellieren mit Entscheidungsbäumen 158 Anmeldungen vorhersagen 158 Entscheidungsbäume 161 Trainieren des Baums 162 Die beste Aufteilung wählen 163 Rekursiver Aufbau des Baums 166 Anzeigen des Baums 168 Klassifikation neuer Beobachtungen 171 Zurechtstutzen des Baums 173 Umgang mit fehlenden Daten 175 Umgang mit numerischen Ergebnissen 176 Modellieren von Immobilienpreisen 177 Modellieren der 'Hotness' 180 Wann nutzt man Entscheidungsbäume? 183 Übungen 184 8 Aufbauen von Preismodellen 186 Aufbau eine Beispiel-Datenmenge 187 k-nächste Nachbarn 188 Gewichtete Nachbarn 192 Kreuzvalidierung 196 Heterogene Variablen 198 Optimieren der Skalierung 202 Ungleiche Verteilungen 203 Nutzung echter Daten - die eBay-API 210 Wann man k-nächste Nachbarn nutzt 217 Übungen 217 9 Komplexe Klassifikation: Kernel-Methoden und SVMs 219 Datenmenge für Vermittler 219 Schwierigkeiten mit den Daten 221 Einfache lineare Klassifikation 224 Kategoriale Eigenschaften 228 Skalieren der Daten 233 Kernel-Methoden verstehen 234 Support-Vektor-Maschinen 238 Verwenden der LIBSVM 240 Vermitteln bei Facebook 243 Übungen 249 10 Unabhängige Merkmale finden 251 Eine Nachrichtensammlung 252 Vorangegangene Ansätze 256 Nicht-negative Matrix-Faktorisierung 259 Anzeigen der Ergebnisse 266 Daten des Aktienmarkts nutzen 270 Übungen 276 11 Entwickeln von Intelligenz 277 Was ist genetische Programmierung? 278 Programme als Bäume 280 Erzeugen der initialen Population 285 Testen einer Lösung 286 Mutieren von Programmen 288 Crossover 291 Aufbau der Umgebung 293 Ein einfaches Spiel 296 Weitere Möglichkeiten 301 Übungen 304 12 Zusammenfassung der Algorithmen 306 Bayes-Klassifizierer 306 Entscheidungsbaum-Klassifizierer 310 Neuronale Netze 315 Support-Vektor-Maschinen 319 k-nächste Nachbarn 324 Clusteranalyse 328 Multidimensionales Skalieren 332 Nicht-negative Matrix-Faktorisierung 334 Optimierung 337 A Fremdbibliotheken 340 B Mathematische Formeln 347 B Index 355